《利用python进行数据分析》读书笔记 --第一、二章 准备与例子

第一章 准备工作

今天开始码这本书--《利用python进行数据分析》。R和python都得会用才行，这是码这本书的原因。首先按照书上说的进行安装，google下载了epd_free-7.3-1-win-x86.msi，译者建议按照作者的版本安装,EPDFree包括了Numpy,Scipy,matplotlib,Chaco,IPython.这里的pandas需要自己安装，对应版本为pandas-0.9.0.win32-py2.7.exe.数据下载地址：github.com/pydata/pydata-book.下面是一个文档：

Welcome to Python For Data Analysis’s documentation!

http://pda.readthedocs.org/en/latest/

第二章 引言

本章是一些例子。

1、来自bit.ly的1.usa.gov数据

首先，遇到的问题是pycharm的中文编码问题，注意IDEencoding改为utf-8，同时文件最开始加#-*- encoding:utf-8 -*-，同时含有中文的字符串记得加u。

下面是代码：

# -*- encoding: utf-8 -*-
import json
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from collections import defaultdict
from collections import Counter
#注意这里的中文路径
path = u'D:\\你好\\usagov_bitly_data2012-03-16-1331923249.txt'
print open(path).readline()

#注意这里的json模块中的loads函数将字符串转换为字典，非常有用！
#注意这里的缩略循环形式
records = [json.loads(line) for line in open(path)]

print records[0]
print type(records)
print type(records[0])
print records[0]['tz']

#注意这里的判断条件
time_zones = [rec['tz'] for rec in records if 'tz' in rec]
print time_zones[:10]

#下面定义函数对时区进行计数统计,注意这里计数的方式,注意这里的字典初始化方式
def get_counts(squence):
    counts = defaultdict(int)
    for x in squence:
        counts[x] += 1
    return counts

counts = get_counts(time_zones)
print counts['America/New_York']
def top_counts(count_dict,n = 10):
    value_key_pairs = [(count,tz) for tz,count in count_dict.items()]
    value_key_pairs.sort()
    #请注意这里的索引方式，很好
    return value_key_pairs[-n:]
#这里是打印最后面的十个数，值得注意的是从倒数第十个开始一直到最后一个
print top_counts(counts)
#这里的Counter是一个神器，作者真实强大
counts = Counter(time_zones)

print counts.most_common(10)

上面是利用python标准库中的函数进行数据分析。需要注意的几个方面：

1、关于列表索引的说明：

a = range(0,10,1)

则

a[0] >>>0

a[-1] >>> 9

a[:5] >>> [0,1,2,3,4]

a[0:2] >>> [0,1]

a[-3:-1] >>> [7,8]

a[-3:] >>> [7,8,9]

a[-1:-3:-1] >>> [9,8]

a[::2] >>> [0,2,4,6,8]

说明：

1、索引包含第一个，不包含第一个冒号后面的部分

2、符号表示从后面开始计数

3、第二个冒号后面是间隔，如果有负号，表示从后面开始计数,例如a[-1:-3]这种表示方式得到空列表。

2、关于模块 collections 的应用，见下面的地址：

http://www.zlovezl.cn/articles/collections-in-python/

collections 主要包括下面几个“数据类型”：namedtuple() 生成可以使用名字来访问元素内容的tuple子类；deque()双端队列,它最大的好处就是实现了从队列 头部快速增加和取出对象;Counter用来统计个数，字典、列表、字符串都能用，很方便；OrderedDict 生成有序字典；defaultdict 也有用 比如 defaultdict(int) 表示字典中每个值都是int型，defaultdict(list)表示字典每个值都是列表。更多更详细的内容见：

https://docs.python.org/2/library/collections.html#module-collections。

下面是用pandas对时区进行计数

DataFrame是Pandas最重要的数据结构，应该就是R语言中的数据框。下面看一下实现方式：

# -*- encoding: utf-8 -*-
import json
import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt

#注意这里的中文路径
path = u'D:\\你好\\usagov_bitly_data2012-03-16-1331923249.txt'
#注意这里的json模块中的loads函数将字符串转换为字典，非常有用！
#注意这里的缩略循环形式
records = [json.loads(line) for line in open(path)]
#注意这里的DataFrame可以将每个元素都是字典的列表自动整理为数据框的形式，每一列是字典的key
frame = DataFrame(records)
#数据太多只是会显示缩略图
#print frame
#下面是列名为tz的前十个元素
#print frame['tz'][:10]
#下面是用value_counts方法对不同的tz计数,太方便了！
#print type(frame['tz'])
tz_counts = frame['tz'].value_counts()
#print tz_counts[:10]
#下面想画一个茎叶图，首先将缺失值NA进行填充
clean_tz = frame['tz'].fillna('Missing')
#下面是对空白符通过布尔型数组索引加以替换
#值得注意的是，空白符和NA缺失值是不一样的，跟R中道理一样
clean_tz[clean_tz  == ''] = 'Unknown'
tz_counts = clean_tz.value_counts()
print tz_counts[:10]
#书上说下面这条语句在pylab中打开才管用,其实加一句plt.show()就可以了
tz_counts[:10].plot(kind = 'barh',rot = 0)
plt.show()

下面是对数据中的字符串和表达式之类的进行的工作（前些日子经人指点Beautiful Soup是个爬虫包）：

# -*- encoding: utf-8 -*-
import json
import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt
from collections import defaultdict
from collections import Counter

#注意这里的中文路径
path = u'D:\\你好\\usagov_bitly_data2012-03-16-1331923249.txt'
#print open(path).readline()
#注意这里的json模块中的loads函数将字符串转换为字典，非常有用！
#注意这里的缩略循环形式
records = [json.loads(line) for line in open(path)]
frame = DataFrame(records)
#对于一个 Series，dropna 返回一个仅含非空数据和索引值的 Series
results = Series([x.split()[0] for x in frame.a.dropna()])
#print results.value_counts()
cframe = frame[frame.a.notnull()]
#np.where函数是一个矢量化ifelse函数
operating_system = np.where(cframe['a'].str.contains('Windows'),'Windows','Not Windows')
#print operating_system[:5]
#下面是将tz按照operating_system进行分组并计数并用unstack进行展开并填充na为0
by_tz_os = cframe.groupby(['tz',operating_system])
agg_counts = by_tz_os.size().unstack().fillna(0)
#print agg_counts
#下面注意 sum函数 默认axis = 0，是普通加和，axis = 1是按行加和,argsort是从小到大排序并返回下表
indexer = agg_counts.sum(1).argsort()
#下面是取出时区最多的值，注意take函数，接下标
count_subset = agg_counts.take(indexer)[-10:]
print count_subset
#下面的图很好，是累积条形图
count_subset.plot(kind = 'barh',stacked = True)
plt.show()
#下面进行比例展示
normed_subset = count_subset.div(count_subset.sum(1),axis = 0)
normed_subset.plot(kind = 'barh',stacked = True)
plt.show()

上面一个例子已经完成，看下一个例子。

GroupLens Research 采集了一组从20世纪90年代末到21世纪初由MovieLens用户提供的电影评分数据。这里的目的在于对数据进行切片分析。

#-*-coding:utf-8-*-
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

path1 = 'E:\\Pyprojects\\usepython_2.2\\movielens\\users.dat'
path2 = 'E:\\Pyprojects\\usepython_2.2\\movielens\\ratings.dat'
path3 = 'E:\\Pyprojects\\usepython_2.2\\movielens\\movies.dat'

unames = ['user_id','gender','age','occupation','zip']
users = pd.read_table(path1,sep = '::',header = None,names = unames)

rnames = ['user_id','movie_id','rating','timestamp']
ratings = pd.read_table(path2,sep = '::',header = None,names = rnames)

mnames = ['movie_id','title','genres']
movies = pd.read_table(path3,sep = '::',header = None,names = mnames)

#print users.head()

#下面是对三个数据集合进行merge操作，最终的行数由ratings决定，原因显然
data  = pd.merge(pd.merge(ratings,users),movies)
#print data.ix[0]
#下面按照性别计算每部电影的平均得分,说实话，这个透视表函数还真是通俗易懂
mean_ratings = data.pivot_table('rating',rows = 'title',cols = 'gender',aggfunc = 'mean')
#print mean_ratings.head()
#下面是按照title对data分组并计数
ratings_by_title = data.groupby('title').size()
#下面的index返回的下标
active_titles = ratings_by_title.index[ratings_by_title >= 251]
#下面之所以可以这样做是因为groupby函数和透视表都是按照相同是顺序排序的
mean_ratings = mean_ratings.ix[active_titles]
#print mean_ratings
top_female_ratings = mean_ratings.sort_index(by = 'F',ascending = False)
#print top_female_ratings.head()
#下面一部分计算男性和女性分歧最大的电影
#注意，下面的语句直接加入了一列diff,这样得到的就是女性最喜欢的电影，注意方法sort_index的应用
mean_ratings['diff'] = mean_ratings['M'] - mean_ratings['F']
sorted_by_diff = mean_ratings.sort_index(by = 'diff')
#下面是对数据框的行反序并取出前15行，但是 如何对行反序呢？(哦，就是按照原来的行的反向就行)
#print sorted_by_diff[::-1][:15]
#下面考虑分歧最大的电影，不考虑性别因素
rating_std_by_title = data.groupby('title')['rating'].std()
rating_std_by_title = rating_std_by_title.ix[active_titles]
#对Series对象进行排序，需要用order
print rating_std_by_title.order(ascending=False)[:10]

上面的例子中，有不少需要注意的地方，信息量比较大(对于新手)。下面的例子内容更多一些：

# -*- encoding: utf-8 -*-
import json
import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt
from collections import defaultdict
from collections import Counter

path_base = u'E:\\BaiduYun\\计算机\\python\\利用python进行数据分析\\pydata-book-master\ch02\\names\\'

#下面读入多个文件到同一个DataFrame中
years = range(1880,2011)
pices = []
columns = ['name','sex','births']
for year in years:
    path = path_base + 'yob%d.txt' % year
    frame = pd.read_csv(path,names=columns)

    frame['year'] = year
    pices.append(frame)
    break
#注意pd.concat是默认按行进行的合并，是一种outer外连接，按照索引作为连接键
names = pd.concat(pices,ignore_index=True)
#下面进行一下聚合,注意这里的pivot_table真是太有用了！
total_births = names.pivot_table('births',rows = 'year',cols = 'sex',aggfunc=sum)
#print total_births.tail()
#total_births.plot(title = 'Total births by sex and year')
#3plt.show()
#下面要插入一列，出生量占总出生量的比例
def add_prop(group):
    #下面将数据换为float类型
    births =group.births.astype(float)

    group['prop'] = births / births.sum()
    return group
names = names.groupby(['year','sex']).apply(add_prop)
#下面对prop列进行加和看是不是等于1，由于是浮点型数据，用的是allclose函数,判断是否和1足够接近
#print np.allclose(names.groupby(['year','sex']).prop.sum(),1)
#现在要取一个子集，是每一个‘year’‘sex’对的出生量前1000名

def get_top1000(group):
    return group.sort_index(by = 'births',ascending=False)[:1000]
grouped = names.groupby(['year','sex'])
top1000 = grouped.apply(get_top1000)
#print top1000.head()

下面是把后半部分补充完整：

# -*- encoding: utf-8 -*-
import os
import json
import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt

path_base = u'D:\\pydata-book-master\\ch02\\names\\'

#下面读入多个文件到同一个DataFrame中
years = range(1880,2011)
pices = []
columns = ['name','sex','births']
for year in years:
    path = path_base + 'yob%d.txt' % year
    frame = pd.read_csv(path,names=columns)
    frame['year'] = year
    pices.append(frame)

#注意pd.concat是默认按行进行的合并，是一种outer外连接，按照索引作为连接键
names = pd.concat(pices,ignore_index=True)
#下面进行一下聚合,注意这里的pivot_table真是太有用了！

total_births = names.pivot_table('births',rows = 'year',cols = 'sex',aggfunc=sum)
#print total_births.tail()
#total_births.plot(title = 'Total births by sex and year')
#3plt.show()
#下面要插入一列，出生量占总出生量的比例
def add_prop(group):
    #下面将数据换为float类型
    births =group.births.astype(float)
    group['prop'] = births / births.sum()
    return group
names = names.groupby(['year','sex']).apply(add_prop)
#下面对prop列进行加和看是不是等于1，由于是浮点型数据，用的是allclose函数,判断是否和1足够接近
#print np.allclose(names.groupby(['year','sex']).prop.sum(),1)
#现在要取一个子集，是每一个‘year’‘sex’对的出生量前1000名

def get_top1000(group):
    return group.sort_index(by = 'births',ascending=False)[:1000]
grouped = names.groupby(['year','sex'])
top1000 = grouped.apply(get_top1000)

#print top1000.head()
#下面是分析命名趋势
boys = top1000[top1000.sex == 'M']
girls = top1000[top1000.sex == 'F']
#下面做一个透视表
total_births = top1000.pivot_table('births',rows = 'year',cols = 'name',aggfunc = sum)

subset = total_births[['John','Harry','Mary','Marilyn']]
#下面的subplots是用来标明是否将几个图画在一起,figsize用来标明大小，grid 是标明是否有网格线
#subset.plot(subplots = True,figsize = (12,10),grid = True,title = 'Number of births per year')
#plt.show()

#下面评估明明多样性的增长，计算最流行的1000个名字所占的比例
#table = top1000.pivot_table('prop',rows = 'year',cols = 'sex',aggfunc = sum)
#table.plot(title = 'Sum of table1000.prop by year and sex',yticks = np.linspace(0,1.2,13),xticks = range(1880,2020,10))
#plt.show()
#另一个方式是计算总出生人数前50%的不同名字的数量
#df = boys[boys.year == 2010]
#下面就要找到prop的和是0.5的位置，书上说写循环也行，但是numpy中也有cunsum函数，R语言中也有，这当然是极好的。

#prop_cumsum = df.sort_index(by = 'prop',ascending = False).prop.cumsum()
#print prop_cumsum[:10]
#下面这个函数简直太方便，searchsorted
#print prop_cumsum.searchsorted(0.5)
#注意下面的函数，将所有的年份都进行一次计算
def get_quantile_count(group,q = 0.5):
    group = group.sort_index(by = 'prop',ascending= False)
    return group.prop.cumsum().searchsorted(q) + 1

diversity = top1000.groupby(['year','sex']).apply(get_quantile_count)
diversity = diversity.unstack('sex')
#print diversity.head()
diversity.plot(title = 'Number of popular names in top 50%')
plt.show()


#最后一个字母的变革
#从name列取出最后一个字母,注意lamda这个语句使用来创建匿名函数
get_last_letter = lambda x:x[-1]
#注意这里的map函数是一种 “并行”式的函数，对name的每个元素进行后面的函数
last_letters = names.name.map(get_last_letter)
last_letters.name = 'last_letter'
#下面的语句让我感到了奇怪，为何last_latters不在names中却还能顺利生成数据透视表？毁三观呐
table = names.pivot_table('births',rows = last_letters,cols = ['sex','year'],aggfunc = sum)

subtable = table.reindex(columns = [1910,1960,2010],level = 'year')
#print subtable.head()
letter_prop = subtable / subtable.sum().astype(float)
fig,axes = plt.subplots(2,1,figsize=(10,8))
letter_prop['M'].plot(kind = 'bar',rot = 0,ax = axes[0],title = 'Male')
letter_prop['F'].plot(kind = 'bar',rot = 0,ax = axes[1],title = 'Female',legend = False)
plt.show()

letter_prop = table / table.sum().astype(float)
dny_ts = letter_prop.ix[['d','n','y'],'M'].T
dny_ts.plot()
plt.show()

#下面是最后一项，变成女孩名字的男孩名字（以及相反的情况）
all_names = top1000.name.unique()
#这里的in函数应该是一个部分匹配函数，另外上面的语句中的unique很熟悉，R语言中也有
mask = np.array(['lesl' in x.lower() for x in all_names])
lesley_like = all_names[mask]
#然后用这个结果过滤掉其他的名字，并按名字分组计算出生数以查看相对频率
#下面这个isin函数非常方便
flitered = top1000[top1000.name.isin(lesley_like)]
flitered.groupby('name').births.sum()
table = flitered.pivot_table('births',rows = 'year',cols = 'sex',aggfunc = 'sum')
#print table.head()
#注意这里的div函数是做一个归一化
table = table.div(table.sum(1),axis = 0)
print table.head()
#print table.tail()
table.plot(style = {'M':'k-','F':'k--'})
plt.show()

这二章完事，下一章是IPython，第三章少写一点，本章是受益匪浅。