【利用python进行数据分析】准备与实例（一）

我已经分享了本书的ipynb，所以跟着我一起来实验吧。如果你不懂怎么打开ipynb格式的文件，那也没关系，anaconda3让一切变得更简单（我像是打广告的）。

安装玩anaconda之后，我们在开始里就可以找到它的文件夹，里面有一个Jupyter Notebook，就是它了。点开之后，弹出cmd的黑窗口，接着浏览器弹出网页，那么就启动成功了（这里别去关掉cmd的黑窗口，最小化就行），它的主页一般定位在“我的文档”，所以，为了方便起见，把你下载好的ipynb文件放到“我的文件”下，解压成文件夹即可在浏览器中点击查看。

我们处理数据，基本都要完成以下几大任务：

• 与外界进行交互，读写各种各样的文件格式和数据库
• 准备，对数据进行清理、修整、整合、规范化、重塑、切片切块、变形等处理以便进行分析
• 转换，对数据集做一些数学和统计运算，以产生新的数据集。比如说，根据分组变量对一个大表进行聚合
• 建模和计算，将数据跟统计模型、机器学习算法或其他计算工具联系起来
• 展示，创建交互式的或静态的图片或文字摘要

来自bit.ly的1.usa.gov数据

数据简单介绍：2011年，URL缩短服务bit.ly跟美国政府网站usa.gov合作，提供了一份从生成.gov或.mil短链接的用户那里收集来的匿名数据。除实时数据之外，还可以下载文本形式的每小时快照。以每小时快照为例，文件中各行的格式为JSON。

例如，如果我们只读取某个文件中的第一行，那么你所看到的结果应该是下面这样:

path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
open(path).readline()

输出结果如下：

'{ "a": "Mozilla\\/5.0 (Windows NT 6.1; WOW64) AppleWebKit\\/535.11 (KHTML, like Gecko) Chrome\\/17.0.963.78 Safari\\/535.11", "c": "US", "nk": 1, "tz": "America\\/New_York", "gr": "MA", "g": "A6qOVH", "h": "wfLQtf", "l": "orofrog", "al": "en-US,en;q=0.8", "hh": "1.usa.gov", "r": "http:\\/\\/www.facebook.com\\/l\\/7AQEFzjSi\\/1.usa.gov\\/wfLQtf", "u": "http:\\/\\/www.ncbi.nlm.nih.gov\\/pubmed\\/22415991", "t": 1331923247, "hc": 1331822918, "cy": "Danvers", "ll": [ 42.576698, -70.954903 ] }\n'

我们可以读取json文件后用列表推导式将文件转化为列表，以下是转为列表和读取列表的操作：

import json
path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
records = [json.loads(line) for line in open(path)]

records[0]
records[0]['tz']

以下是输出的结果

{'a': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.78 Safari/535.11',
 'al': 'en-US,en;q=0.8',
 'c': 'US',
 'cy': 'Danvers',
 'g': 'A6qOVH',
 'gr': 'MA',
 'h': 'wfLQtf',
 'hc': 1331822918,
 'hh': '1.usa.gov',
 'l': 'orofrog',
 'll': [42.576698, -70.954903],
 'nk': 1,
 'r': 'http://www.facebook.com/l/7AQEFzjSi/1.usa.gov/wfLQtf',
 't': 1331923247,
 'tz': 'America/New_York',
 'u': 'http://www.ncbi.nlm.nih.gov/pubmed/22415991'}

'America/New_York'

对时区进行计数，假设我们想要知道该数据集中最常出现的是哪个时区（即tz字段）

from pandas import DataFrame
import json
path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
records = [json.loads(line) for line in open(path)]
frame=DataFrame(records)
tz_counts=frame['tz'].value_counts()
#print(tz_counts[:10]) 

#以下是对空缺值的清洗
clean_tz=frame['tz'].fillna(value='Missing')
clean_tz[clean_tz ==''] = 'Unknown'
tz_counts=clean_tz.value_counts()
print(tz_counts[:10])

输出结果：

America/New_York       1251
Unknown                 521
America/Chicago         400
America/Los_Angeles     382
America/Denver          191
Missing                 120
Europe/London            74
Asia/Tokyo               37
Pacific/Honolulu         36
Europe/Madrid            35
Name: tz, dtype: int64

最常出现的10个时区的水平条形图代码：

from matplotlib import pyplot as plt
tz_counts[:10].plot(kind='barh',rot=0)
plt.show()

然后，我们来看一下里面的“a”字段，用字符串函数和正则表达式将里面信息解析出来，统计最常用的几个浏览器

from pandas import DataFrame,Series
from matplotlib import pyplot as plt
import json
path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
records = [json.loads(line) for line in open(path)]
frame=DataFrame(records)
results=Series([x.split()[0] for x in frame.a.dropna()])
print(results.value_counts()[:8])

输出结果：

Mozilla/5.0                 2594
Mozilla/4.0                  601
GoogleMaps/RochesterNY       121
Opera/9.80                    34
TEST_INTERNET_AGENT           24
GoogleProducer                21
Mozilla/6.0                    5
BlackBerry8520/5.0.0.681       4
dtype: int64

最常用的8个浏览器的水平条形图代码：

res_cnt=results.value_counts()[:8]
res_cnt.plot(kind='barh',rot=0)
plt.show()

然后，我们继续看一下里面的“a”字段，按windows和非windows用户对时区统计信息进行分析

from pandas import DataFrame,Series
from matplotlib import pyplot as plt
import json
path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
records = [json.loads(line) for line in open(path)]
frame=DataFrame(records)
cframe=frame[frame.a.notnull()]
# print(cframe.groupby('tz').size())   发现tz分组后，有521类
operating_system=np.where(cframe['a'].str.contains('Windows'),'Windows','Not Windows')
cframe['a']=DataFrame(operating_system)
by_tz_os=cframe.groupby(['tz','a'])
agg_counts=by_tz_os.size().unstack().fillna(0)   #用unstack将行转换成列
print(agg_counts[:10])

输出结果：

a                               Not Windows  Windows
tz                                                  
                                      180.0    316.0
Africa/Cairo                            1.0      2.0
Africa/Casablanca                       0.0      1.0
Africa/Ceuta                            1.0      1.0
Africa/Johannesburg                     0.0      1.0
Africa/Lusaka                           1.0      0.0
America/Anchorage                       0.0      4.0
America/Argentina/Buenos_Aires          0.0      1.0
America/Argentina/Cordoba               1.0      0.0
America/Argentina/Mendoza               0.0      1.0

最后，接着刚才的操作我们选出最常出现的时区，代码如下：

#用于按升序排列
indexer = agg_counts.sum(1).argsort()
#通过take按照这个顺序截取了最后10行
count_subset = agg_counts.take(indexer)[-10:]
print(count_subset)

输出结果：

a                    Not Windows  Windows
tz                                       
America/Sao_Paulo           12.0     21.0
Europe/Madrid               15.0     19.0
Pacific/Honolulu            10.0     25.0
Asia/Tokyo                  14.0     23.0
Europe/London               32.0     40.0
America/Denver              56.0    125.0
America/Los_Angeles        122.0    247.0
America/Chicago            131.0    249.0
                           180.0    316.0
America/New_York           426.0    798.0

用堆积条形图表示：

count_subset.plot(kind='barh',stacked=True)
plt.show()