机器学习-数据科学库：Pandas总结（2）
机器学习-数据科学库：Pandas总结（2）
- Pandas
-
- Pandas数据合并之join
- Pandas数据合并之merge
- Pandas分组和聚合
- 索引和复合索引
- pandas时间序列
-
- 生成一段时间范围
- 关于频率的更多缩写
- Pandas重采样
-
- resample
- PeriodIndex
- Pandas数据分析练习
-
- 练习一
- 练习二
- 练习三
Pandas
Pandas数据合并之join
join:默认情况下他是把行索引相同的数据合并到一起。
In [81]: t1 = pd.DataFrame(np.ones(12).reshape((3,4)), index = list("ABC"))
In [82]: t1
Out[82]:
0 1 2 3
A 1.0 1.0 1.0 1.0
B 1.0 1.0 1.0 1.0
C 1.0 1.0 1.0 1.0
In [83]: t2 = pd.DataFrame(np.zeros(10).reshape((2,5)), index=list("AB"), columns=list("VWXYZ"))
In [84]: t2
Out[84]:
V W X Y Z
A 0.0 0.0 0.0 0.0 0.0
B 0.0 0.0 0.0 0.0 0.0
In [85]: t1.join(t2)
Out[85]:
0 1 2 3 V W X Y Z
A 1.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0
B 1.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0
C 1.0 1.0 1.0 1.0 NaN NaN NaN NaN NaN
In [86]: t2.join(t1)
Out[86]:
V W X Y Z 0 1 2 3
A 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
B 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
Pandas数据合并之merge
merge:按照指定的列把数据按照一定的方式合并到一起
- 默认的合并方式inner，交集
- merge outer，并集，NaN补全
- merge left，左边为准，NaN补全
- merge right，右边为准，NaN补全
In [108]: t1
Out[108]:
M N O P
A 1.0 1.0 a 1.0
B 1.0 1.0 b 1.0
C 1.0 1.0 c 1.0
In [109]: t2
Out[109]:
V W X Y Z
A 0.0 0.0 a 0.0 0.0
B 0.0 0.0 b 0.0 0.0
In [110]: t1.merge(t2, left_on="O", right_on="X")
Out[110]:
M N O P V W X Y Z
0 1.0 1.0 a 1.0 0.0 0.0 a 0.0 0.0
1 1.0 1.0 b 1.0 0.0 0.0 b 0.0 0.0
In [111]: t1.merge(t2, left_on="O", right_on="X", how="inner")
Out[111]:
M N O P V W X Y Z
0 1.0 1.0 a 1.0 0.0 0.0 a 0.0 0.0
1 1.0 1.0 b 1.0 0.0 0.0 b 0.0 0.0
In [112]: t1.merge(t2, left_on="O", right_on="X", how="outer")
Out[112]:
M N O P V W X Y Z
0 1.0 1.0 a 1.0 0.0 0.0 a 0.0 0.0
1 1.0 1.0 b 1.0 0.0 0.0 b 0.0 0.0
2 1.0 1.0 c 1.0 NaN NaN NaN NaN NaN
In [113]: t1.merge(t2, left_on="O", right_on="X", how="left")
Out[113]:
M N O P V W X Y Z
0 1.0 1.0 a 1.0 0.0 0.0 a 0.0 0.0
1 1.0 1.0 b 1.0 0.0 0.0 b 0.0 0.0
2 1.0 1.0 c 1.0 NaN NaN NaN NaN NaN
In [114]: t1.merge(t2, left_on="O", right_on="X", how="right")
Out[114]:
M N O P V W X Y Z
0 1.0 1.0 a 1.0 0.0 0.0 a 0.0 0.0
Pandas分组和聚合
在pandas中类似的分组的操作我们有很简单的方式来完成。
那么问题来了，调用groupby方法之后返回的是什么内容？
grouped=df.groupby(by=“columns_name”)
grouped是一个DataFrameGroupBy对象，是可迭代的
grouped中的每一个元素是一个元组
元组里面是（索引(分组的值)，分组之后的DataFrame）
DataFrameGroupBy对象有很多经过优化的方法：
索引和复合索引
简单的索引操作：
- 获取index：df.index
- 指定index：df.index=[‘x’,‘y’]
- 重新设置index: df.reindex(list(“abcedf”))
- 指定某一列作为index：df.set_index(“Country”,drop=False)
- 返回index的唯一值：df.set_index(“Country”).index.unique()
假设a为一个DataFrame,那么当a.set_index([“c”,“d”])即设置两个索引的时候是什么样子的结果呢？
In [115]: a = pd.DataFrame({
'a': range(7),'b': range(7, 0, -1),'c': ['one','one','one','two','two','two',
...: 'two'],'d': list("hjklmno")})
In [116]: a
Out[116]:
a b c d
0 0 7 one h
1 1 6 one j
2 2 5 one k
3 3 4 two l
4 4 3 two m
5 5 2 two n
6 6 1 two o
In [117]: a.set_index(["c", "d"])
Out[117]:
a b
c d
one h 0 7
j 1 6
k 2 5
two l 3 4
m 4 3
n 5 2
o 6 1
In [122]: x = a.set_index(["c", "d"])["a"]
In [123]: x
Out[123]:
c d
one h 0
j 1
k 2
two l 3
m 4
n 5
o 6
Name: a, dtype: int64
In [124]: x[("one","h")]
Out[124]: 0
level相当于就是复合索引的里外层，交换了level之后，里外交换所以能够直接从h开始取值。
In [131]: x.index
Out[131]:
MultiIndex([('one', 'h'),
('one', 'j'),
('one', 'k'),
('two', 'l'),
('two', 'm'),
('two', 'n'),
('two', 'o')],
names=['c', 'd'])
In [132]: x.index.levels
Out[132]: FrozenList([['one', 'two'], ['h', 'j', 'k', 'l', 'm', 'n', 'o']])
In [133]: x.swaplevel()
Out[133]:
d c
h one 0
j one 1
k one 2
l two 3
m two 4
n two 5
o two 6
Name: a, dtype: int64
In [135]: x.swaplevel()["h","one"]
Out[135]: 0
pandas时间序列
不管在什么行业，时间序列都是一种非常重要的数据形式，很多统计数据以及数据的规律也都和时间序列有着非常重要的联系，在pandas中处理时间序列是非常简单的。
生成一段时间范围
pd.date_range(start=None, end=None, periods=None, freq='D')
start和end以及freq配合能够生成start和end范围内以频率freq的一组时间索引start和periods以及freq配合能够生成从start开始的频率为freq的periods个时间索引。
In [140]: pd.date_range(start="20201231",periods=10,freq="M")
Out[140]:
DatetimeIndex(['2020-12-31', '2021-01-31', '2021-02-28', '2021-03-31',
'2021-04-30', '2021-05-31', '2021-06-30', '2021-07-31',
'2021-08-31', '2021-09-30'],
dtype='datetime64[ns]', freq='M')
In [142]: pd.date_range(start="20201231",periods=10,freq="10D")
Out[142]:
DatetimeIndex(['2020-12-31', '2021-01-10', '2021-01-20', '2021-01-30',
'2021-02-09', '2021-02-19', '2021-03-01', '2021-03-11',
'2021-03-21', '2021-03-31'],
dtype='datetime64[ns]', freq='10D')
In [143]: pd.date_range(start="20201231",end="20211231",freq="10D")
Out[143]:
DatetimeIndex(['2020-12-31', '2021-01-10', '2021-01-20', '2021-01-30',
'2021-02-09', '2021-02-19', '2021-03-01', '2021-03-11',
'2021-03-21', '2021-03-31', '2021-04-10', '2021-04-20',
'2021-04-30', '2021-05-10', '2021-05-20', '2021-05-30',
'2021-06-09', '2021-06-19', '2021-06-29', '2021-07-09',
'2021-07-19', '2021-07-29', '2021-08-08', '2021-08-18',
'2021-08-28', '2021-09-07', '2021-09-17', '2021-09-27',
'2021-10-07', '2021-10-17', '2021-10-27', '2021-11-06',
'2021-11-16', '2021-11-26', '2021-12-06', '2021-12-16',
'2021-12-26'],
dtype='datetime64[ns]', freq='10D')
关于频率的更多缩写
Pandas重采样
重采样：指的是将时间序列从一个频率转化为另一个频率进行处理的过程，将高频率数据转化为低频率数据为降采样，低频率转化为高频率为升采样。
resample
pandas提供了一个resample的方法来帮助我们实现频率转化。
In [144]: t = pd.DataFrame(np.random.uniform(10,50,(100,1)), index=pd.date_range("20200130",periods=100))
In [145]: t
Out[145]:
0
2020-01-30 24.407854
2020-01-31 46.911303
2020-02-01 34.542611
2020-02-02 38.508152
2020-02-03 22.849967
... ...
2020-05-04 27.052826
2020-05-05 29.397945
2020-05-06 33.431079
2020-05-07 24.048044
2020-05-08 17.178897
[100 rows x 1 columns]
In [146]: t.resample("M").mean()
Out[146]:
0
2020-01-31 35.659578
2020-02-29 32.899584
2020-03-31 27.158682
2020-04-30 27.732471
2020-05-31 29.030154
In [147]: t.resample("10D").count()
Out[147]:
0
2020-01-30 10
2020-02-09 10
2020-02-19 10
2020-02-29 10
2020-03-10 10
2020-03-20 10
2020-03-30 10
2020-04-09 10
2020-04-19 10
2020-04-29 10
PeriodIndex
之前所学习的DatetimeIndex可以理解为时间戳
那么现在我们要学习的PeriodIndex可以理解为时间段
periods = pd.PeriodIndex(year=data["year"],month=data["month"],day=data["day"],hour=data["hour"],freq="H")
那么如果给这个时间段降采样呢？
data =df.set_index(periods).resample("10D").mean()
Pandas数据分析练习
练习一
现在我们有一组关于全球星巴克店铺的统计数据，如果我想知道美国的星巴克数量和中国的哪个多，那么应该怎么办？
数据来源：https://www.kaggle.com/starbucks/store-locations/data
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
df = pd.read_csv('./starbucks_store_worldwide.csv')
print(df.info())
print(df.groupby("Country").count()["Brand"])
_x = df.groupby("Country").count()["Brand"].sort_values(ascending=False).index[:10]
_y = df.groupby("Country").count()["Brand"].sort_values(ascending=False).values[:10]
#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
#绘图风格
plt.style.use('ggplot')
#图片大小
plt.figure(figsize=(20,12), dpi = 80)
#横坐标标签
x = range(len(_x))
plt.yticks(x, _x)
#绘图
plt.barh(x,_y)
plt.show()
练习二
现在我们有全球排名靠前的10000本书的数据，那么请统计一下不同年份书的数量。
收据来源：https://www.kaggle.com/zygmunt/goodbooks-10k
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
df = pd.read_csv("./books.csv")
print(df.info())
_x = df.groupby("original_publication_year").count()["id"].index
_y = df.groupby("original_publication_year").count()["id"].values
x = range(len(_x))
#画图
plt.figure(figsize=(20,8),dpi=80)
plt.xticks(x[::10],_x[::10].astype(int),rotation=45)
#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
#绘图风格
plt.style.use('ggplot')
plt.plot(range(len(_x)), _y)
plt.show()
练习三
现在我们有2015到2017年25万条911的紧急电话的数据，请统计出出这些数据中不同类型的紧急情况的次数，如果我们还想统计出不同月份不同类型紧急电话的次数的变化情况，应该怎么做呢？
数据来源：https://www.kaggle.com/mchirico/montcoalert/data
不同类型的紧急情况的次数：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
pd.set_option('display.max_columns', None)
df = pd.read_csv("./911.csv")
# print(df.info())
# print(df.head())
title_list = df["title"].str.split(": ").tolist()
cate_list = [i[0] for i in title_list]
# print(cate_list)
df["cate"] = pd.Series(cate_list)
# print(df["cate"].head())
_x = df.groupby("cate").count()["title"].index
_y = df.groupby("cate").count()["title"].values
#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
#绘图风格
plt.style.use('ggplot')
#图片大小
plt.figure(figsize=(10,8), dpi = 80)
#横坐标标签
x = range(len(_x))
plt.xticks(x, _x)
#绘图
plt.bar(x,_y)
plt.show()
不同月份不同类型紧急电话的次数：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
pd.set_option('display.max_columns', None)
df = pd.read_csv("./911.csv")
print(df.info())
# print(df.head())
title_list = df["title"].str.split(": ").tolist()
cate_list = [i[0] for i in title_list]
# print(cate_list)
df["cate"] = pd.Series(cate_list)
# print(df["cate"].head())
df["timeStamp"] = pd.to_datetime(df["timeStamp"])
df.set_index("timeStamp", inplace=True)
#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
#绘图风格
plt.style.use('ggplot')
#图片大小
plt.figure(figsize=(20,8), dpi = 80)
for group_name, group_data in df.groupby("cate"):
month_resample = group_data.resample("M").count()["title"]
_x = month_resample.index
_y = month_resample.values
_x = [i.strftime("%Y%m%d") for i in _x]
plt.plot(range(len(_x)), _y, label=group_name)
# 横坐标标签
plt.xticks(range(len(_x)), _x, rotation=45)
plt.legend(loc = "best")
plt.show()
