Python分布随机数的生成和对数据框的逆序排列
(Reverse Pandas Data Frame)
在网上看到了Erik Marsja博客中提到对数据框进行逆序排序的方法，受益匪浅，于是通过以下笔记记录了reverse的内容和注释方便查阅，顺便简单介绍numpy中的两种生成随机数的方法。
具体参见Erik的博客
生成随机数
据过程中使用到的两种生成随机数的方法，分别是normal和binomial，详情如下。
1.np.random.normal
np.random.normal的作用是获取正态（高斯）分布上的随机样本点。正态分布在自然界中经常发生。例如，它描述了受大量微小、随机干扰影响的样本的常见分布，在这里给出正态分布的密度函数及其解释，如下：
为均值；
为标准差。
与正态分布对应，函数格式为：numpy.random.normal(loc=0.0, scale=1.0, size=None)¶ 参数解释如下：loc：分布的均值（中心）；
scale:分布的标准偏差（扩展或宽度）;
size:输出的个数或形态，e.g., (m, n, k)。
代码示例如下：
import numpy as np # 加载相关包
mu, sigma = 0, 0.1 # 均值和标准差
s = np.random.normal(mu, sigma, 10) # 生成随机数
s # 展示数据
输出结果为以0为均值（中心），0.1为标准差，长度为10的随机数列。
2.np.random.binomial
np.random.binomial`的作用是获取二项分布上的随机样本点。二项分布的概率密度函数及其展示如下:
- 为试验数；
- 为成功的概率；
- 为成功的事件数。
与二项分布对应，函数格式为numpy.random.binomial(n, p, size=None),参数解释如下： - n:分布参数，值>=0；
- p:概率分布参数，值在0-1之间；
- size:输出的个数或形态，e.g., (m, n, k)。
代码示例如下：
import numpy as np # 加载相关包
n, p = 10, .5 # 分布参数和概率分布参数
s = np.random.binomial(n, p, 10) # 生成随机数
s # 展示数据
输出结果为以10为分布数，0.5为概率分布参数，长度为10的随机数列。
数据准备
通过上述介绍np.random中的normal（正态分布）和binomial（二项分布）构建数据，并蒋数据构建成数据框的形式。
## 加载相关模块
import pandas as pd
import numpy as np
distracted = [1 for i in range(15)] # 构建15个均为1的list
normal_perf = [0 for i in range(15)] # 构建15个均为0的list
sex = ['Male' if i%2 == 0 else 'Female' for i in range(30)] # 通过0/1构建性别变量
rt_distracted = np.random.normal(1660, 100, 15) # 生成15个以1660为均值，100为标准差的概率分布的随机数
rt_normal_perf = np.random.normal(1054, 97, 15) # 生成15个以1054为均值，197为标准差的概率分布的随机数
accuracy_distracted = np.random.binomial(1, .79, 15) # 生成15个以n=1,p=0.75的二项分布随机数
accuracy_normal_perf = np.random.binomial(1, .87, 15) # 生成15个以n=1,p=0.85的二项分布随机数
rt = np.concatenate((rt_distracted, rt_normal_perf)) # 连接rt_distracted和rt_normal_perf两序列
acc = np.concatenate((accuracy_distracted, accuracy_normal_perf)) # 连接accuracy_distracted和accuracy_normal_perf两序列
distracted.extend(normal_perf) # 在末尾添加normal_perf的值
subject_id = [i for i in range(1,31)] # 创建1-30的id序列
data = {'Sub_id':subject_id, 'Condition':distracted, 'RT':rt, # 以字典形式构建文件
'Accuracy':acc, 'Gender':sex}
data_frame = pd.DataFrame(data) # 转换为数据框
data_frame.head() # 展示前五行数据
按列进行逆序排列
首先介绍按列进行逆序排列，内容包括了首尾列的对调和对所有列进行的逆序排列。
1. 对调换Gender和Accuracy列
columns = data_frame.columns.tolist() # 获取列名并转换为list
columns = columns[-1:] + columns[:-1] # 对列名表进行首尾调换
data_frame = data_frame[columns] # 对数据框中的列进行调换
data_frame.head() # 展示前五行数据
- 对数据框的列进行升序排列。[注：按字母顺序排列 ]
data_frame = data_frame.sort_index(axis=1 ,ascending=True) # 按列名的字母进行升序排列
data_frame.head() # 展示前五行数据
- 通过columns[::-1]或者columns.reverse()对所有列进行逆序排列。
columns = data_frame.columns.tolist() # 获取列名并转换为list
columns = columns[::-1] # 对所有列进行逆序排列
#columns.reverse() # 对所有列进行逆序 排列【方法2】
data_frame = data_frame[columns] # 按列对数据框进行逆序排列
data_frame.head() # 展示前五行数据
按行进行逆序排列
数据框同样可以对行进行逆序排列，在操作之前先用先前的方法对重新排列数据。
data_frame = data_frame.sort_index(axis=1 ,ascending=True) # 按列名的字母进行升序排列
data_frame.head() # 展示前五行数据
数据框同样可以对行进行逆序排列，在操作之前先用先前的方法对重新排列数据。
- 通过iloc对数据框进行逆序排序。
data_frame = data_frame.iloc[::-1] # 通过iloc索引对行进行逆序排列
data_frame.head() # 展示前五行数据
- 也可以通过设置df.sort_index中的axis=0对行进行逆序排列，此时的逆序操作恢复了数据框的排列。
data_frame = data_frame.sort_index(ascending=True, axis=0) # 通过sort_index对行进行逆序排列
data_frame.head() # 展示前五行数据
- 最后可通过reindex对数据框进行重索引，以达到对行逆序排列的效果。
data_frame = data_frame.reindex(index=data_frame.index[::-1]) # 通过reindex对行进行逆序排列
data_frame.head() # 展示前五行数据
总结
在本文中大致介绍了两种分布的随机数建立的方法，和对数据框的行和列进行逆序排列的方法。第一次在该博客写文，多有不足还望大家多多指教，有任何疑问请给我留言，我会尽力解答。
Escher
2018/9/15