大数据分析实践 | 过滤和抽样

---

python基础 | Pandas基础

相关函数

数据读取和写入：read_csv和to_csv

pandas系列 read_csv 与 to_csv 方法各参数详解（全，中文版）
Pandas–read_csv，to_csv参数说明

• read_csv：把CSV文件读取为一个DataFrame对象
  • filepath_or_buffer：要读取的CSV文件的路径或文件对象。
  • sep：指定用于分隔字段的字符，默认为逗号(,)。
  • header：指定作为列名的行号，默认为0，表示第一行。
  • index_col：指定作为索引的列号或列名，默认为None，即不使用任何列作为索引。
  • na_values：指定在CSV文件中应被解释为缺失值的值。
  • dtype：指定每列的数据类型，可以使用字典来分别指定每列的数据类型。
  • nrows：指定读取的行数。
  • skiprows：指定跳过的行数。
  • encoding：指定文件编码。
• to_csv：将DataFrame对象写入到CSV文件中
  • path_or_buf：要写入的CSV文件的路径或文件对象。
  • sep：指定用于分隔字段的字符，默认为逗号(,)。
  • header：指定是否包含列名，默认为True。
  • index：指定是否包含行索引，默认为True。
  • mode：指定写入模式，默认为’w’，覆盖已存在的文件；若设为’a’，则追加数据到已存在的文件。
  • encoding：指定文件编码。

数据过滤：pandas.DataFrame.loc

Pandas.DataFrame.loc函数用法大全

DataFrame.loc[row_indexer, column_indexer]：其中 ​row_indexer​和 ​column_indexer​可以是单个标签、标签列表、标签切片、布尔数组或可返回这些对象之一的可调用函数。

• 通过标签选择特定行和列

  # 选择行为'Alice'，列为'Age'和'City'
  df.loc['Alice', ['Age', 'City']]
  
  # 选择标签为'Alice'到'Charlie'的行，所有列
  df.loc['Alice':'Charlie', :]
  
  # 选择标签为'Alice'到'Charlie'的行，列为'Age'到'City'
  df.loc['Alice':'Charlie', 'Age':'City']
  

• 使用布尔条件选择行和列

  # 选择年龄大于等于30的行，所有列
  df.loc[df['Age'] >= 30, :]
  
  # 选择年龄大于等于30的行，列为'Name'和'Age'
  df.loc[df['Age'] >= 30, ['Name', 'Age']]
  

• 使用可调用函数选择行和列

  # 定义一个函数，选择名字长度大于5的行，所有列
  def name_length(row):
      return len(row['Name']) > 5
      
  df.loc[name_length, :]
  

抽样：pandas.DataFrame.sample

【很详细的一篇博客！】Pandas数据清洗系列：DataFrame.sample方法详解

DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)

• n：要抽样的行数。
• frac：要抽样的行百分比。
• replace：是否允许重复抽样，默认为False。
• weights：每行的抽样权重，可以是一个列名或值的Series。
• random_state：用于确定随机种子的整数或RandomState对象，以确保可重复的随机抽样。
• axis：0表示抽样行，1表示抽样列。

# 从DataFrame中随机选择3行
df.sample(n=3)

# 从DataFrame中随机选择20%的行
df.sample(frac=0.2)

# 从DataFrame中选取3行，并允许重复抽样
df.sample(n=3, replace=True)

# 为每行设置不同的抽样权重，并从DataFrame中随机选择1行
weights = pd.Series([0.1, 0.3, 0.6], index=df.index)
df.sample(n=1, weights=weights)

---

删除缺失数据：dropha

Pandas删除缺失数据函数–dropna
DataFrame.dropna(axis=0, how='any', inplace=False)

• ​​axis​：指定删除的轴，​axis=0​表示删除包含缺失值的行（默认），​axis=1​表示删除包含缺失值的列。
• ​​ how​：指定删除的条件，默认为’any’，表示如果有任何一个元素为空，则删除该行或列；如果设置为’all’，则要求整行或整列都为空时才删除。
• inplace​：指定是否在原地更改DataFrame，默认为 ​False​，表示创建一个新的DataFrame返回，不影响原始DataFrame。

添加元素：append

Python 列表 append()函数使用详解

DataFrame.append(other, ignore_index=False, verify_integrity=False)

• other​：要追加的对象，可以是DataFrame、Series、字典（由Series组成）等。
• ignore_index​：是否忽略索引，默认为 ​False​。如果设置为 ​True​，则添加行时会生成新的连续整数索引。
• ​verify_integrity​：是否验证DataFrame中的索引，并引发异常，默认为 ​False​。如果设置为 ​True​，并且追加操作会导致索引冲突，则会引发异常。

groupby和匿名函数

python——当groupby遇到匿名函数
DataFrame.groupby(by=None, axis=0, level=None, as_index=True)

• by​：指定用于分组的列或多个列，可以是列名、列标签列表或字典等。
• axis​：指定分组的轴，默认为0，表示按行进行分组；设置为1则按列进行分组。
• level​：对于具有多层级索引的数据，通过指定 ​level​可以按指定层级的索引进行分组，默认为 ​None​。
• ​​as_index​：指定是否将分组的列作为新索引，默认为 ​True​，即将分组的列作为索引；设置为 ​False​则不进行该操作。

---

grouped_data = df.groupby('category')['price'].apply(lambda x: x.mean())

• 首先使用 ​groupby(‘category’)​对DataFrame ​df​ 按’category’列进行分组。
• 对分组后的每个组使用 ​apply()​函数，将匿名函数应用于’price’列上。
• 用匿名函数 ​lambda x: x.mean()​计算每个组中’price’列的均值。
• 最终，得到一个包含每个分类的平均价格的Series对象。

---

• reset_index(drop=True, inplace=True)​是对DataFrame对象进行操作的一个方法。它的主要作用是重置索引并将索引设置为连续的整数，并可选择是否在原地更改DataFrame。

• 由于某些操作（例如分组、筛选、采样等）可能会导致DataFrame的索引出现乱序或不连续的情况，​reset_index()​可以帮助我们重新构建索引，确保其按照连续的整数值排列。

• 假设有以下DataFrame

     index   A    B
  0      0   1  4.0
  1      2   2  5.0
  2      3   3  6.0
  

• 执行后为

     A    B
  0  1  4.0
  1  2  5.0
  2  3  6.0
  

案例

• 过滤条件为：
  • from_level = “一般节点”
  • traffic !=0

---

• 加权采样：to_level的值为一般节点与网络核心的权重之比为 1 : 5

• 分层采样：根据to_level的值进行分层采样

• 随机采样，以上各采样50条

  import pandas as pd
  
  # 读取数据集
  data = pd.read_csv('test.csv')
  
  # 删除空行（所有列均为空）
  data.dropna(how='all', inplace=True)
  
  # 数据过滤，只保留了'from_level'列值为"一般节点"且'traffic'列值不等于0的行
  filtered_df = data.loc[(data['from_level'] == "一般节点") & (data['traffic'] != 0)]
  filtered_df.to_csv('filtered_data.csv', index=False, encoding='utf-8')
  
  # 加权采样，一般节点被赋予1的权重，网络核心被赋予5的权重
  weighted_ratios = {'一般节点': 1, '网络核心': 5}
  sample_data = pd.DataFrame()
  for level, ratio in weighted_ratios.items():
      level_data = data[data['to_level'] == level]
      level_sample = level_data.sample(int(50 * ratio / sum(weighted_ratios.values())), random_state=42)
      sample_data = sample_data.append(level_sample)
  sample_data.to_csv('weighted_sample.csv', index=False, encoding='utf-8')
  
  # 分层采样，采样数量根据每个分组的数量与整个数据集的比例计算得出
  stratified_sample = data.groupby('to_level').apply(lambda x: x.sample(n=round(50*len(x)/len(data)), replace=False, random_state=42))
  stratified_sample.reset_index(drop=True, inplace=True)
  stratified_sample.to_csv('stratified_sample.csv', index=False, encoding='utf-8')
  
  # 随机采样
  random_sample = data.sample(n=50, replace=False, random_state=42)
  random_sample.to_csv('random_sample.csv', index=False, encoding='utf-8')