python文本數(shù)據(jù)處理學(xué)習(xí)筆記詳解

更新時間：2019年06月17日 11:55:32 作者：菜雞的自我拯救

這篇文章主要為大家詳細(xì)介紹了python文本數(shù)據(jù)處理學(xué)習(xí)筆記，具有一定的參考價值，感興趣的小伙伴們可以參考一下

最近越發(fā)感覺到限制我對Python運用、以及讀懂別人代碼的地方，大多是在于對數(shù)據(jù)的處理能力。

其實編程本質(zhì)上就是數(shù)據(jù)處理，怎么把文本數(shù)據(jù)、圖像數(shù)據(jù)，通過python讀入、切分等，變成一個N維矩陣，然后再帶入別人的模型，bingo~跑出來一個結(jié)果。結(jié)果當(dāng)然也是一個矩陣或向量的形式。

所以說，之所以對很多模型、代碼束手無策，其實還是沒有掌握好數(shù)據(jù)處理的“屠龍寶刀”，無法對海量數(shù)據(jù)進(jìn)行“庖丁解?！卑愕奶幚怼Ｒ虼?，我想以一個別人代碼中的一段為例，仔細(xì)琢磨文本數(shù)據(jù)處理的精妙之處，爭取能夠加深對這方面的運用與理解。

1）問題描述

數(shù)據(jù)：某個區(qū)域181天內(nèi)的訪客數(shù)據(jù)，格式如下，第一列代表訪客的名稱，第二列代表這位訪客在181天內(nèi)到達(dá)這片區(qū)域的時刻：

目的：將訪客數(shù)據(jù)進(jìn)行統(tǒng)計，并時間離散化，按照天 /周/小時處理為72624的三維矩陣。
也就是說，矩陣中的每一個值，代表該區(qū)域周X、第幾周、幾點的到訪人數(shù)，如
[1,5,19]=100,代表第5周的周一晚上7點的人數(shù)為100。

2）難點

當(dāng)然是對我的難點。

2.1）怎么按行統(tǒng)計

2.2）怎么進(jìn)行時間離散化（存為天、周、時刻的矩陣）

3）代碼

import time
import numpy as np
import sys
import datetime
import pandas as pd
import os
#用字典查詢代替類型轉(zhuǎn)換，可以減少一部分計算時間
date2position = {}
datestr2dateint = {}
str2int = {}
for i in range(182):
 date = datetime.date(day=1, month=10, year=2018)+datetime.timedelta(days=i)
 #print(i,":",date)
 date_int = int(date.__str__().replace("-", ""))
 date2position[date_int] = [i%7, i//7]
 datestr2dateint[str(date_int)] = date_int
#print(datestr2dateint)
#
for i in range(24):
 str2int[str(i).zfill(2)] = i
f=open("D:\BaiDuBigData19-URFC-master\\UrbanRegionFunctionClassification-master\data\\train_visit\\000000_008.txt")
#table = pd.read_csv(f, header=None,error_bad_lines=False)
table = pd.read_csv(f, header=None,sep='\t')

#print(table.shape)
#print(table.ix[1])
strings = table[1]
#print(strings)
init = np.zeros((7, 26, 24))
for string in strings:
 temp = []
 for item in string.split(','):
 temp.append([item[0:8], item[9:].split("|")])
 for date, visit_lst in temp:
 # x - 第幾周
 # y - 第幾天
 # z - 幾點鐘
 # value - 到訪的總?cè)藬?shù)
 # print(visit_lst)
 print(date)
 x, y = date2position[datestr2dateint[date]]
 for visit in visit_lst: # 統(tǒng)計到訪的總?cè)藬?shù)
  init[x][y][str2int[visit]] += 1
 #print(init[x][y][str2int[visit]])```

3.1）創(chuàng)建字典，時間離散化，節(jié)省時間

此處創(chuàng)建了三個字典，讓我們看一下代碼實現(xiàn)以及打印結(jié)果：

date2position = {}
datestr2dateint = {}
str2int = {}
for i in range(182):
 date = datetime.date(day=1, month=10, year=2018)+datetime.timedelta(days=i)
 #print(i,":",date)
 date_int = int(date.__str__().replace("-", ""))
 date2position[date_int] = [i%7, i//7]
 datestr2dateint[str(date_int)] = date_int
for i in range(24):
 str2int[str(i).zfill(2)] = i

打印一下 date2position：

打印一下 datestr2dateint：

打印str2int：

可以看出，datestr2dateint是將str的日期，轉(zhuǎn)換為了int的日期。
而date2position 才是計算出的每一個具體的日期，代表了第幾周、第幾天。
str2int代表了一天中的24個時刻。

3.2）讀取文件，按行獲取字符串

注意到文本的分隔符為\t（區(qū)分用戶名與到訪信息的分割），于是采用

f=open("D:\BaiDuBigData19-URFC-master\\UrbanRegionFunctionClassification-master\data\\train_visit\\000000_008.txt")
#table = pd.read_csv(f, header=None,error_bad_lines=False)
table = pd.read_csv(f, header=None,sep='\t')

然后用strings讀取到訪信息，也就是table的第二列：

strings = table[1]

3.3）切分字符串

首先，strings為：

可以看到每一行string,為一個用戶的到訪記錄，循環(huán)讀取。其中，不同日期的到訪是用“，”隔開，故要使用：

for string in strings:
 temp = []
 for item in string.split(','):

item就可以分開每一個日期的到訪記錄了：

其后，使用temp列表，每一行存儲日期和時刻。
如第一個item為 20181221&09|10|11|12|13|14|15
日期為 item[0:8],
時刻之間使用分隔符“|”隔開，故可以通過item[9:].split("|")得到。

temp.append([item[0:8], item[9:].split("|")])

打印一下temp為：

所以需要用兩個數(shù)據(jù)分別存儲日期，以及時刻。
首先用來轉(zhuǎn)換成周、天、時刻的72624矩陣（根據(jù)前面的轉(zhuǎn)換函數(shù)）
其后根據(jù)這個矩陣，統(tǒng)計每一個位置的訪客數(shù)量

for date, visit_lst in temp:
 # x - 第幾周
 # y - 第幾天
 # z - 幾點鐘
 # value - 到訪的總?cè)藬?shù)
 # print(visit_lst)
 #print(date)
 x, y = date2position[datestr2dateint[date]]
 for visit in visit_lst: # 統(tǒng)計到訪的總?cè)藬?shù)
  init[x][y][str2int[visit]] += 1

這一段代碼很短，但著實是整個時間離散化實現(xiàn)的精髓所在。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: