Python運用于數(shù)據(jù)分析的簡單教程
最近，Analysis with Programming加入了Planet Python。作為該網(wǎng)站的首批特約博客，我這里來分享一下如何通過Python來開始數(shù)據(jù)分析。具體內(nèi)容如下：
數(shù)據(jù)導(dǎo)入
導(dǎo)入本地的或者web端的CSV文件；
數(shù)據(jù)變換；
數(shù)據(jù)統(tǒng)計描述；
假設(shè)檢驗
單樣本t檢驗；
可視化；
創(chuàng)建自定義函數(shù)。
數(shù)據(jù)導(dǎo)入
這是很關(guān)鍵的一步，為了后續(xù)的分析我們首先需要導(dǎo)入數(shù)據(jù)。通常來說，數(shù)據(jù)是CSV格式，就算不是，至少也可以轉(zhuǎn)換成CSV格式。在Python中，我們的操作如下：
import pandas as pd
# Reading data locally
df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')
# Reading data from web
data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"
df = pd.read_csv(data_url)
為了讀取本地CSV文件，我們需要pandas這個數(shù)據(jù)分析庫中的相應(yīng)模塊。其中的read_csv函數(shù)能夠讀取本地和web數(shù)據(jù)。
數(shù)據(jù)變換
既然在工作空間有了數(shù)據(jù)，接下來就是數(shù)據(jù)變換。統(tǒng)計學(xué)家和科學(xué)家們通常會在這一步移除分析中的非必要數(shù)據(jù)。我們先看看數(shù)據(jù)：
# Head of the data print df.head() # OUTPUT Abra Apayao Benguet Ifugao Kalinga 0 1243 2934 148 3300 10553 1 4158 9235 4287 8063 35257 2 1787 1922 1955 1074 4544 3 17152 14501 3536 19607 31687 4 1266 2385 2530 3315 8520 # Tail of the data print df.tail() # OUTPUT Abra Apayao Benguet Ifugao Kalinga 74 2505 20878 3519 19737 16513 75 60303 40065 7062 19422 61808 76 6311 6756 3561 15910 23349 77 13345 38902 2583 11096 68663 78 2623 18264 3745 16787 16900
對R語言程序員來說，上述操作等價于通過print(head(df))來打印數(shù)據(jù)的前6行，以及通過print(tail(df))來打印數(shù)據(jù)的后6行。當(dāng)然Python中，默認(rèn)打印是5行，而R則是6行。因此R的代碼head(df, n = 10)，在Python中就是df.head(n = 10)，打印數(shù)據(jù)尾部也是同樣道理。
在R語言中，數(shù)據(jù)列和行的名字通過colnames和rownames來分別進(jìn)行提取。在Python中，我們則使用columns和index屬性來提取，如下：
# Extracting column names print df.columns # OUTPUT Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object') # Extracting row names or the index print df.index # OUTPUT Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78], dtype='int64')
數(shù)據(jù)轉(zhuǎn)置使用T方法，
# Transpose data print df.T # OUTPUT 0 1 2 3 4 5 6 7 8 9 Abra 1243 4158 1787 17152 1266 5576 927 21540 1039 5424 Apayao 2934 9235 1922 14501 2385 7452 1099 17038 1382 10588 Benguet 148 4287 1955 3536 2530 771 2796 2463 2592 1064 Ifugao 3300 8063 1074 19607 3315 13134 5134 14226 6842 13828 Kalinga 10553 35257 4544 31687 8520 28252 3106 36238 4973 40140 ... 69 70 71 72 73 74 75 76 77 Abra ... 12763 2470 59094 6209 13316 2505 60303 6311 13345 Apayao ... 37625 19532 35126 6335 38613 20878 40065 6756 38902 Benguet ... 2354 4045 5987 3530 2585 3519 7062 3561 2583 Ifugao ... 9838 17125 18940 15560 7746 19737 19422 15910 11096 Kalinga ... 65782 15279 52437 24385 66148 16513 61808 23349 68663 78 Abra 2623 Apayao 18264 Benguet 3745 Ifugao 16787 Kalinga 16900
其他變換，例如排序就是用sort屬性?，F(xiàn)在我們提取特定的某列數(shù)據(jù)。Python中，可以使用iloc或者ix屬性。但是我更喜歡用ix，因為它更穩(wěn)定一些。假設(shè)我們需數(shù)據(jù)第一列的前5行，我們有：
print df.ix[:, 0].head() # OUTPUT 0 1243 1 4158 2 1787 3 17152 4 1266 Name: Abra, dtype: int64
順便提一下，Python的索引是從0開始而非1。為了取出從11到20行的前3列數(shù)據(jù)，我們有：
print df.ix[10:20, 0:3] # OUTPUT Abra Apayao Benguet 10 981 1311 2560 11 27366 15093 3039 12 1100 1701 2382 13 7212 11001 1088 14 1048 1427 2847 15 25679 15661 2942 16 1055 2191 2119 17 5437 6461 734 18 1029 1183 2302 19 23710 12222 2598 20 1091 2343 2654
上述命令相當(dāng)于df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。
為了舍棄數(shù)據(jù)中的列，這里是列1(Apayao)和列2(Benguet)，我們使用drop屬性，如下：
print df.drop(df.columns[[1, 2]], axis = 1).head() # OUTPUT Abra Ifugao Kalinga 0 1243 3300 10553 1 4158 8063 35257 2 1787 1074 4544 3 17152 19607 31687 4 1266 3315 8520
axis 參數(shù)告訴函數(shù)到底舍棄列還是行。如果axis等于0，那么就舍棄行。
統(tǒng)計描述
下一步就是通過describe屬性，對數(shù)據(jù)的統(tǒng)計特性進(jìn)行描述：
print df.describe()
# OUTPUT
Abra Apayao Benguet Ifugao Kalinga
count 79.000000 79.000000 79.000000 79.000000 79.000000
mean 12874.379747 16860.645570 3237.392405 12414.620253 30446.417722
std 16746.466945 15448.153794 1588.536429 5034.282019 22245.707692
min 927.000000 401.000000 148.000000 1074.000000 2346.000000
25% 1524.000000 3435.500000 2328.000000 8205.000000 8601.500000
50% 5790.000000 10588.000000 3202.000000 13044.000000 24494.000000
75% 13330.500000 33289.000000 3918.500000 16099.500000 52510.500000
max 60303.000000 54625.000000 8813.000000 21031.000000 68663.000000
假設(shè)檢驗
Python有一個很好的統(tǒng)計推斷包。那就是scipy里面的stats。ttest_1samp實現(xiàn)了單樣本t檢驗。因此，如果我們想檢驗數(shù)據(jù)Abra列的稻谷產(chǎn)量均值，通過零假設(shè)，這里我們假定總體稻谷產(chǎn)量均值為15000，我們有：
from scipy import stats as ss # Perform one sample t-test using 1500 as the true mean print ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000) # OUTPUT (-1.1281738488299586, 0.26270472069109496)
返回下述值組成的元祖：
t : 浮點或數(shù)組類型
t統(tǒng)計量
prob : 浮點或數(shù)組類型
two-tailed p-value 雙側(cè)概率值
通過上面的輸出，看到p值是0.267遠(yuǎn)大于α等于0.05，因此沒有充分的證據(jù)說平均稻谷產(chǎn)量不是150000。將這個檢驗應(yīng)用到所有的變量，同樣假設(shè)均值為15000，我們有：
print ss.ttest_1samp(a = df, popmean = 15000) # OUTPUT (array([ -1.12817385, 1.07053437, -65.81425599, -4.564575 , 6.17156198]), array([ 2.62704721e-01, 2.87680340e-01, 4.15643528e-70, 1.83764399e-05, 2.82461897e-08]))
第一個數(shù)組是t統(tǒng)計量，第二個數(shù)組則是相應(yīng)的p值。
可視化
Python中有許多可視化模塊，最流行的當(dāng)屬matpalotlib庫。稍加提及，我們也可選擇bokeh和seaborn模塊。之前的博文中，我已經(jīng)說明了matplotlib庫中的盒須圖模塊功能。
# Import the module for plotting import matplotlib.pyplot as plt plt.show(df.plot(kind = 'box'))
現(xiàn)在，我們可以用pandas模塊中集成R的ggplot主題來美化圖表。要使用ggplot，我們只需要在上述代碼中多加一行，
import matplotlib.pyplot as plt pd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2 df.plot(kind = 'box')
這樣我們就得到如下圖表：
比matplotlib.pyplot主題簡潔太多。但是在本博文中，我更愿意引入seaborn模塊，該模塊是一個統(tǒng)計數(shù)據(jù)可視化庫。因此我們有：
# Import the seaborn library import seaborn as sns # Do the boxplot plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))
多性感的盒式圖，繼續(xù)往下看。
plt.show(sns.violinplot(df, widths = 0.5, color = "pastel"))
plt.show(sns.distplot(df.ix[:,2], rug = True, bins = 15))
with sns.axes_style("white"):
plt.show(sns.jointplot(df.ix[:,1], df.ix[:,2], kind = "kde"))
plt.show(sns.lmplot("Benguet", "Ifugao", df))
創(chuàng)建自定義函數(shù)
在Python中，我們使用def函數(shù)來實現(xiàn)一個自定義函數(shù)。例如，如果我們要定義一個兩數(shù)相加的函數(shù)，如下即可：
def add_2int(x, y): return x + y print add_2int(2, 2) # OUTPUT 4
順便說一下，Python中的縮進(jìn)是很重要的。通過縮進(jìn)來定義函數(shù)作用域，就像在R語言中使用大括號{…}一樣。這有一個我們之前博文的例子：
產(chǎn)生10個正態(tài)分布樣本，其中u=3和o.
基于95%的置信度，計算 x_bar 和 x_bar2 ;
重復(fù)100次; 然后
計算出置信區(qū)間包含真實均值的百分比
Python中，程序如下：
import numpy as np
import scipy.stats as ss
def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
m = np.zeros((rep, 4))
for i in range(rep):
norm = np.random.normal(loc = mu, scale = sigma, size = n)
xbar = np.mean(norm)
low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
if (mu > low) & (mu < up):
rem = 1
else:
rem = 0
m[i, :] = [xbar, low, up, rem]
inside = np.sum(m[:, 3])
per = inside / rep
desc = "There are " + str(inside) + " confidence intervals that contain "
"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
return {"Matrix": m, "Decision": desc}
上述代碼讀起來很簡單，但是循環(huán)的時候就很慢了。下面針對上述代碼進(jìn)行了改進(jìn)，這多虧了 Python專家。
import numpy as np
import scipy.stats as ss
def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))
xbar = norm.mean(1)
low = xbar - scaled_crit
up = xbar + scaled_crit
rem = (mu > low) & (mu < up)
m = np.c_[xbar, low, up, rem]
inside = np.sum(m[:, 3])
per = inside / rep
desc = "There are " + str(inside) + " confidence intervals that contain "
"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
return {"Matrix": m, "Decision": desc}
- Python數(shù)據(jù)分析matplotlib設(shè)置多個子圖的間距方法
- R語言 vs Python對比：數(shù)據(jù)分析哪家強？
- Python Pandas數(shù)據(jù)分析之iloc和loc的用法詳解
- Python數(shù)據(jù)分析Pandas?Dataframe排序操作
- 分享一下Python數(shù)據(jù)分析常用的8款工具
- 在MAC上搭建python數(shù)據(jù)分析開發(fā)環(huán)境
- Python數(shù)據(jù)分析:手把手教你用Pandas生成可視化圖表的教程
- PowerBI和Python關(guān)于數(shù)據(jù)分析的對比
- Python+pandas數(shù)據(jù)分析實踐總結(jié)
相關(guān)文章
今天小編就為大家分享一篇python 輸出所有大小寫字母的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-01-01
這篇文章主要介紹了python 裝飾器的一些理解，希望可以幫助大家更好的學(xué)習(xí)和使用python，感興趣的朋友可以了解下2020-08-08
Python中字符串String的基本內(nèi)置函數(shù)與過濾字符模塊函數(shù)的基本用法
這篇文章主要介紹了Python中字符串String的基本內(nèi)置函數(shù)與過濾字符模塊函數(shù)的基本用法 ，本文給大家介紹的非常詳細(xì)，具有一定的參考借鑒價值,需要的朋友可以參考下2019-05-05
如何基于Python + requests實現(xiàn)發(fā)送HTTP請求
這篇文章主要介紹了如何基于Python + requests實現(xiàn)發(fā)送HTTP請求,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-01-01
基于Python實現(xiàn)原創(chuàng)程序猿乘風(fēng)破浪小游戲
最近學(xué)習(xí)了一丁點Pygame技能，感覺有點上頭，一波操作創(chuàng)作“程序猿乘風(fēng)破浪”游戲一款，文中的示例代碼講解詳細(xì)，希望大家能夠喜歡2023-02-02
Python虛擬環(huán)境Virtualenv使用教程
這篇文章主要介紹了Python虛擬環(huán)境Virtualenv簡明教程,本文整合了兩篇關(guān)于Virtualenv的使用教程,相信大家有通過本文一定可以學(xué)會如何使用Virtualenv,需要的朋友可以參考下2015-05-05
python人工智能算法之人工神經(jīng)網(wǎng)絡(luò)
這篇文章主要為大家介紹了python人工智能算法之人工神經(jīng)網(wǎng)絡(luò)示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2023-03-03
在本篇文章里小編給大家分析了關(guān)于python比較流行的原因以及優(yōu)勢等，需要的朋友們可以參考下。2020-06-06
Python被遠(yuǎn)程主機強制關(guān)閉后自動重新運行進(jìn)程的示例
要實現(xiàn)Python程序在被遠(yuǎn)程主機強制關(guān)閉后能夠自動重新運行,我們可以采用幾種方法,但最直接且常用的方法之一是結(jié)合操作系統(tǒng)級的工具或腳本,這篇文章主要介紹了Python被遠(yuǎn)程主機強制關(guān)閉后怎么自動重新運行進(jìn)程,需要的朋友可以參考下2024-08-08
這篇文章主要為大家詳細(xì)介紹了python分割一個文本為多個文本，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-07-07