小白也能看懂的Pandas实操演示教程(上)
- 2019 年 10 月 7 日
- 筆記
今天主要带大家来实操学习下Pandas，因为篇幅原因，分为了两部分，本篇为上。
1 数据结构的简介
pandas中有两类非常重要的数据结构，就是序列Series和数据框DataFrame.Series类似于NumPy中的一维数组，可以使用一维数组的可用函数和方法，而且还可以通过索引标签的方式获取数据，还具有索引的自动对齐功能；DataFrame类似于numpy中的二维数组，同样可以使用numpy数组的函数和方法，还具有一些其它灵活的使用。
1.1 Series的创建 三种方法
通过一维数组创建序列m
import pandas as pd import numpy as np arr1=np.arange(10) print("数组arr1：",arr1) print("arr1的数据类型：",type(arr1)) s1=pd.Series(arr1) print("序列s1: ",s1) print("s1的数据类型：",type(s1))
数组arr1： [0 1 2 3 4 5 6 7 8 9] arr1的数据类型： <class 'numpy.ndarray'> 序列s1: 0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 dtype: int32 s1的数据类型： <class 'pandas.core.series.Series'>
通过字典的方式创建序列
dict1={'a':1,'b':2,'c':3,'d':4,'e':5} print("字典dict1：",dict1) print("dict1的数据类型：",type(dict1)) s2=pd.Series(dict1) print("序列s2：",s2) print("s2的数据类型：",type(s2))
字典dict1： {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5} dict1的数据类型： <class 'dict'> 序列s2：a 1 b 2 c 3 d 4 e 5 dtype: int64 s2的数据类型： <class 'pandas.core.series.Series'>
通过已有DataFrame创建
由于涉及到了DataFrame的概念，所以等后面介绍了DataFrame之后补充下如何通过已有的DataFrame来创建Series。
1.2 DataFrame的创建 三种方法
通过二维数组创建数据框
print("第一种方法创建DataFrame") arr2=np.array(np.arange(12)).reshape(4,3) print("数组2：",arr2) print("数组2的类型",type(arr2)) df1=pd.DataFrame(arr2) print("数据框1： ",df1) print("数据框1的类型：",type(df1))
第一种方法创建DataFrame 数组2： [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]] 数组2的类型 <class 'numpy.ndarray'> 数据框1： 0 1 2 0 0 1 2 1 3 4 5 2 6 7 8 3 9 10 11 数据框1的类型： <class 'pandas.core.frame.DataFrame'>
通过字典列表的方式创建数据框
print("第二种方法创建DataFrame") dict2={'a':[1,2,3,4],'b':[5,6,7,8],'c':[9,10,11,12],'d':[13,14,15,16]} print("字典2-字典列表：",dict2) print("字典2的类型",type(dict2)) df2=pd.DataFrame(dict2) print("数据框2： ",df2) print("数据框2的类型：",type(df2))
第二种方法创建DataFrame 字典2-字典列表： {'a': [1, 2, 3, 4], 'b': [5, 6, 7, 8], 'c': [9, 10, 11, 12], 'd': [13, 14, 15, 16]} 字典2的类型 <class 'dict'> 数据框2： a b c d 0 1 5 9 13 1 2 6 10 14 2 3 7 11 15 3 4 8 12 16 数据框2的类型： <class 'pandas.core.frame.DataFrame'>
通过嵌套字典的方式创建数据框
dict3={'one':{'a':1,'b':2,'c':3,'d':4}, 'two':{'a':5,'b':6,'c':7,'d':8}, 'three':{'a':9,'b':10,'c':11,'d':12}} print("字典3-嵌套字典：",dict3) print("字典3的类型",type(dict3)) df3=pd.DataFrame(dict3) print("数据框3： ",df3) print("数据框3的类型：",type(df3))
字典3-嵌套字典： {'one': {'a': 1, 'b': 2, 'c': 3, 'd': 4}, 'two': {'a': 5, 'b': 6, 'c': 7, 'd': 8}, 'three': {'a': 9, 'b': 10, 'c': 11, 'd': 12}} 字典3的类型 <class 'dict'> 数据框3： one three two a 1 9 5 b 2 10 6 c 3 11 7 d 4 12 8 数据框3的类型： <class 'pandas.core.frame.DataFrame'>
有了DataFrame之后，这里补充下如何通过DataFrame来创建Series。
s3=df3['one'] #直接拿出数据框3中第一列 print("序列3： ",s3) print("序列3的类型：",type(s3)) print("------------------------------------------------") s4=df3.iloc[0] #df3['a'] #直接拿出数据框3中第一行--iloc print("序列4： ",s4) print("序列4的类型：",type(s4))
序列3： a 1 b 2 c 3 d 4 Name: one, dtype: int64 序列3的类型： <class 'pandas.core.series.Series'> ------------------------------------------------ 序列4： one 1 three 9 two 5 Name: a, dtype: int64 序列4的类型： <class 'pandas.core.series.Series'>
2 数据索引index
无论数据框还是序列，最左侧始终有一个非原始数据对象，这个就是接下来要介绍的数据索引。通过索引获取目标数据，对数据进行一系列的操作。
2.1 通过索引值或索引标签获取数据
s5=pd.Series(np.array([1,2,3,4,5,6])) print(s5) #如果不给序列一个指定索引值，序列会自动生成一个从0开始的自增索引
0 1 1 2 2 3 3 4 4 5 5 6 dtype: int32
通过index属性获取序列的索引值
s5.index
RangeIndex(start=0, stop=6, step=1)
为index重新赋值
s5.index=['a','b','c','d','e','f'] s5
a 1 b 2 c 3 d 4 e 5 f 6 dtype: int32
通过索引获取数据
s5[3]
4
s5['e']
5
s5[[1,3,5]]
b 2 d 4 f 6 dtype: int32
s5[:4]
a 1 b 2 c 3 d 4 dtype: int32
s5['c':]
c 3 d 4 e 5 f 6 dtype: int32
s5['b':'e'] #通过索引标签获取数据，末端标签的数据也是返回的，
b 2 c 3 d 4 e 5 dtype: int32
2.2 自动化对齐
#当对两个 s6=pd.Series(np.array([10,15,20,30,55,80]),index=['a','b','c','d','e','f']) print("序列6：",s6) s7=pd.Series(np.array([12,11,13,15,14,16]),index=['a','c','g','b','d','f']) print("序列7：",s7) print(s6+s7) #s6中不存在g索引，s7中不存在e索引，所以数据运算会产生两个缺失值NaN。 #可以注意到这里的算术运算自动实现了两个序列的自动对齐 #对于数据框的对齐，不仅是行索引的自动对齐，同时也会对列索引进行自动对齐，数据框相当于二维数组的推广 print(s6/s7)
序列6： a 10 b 15 c 20 d 30 e 55 f 80 dtype: int32 序列7： a 12 c 11 g 13 b 15 d 14 f 16 dtype: int32 a 22.0 b 30.0 c 31.0 d 44.0 e NaN f 96.0 g NaN dtype: float64 a 0.833333 b 1.000000 c 1.818182 d 2.142857 e NaN f 5.000000 g NaN dtype: float64
3 pandas查询数据
通过布尔索引有针对的选取原数据的子集，指定行，指定列等。
test_data=pd.read_csv('test_set.csv') # test_data.drop(['ID'],inplace=True,axis=1) test_data.head()
非数值值特征数值化
test_data['job'],jnum=pd.factorize(test_data['job']) test_data['job']=test_data['job']+1 test_data['marital'],jnum=pd.factorize(test_data['marital']) test_data['marital']=test_data['marital']+1 test_data['education'],jnum=pd.factorize(test_data['education']) test_data['education']=test_data['education']+1 test_data['default'],jnum=pd.factorize(test_data['default']) test_data['default']=test_data['default']+1 test_data['housing'],jnum=pd.factorize(test_data['housing']) test_data['housing']=test_data['housing']+1 test_data['loan'],jnum=pd.factorize(test_data['loan']) test_data['loan']=test_data['loan']+1 test_data['contact'],jnum=pd.factorize(test_data['contact']) test_data['contact']=test_data['contact']+1 test_data['month'],jnum=pd.factorize(test_data['month']) test_data['month']=test_data['month']+1 test_data['poutcome'],jnum=pd.factorize(test_data['poutcome']) test_data['poutcome']=test_data['poutcome']+1 test_data.head()
查询数据的前5行
test_data.head()
查询数据的末尾5行
test_data.tail()
查询指定的行
test_data.iloc[[0,2,4,5,7]]
查询指定的列
test_data[['age','job','marital']].head()
查询指定的行和列
test_data.loc[[0,2,4,5,7],['age','job','marital']]
查询年龄为51的信息
#通过布尔索引实现数据的自己查询 test_data[test_data['age']==51].head()
查询工作为5以上的年龄在51的信息
test_data[(test_data['age']==51) & (test_data['job']>=5)].head()
查询工作为5以上，年龄在51的人员，并且只选取指定列
#只选取housing,loan,contac和poutcome test_data[(test_data['age']==51) & (test_data['job']>=5)][['education','housing','loan','contact','poutcome']].head()
可以看到，当有多个条件的查询，需要在&或者|的两端的条件括起来
4 对DataFrames进行统计分析
Pandas为我们提供了很多描述性统计分析的指标函数，包括，总和，均值，最小值，最大值等。
a=np.random.normal(size=10) d1=pd.Series(2*a+3) d2=np.random.f(2,4,size=10) d3=np.random.randint(1,100,size=10) print(d1) print(d2) print(d3)
0 5.811077 1 2.963418 2 2.295078 3 0.279647 4 6.564293 5 1.146455 6 1.903623 7 1.157710 8 2.921304 9 2.397009 dtype: float64 [0.18147396 0.48218962 0.42565903 0.10258942 0.55299842 0.10859328 0.66923199 1.18542009 0.12053079 4.64172891] [33 17 71 45 33 83 68 41 69 23]
非空元素的计算
d1.count()
10
最小值
d1.min()
0.6149265534311872
最大值
d1.max()
6.217953512253818
最小值的位置
d1.idxmin()
8
最大值的位置
d1.idxmax()
1
10%分位数
d1.quantile(0.1)
1.4006153623854274
求和
d1.sum()
27.43961378467516
平均数
d1.mean()
2.743961378467515
中位数
d1.median()
2.3460435427041384
众数
d1.mode()
0 0.279647 1 1.146455 2 1.157710 3 1.903623 4 2.295078 5 2.397009 6 2.921304 7 2.963418 8 5.811077 9 6.564293 dtype: float64
方差
d1.var()
4.027871738323722
标准差
d1.std()
2.0069558386580715
平均绝对偏差
d1.mad()
1.456849211331346
偏度
d1.skew()
1.0457755613918738
峰度
d1.kurt()
0.39322767370407874
一次性输出多个描述性统计指标
d1.describe()
count 10.000000 mean 2.743961 std 2.006956 min 0.279647 25% 1.344189 50% 2.346044 75% 2.952890 max 6.564293 dtype: float64
#自定义一个函数，将这些统计描述指标全部汇总到一起 def stats(x): return pd.Series([x.count(),x.min(),x.idxmin(),x.quantile(.25),x.median(), x.quantile(.75),x.mean(),x.max(),x.idxmax(),x.mad(),x.var(),x.std(),x.skew(),x.kurt()], index=['Count','Min','Which_Min','Q1','Median','Q3','Mean','Max','Which_Max','Mad','Var','Std','Skew', 'Kurt'])
stats(d1)
Count 10.000000 Min 0.279647 Which_Min 3.000000 Q1 1.344189 Median 2.346044 Q3 2.952890 Mean 2.743961 Max 6.564293 Which_Max 4.000000 Mad 1.456849 Var 4.027872 Std 2.006956 Skew 1.045776 Kurt 0.393228 dtype: float64
对于数字型数据，它是直接统计一些数据性描述，观察这一系列数据的范围。大小、波动趋势，便于判断后续对数据采取哪类模型更合适。
#当实际工作中我们需要处理的是一系列的数值型数据框，可以使用apply函数将这个stats函数应用到数据框中的每一列 df=pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3']) #将之前创建的d1,d2,d3数据构建数据框 print(df.head()) df.apply(stats)
x1 x2 x3 0 5.811077 0.181474 33.0 1 2.963418 0.482190 17.0 2 2.295078 0.425659 71.0 3 0.279647 0.102589 45.0 4 6.564293 0.552998 33.0
以上很简单的创建了数值型数据的统计性描述，但对于离散型数据就不能使用该方法了。我们在统计离散变量的观测数、唯一值个数、众数水平及个数，只需要使用describe方法就可以实现这样的统计了。
train_data=pd.read_csv('train_set.csv') # test_data.drop(['ID'],inplace=True,axis=1) train_data.head()
train_data['job'].describe() #离散型数据的描述
count 25317 unique 12 top blue-collar freq 5456 Name: job, dtype: object
test_data['job'].describe() #数值型数据的描述
count 10852.000000 mean 5.593255 std 2.727318 min 1.000000 25% 3.000000 50% 6.000000 75% 8.000000 max 12.000000 Name: job, dtype: float64
除了以上简单的描述性统计之外，还提供了连续变量的相关系数（corr）和协方差（cov）的求解
df
df.corr() #相关系数的计算方法可以调用pearson方法、kendall方法、或者spearman方法，默认使用的是pearson方法
df.corr('spearman')
df.corr('pearson')
df.corr('kendall')
#如果只关注某一个变量与其余变量的相关系数的话，可以使用corrwith，如下方只关注x1与其余变量的相关系数 df.corrwith(df['x1'])
x1 1.000000 x2 -0.075466 x3 -0.393609 dtype: float64
#数值型变量间的协方差矩阵 df.cov()
OK，今天的pandas实操演示就到这里，剩下的内容我们下期见。
上期问题：
你是淘宝的数据分析师，现在需要你预估双十一的销量，你不能获得双十一当天和之前的所有数据。只能获得11月12日开始的数据，你应该如何预估？
答案解析：
因为是开放题，所以没有固定答案，大家的回答分为两类：
- 一类是通过后续双十一的销量，判断16年，缺点是需要等一年，优点是简单到不像话。
- 二类是通过11月12日之后的销量数据，往前预估，期间会考虑一些权重。缺点是双十一属于波峰，预估难度大，优点是可操作性好。
因为题目主要看的是分析思维，目的是找出可能的思路，所以有没有其他的方法呢？我们尝试把思维放开，因为销量能反应商品，有没有其他维度？
我们可能会想到：退换货率、和商品评价率。因为双十一的商品只能在12日后退换货和收货后评价，我们就能根据这两个指标平日的平均比率，以及双十一商品的后续退换和评价总数，预估卖出总量。退换货率肯定会虚高一些（毕竟双十一退货不少），那么商品评价率更准确。
还有其他方法么？当然有，比如会有不少人用蚂蚁花呗支付双十一，那么后续还款的比率能不能预估？
如果再将思路放开呢？虽然我不知道淘宝当天的数据，但是可以寻求外部数据，比如京东，京东的双十一销量是多少，是平时的多少倍，那么就用这个倍数去预估淘宝的。
整体的分析结构就分为：
外部数据：
- 京东等其他平台双十一销量
内部数据：
- 商品数据-商品评价率、退换货率、商品销量
- 支付数据-蚂蚁花呗支付比率等
