Python运用于数据分析的简单教程

这篇文章主要介绍了Python运用于数据分析的简单教程,主要介绍了如何运用Python来进行数据导入、变化、统计和假设检验等基本的数据分析,需要的朋友可以参考下

我这里来分享一下如何通过Python来开始数据分析。具体内容如下:

    数据导入

       
导入本地的或者web端的CSV文件;

    数据变换;

   
数据统计描述;

    假设检验

       
单样本t检验;

    可视化;

   
创建自定义函数。

数据导入

这是很关键的一步,为了后续的分析我们首先需要导入数据。通常来说,数据是CSV格式,就算不是,至少也可以转换成CSV格式。在Python中,我们的操作如下:

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)

为了读取本地CSV文件,我们需要pandas这个数据分析库中的相应模块。其中的read_csv函数能够读取本地和web数据。

数据变换

既然在工作空间有了数据,接下来就是数据变换。统计学家和科学家们通常会在这一步移除分析中的非必要数据。我们先看看数据:

# 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

对R语言程序员来说,上述操作等价于通过print(head(df))来打印数据的前6行,以及通过print(tail(df))来打印数据的后6行。当然Python中,默认打印是5行,而R则是6行。因此R的代码head(df,
n = 10),在Python中就是df.head(n = 10),打印数据尾部也是同样道理。

在R语言中,数据列和行的名字通过colnames和rownames来分别进行提取。在Python中,我们则使用columns和index属性来提取,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')

数据转置使用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

其他变换,例如排序就是用sort属性。现在我们提取特定的某列数据。Python中,可以使用iloc或者ix属性。但是我更喜欢用ix,因为它更稳定一些。假设我们需数据第一列的前5行,我们有:

print df.ix[:, 0].head()

 

# OUTPUT

0  1243

1  4158

2  1787

3 17152

4  1266

Name: Abra, dtype: int64

顺便提一下,Python的索引是从0开始而非1。为了取出从11到20行的前3列数据,我们有:

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

上述命令相当于df.ix[10:20, ['Abra', 'Apayao',
'Benguet']]。

为了舍弃数据中的列,这里是列1(Apayao)和列2(Benguet),我们使用drop属性,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
参数告诉函数到底舍弃列还是行。如果axis等于0,那么就舍弃行。

统计描述

下一步就是通过describe属性,对数据的统计特性进行描述:

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

假设检验

Python有一个很好的统计推断包。那就是scipy里面的stats。ttest_1samp实现了单样本t检验。因此,如果我们想检验数据Abra列的稻谷产量均值,通过零假设,这里我们假定总体稻谷产量均值为15000,我们有:

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)

返回下述值组成的元祖:

    t :
浮点或数组类型

    t统计量

    prob :
浮点或数组类型

    two-tailed
p-value 双侧概率值

通过上面的输出,看到p值是0.267远大于α等于0.05,因此没有充分的证据说平均稻谷产量不是150000。将这个检验应用到所有的变量,同样假设均值为15000,我们有:

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]))

第一个数组是t统计量,第二个数组则是相应的p值。

可视化

Python中有许多可视化模块,最流行的当属matpalotlib库。稍加提及,我们也可选择bokeh和seaborn模块。之前的博文中,我已经说明了matplotlib库中的盒须图模块功能。

 

# Import the module for plotting

import matplotlib.pyplot as plt

 plt.show(df.plot(kind = 'box'))



现在,我们可以用pandas模块中集成R的ggplot主题来美化图表。要使用ggplot,我们只需要在上述代码中多加一行,

import matplotlib.pyplot as plt

pd.options.display.mpl_style = 'default' # Sets the plotting
display theme to ggplot2

df.plot(kind = 'box')

这样我们就得到如下图表:

比matplotlib.pyplot主题简洁太多。但是在本博文中,我更愿意引入seaborn模块,该模块是一个统计数据可视化库。因此我们有:



# Import the seaborn library

import seaborn as sns

 # Do the boxplot

plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))



多性感的盒式图,继续往下看。



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))

创建自定义函数

Python中,我们使用def函数来实现一个自定义函数。例如,如果我们要定义一个两数相加的函数,如下即可:

def add_2int(x, y):

 return x y

 

print add_2int(2, 2)

 

# OUTPUT

顺便说一下,Python中的缩进是很重要的。通过缩进来定义函数作用域,就像在R语言中使用大括号{…}一样。这有一个我们之前博文的例子:

产生10个正态分布样本,其中u=3和o.

    基于95%的置信度,计算
x_bar 和 x_bar2 ;

    重复100次;
然后

   
计算出置信区间包含真实均值的百分比

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}

上述代码读起来很简单,但是循环的时候就很慢了。下面针对上述代码进行了改进,这多亏了Python专家。

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运用于数据分析的简单教程的更多相关文章

  1. Python爬虫与数据分析之进阶教程:文件操作、lambda表达式、递归、yield生成器

    专栏目录: Python爬虫与数据分析之python教学视频.python源码分享,python Python爬虫与数据分析之基础教程:Python的语法.字典.元组.列表 Python爬虫与数据分析 ...

  2. Python爬虫与数据分析之爬虫技能:urlib库、xpath选择器、正则表达式

    专栏目录: Python爬虫与数据分析之python教学视频.python源码分享,python Python爬虫与数据分析之基础教程:Python的语法.字典.元组.列表 Python爬虫与数据分析 ...

  3. Python爬虫与数据分析之模块:内置模块、开源模块、自定义模块

    专栏目录: Python爬虫与数据分析之python教学视频.python源码分享,python Python爬虫与数据分析之基础教程:Python的语法.字典.元组.列表 Python爬虫与数据分析 ...

  4. 【Python】正则表达式简单教程

    说明:本文主要是根据廖雪峰网站的正则表达式教程学习,并根据需要做了少许修改,此处记录下来以备后续查看. <Python正则表达式纯代码极简教程>链接:https://www.cnblogs ...

  5. python金融大数据分析PDF高清完整版免费下载|百度云盘|Python基础教程免费电子书

    点击获取提取码:7k4b 内容简介 唯一一本详细讲解使用Python分析处理金融大数据的专业图书:金融应用开发领域从业人员必读. Python凭借其简单.易读.可扩展性以及拥有巨大而活跃的科学计算社区 ...

  6. python迭代器与iter()函数实例教程

    python迭代器与iter()函数实例教程 发布时间:2014-07-16编辑:脚本学堂 本文介绍了python迭代器与iter()函数的用法,Python 的迭代无缝地支持序列对象,而且它还允许程 ...

  7. Python图像处理库:Pillow 初级教程

    Python图像处理库:Pillow 初级教程 2014-09-14 翻译 http://pillow.readthedocs.org/en/latest/handbook/tutorial.html ...

  8. Python金融大数据分析PDF

    Python金融大数据分析(高清版)PDF 百度网盘 链接:https://pan.baidu.com/s/1CF2NhbgpMroLhW2sTm7IJQ 提取码:clmt 复制这段内容后打开百度网盘 ...

  9. Python 零基础 快速入门 趣味教程 (咪博士 海龟绘图 turtle) 0. 准备工作

    一.关于 Python Python 是全球使用人数增长最快的编程语言!它易于入门.功能强大,从 Web 后端 到 数据分析.人工智能,到处都能看到 Python 的身影. Python 有两个主要的 ...

随机推荐

  1. MaxCompute问答整理之8月

    本文是基于对MaxCompute产品的学习进度,再结合开发者社区里面的一些问题,进而整理成文.希望对大家有所帮助. 问题一.通过数据源数据增量同步后,如何查看某一条数据具体被同步到MaxCompute ...

  2. 初识类(class&struct)及C/C++封装的差异

    初识类(class&struct) 面向对象三大特性:封装.继承和多态.其中不得不谈的就是类,通过类创建一个对象的过程叫实例化,实例化后使用对象可以调用类成员函数和成员变量,其中类成员函数称为 ...

  3. 大牛就别进来了.npm --save-dev --save 的区别

    --save-dev 是你开发时候依赖的东西,--save 是你发布之后还依赖的东西. 比如,你写 ES6 代码,如果你想编译成 ES5 发布那么 babel 就是devDependencies.如果 ...

  4. bootstrap面包屑在ie8下显示重叠,鼠标点击显示效果正常

    ie8下加载后的显示 点击之后的显示 主要是li标签宽度auto引起的,可以设置li标签的最小宽度 <ol class="breadcrumb"> <li id= ...

  5. 2019-7-29-Roslyn-使用-Target-替换占位符方式生成-nuget-打包

    title author date CreateTime categories Roslyn 使用 Target 替换占位符方式生成 nuget 打包 lindexi 2019-7-29 10:1:1 ...

  6. servlet接收request请求的json数据

    此次使用的是alibaba的fastjson:jar包为fastjson-1.2.7.jar 参考:https://www.qingtingip.com/h_229797.html 思路:由于此次接收 ...

  7. UVA11613 Acme Corproation

    UVA11613 Acme Corproation 生产销售计划 题目大意 A公司生产一种元素,给出该元素在未来M个月中每个月的单位售价,最大生产量,生产成本,最大销售量和最大存储时间,和每月存储代价 ...

  8. 嘴巴题1 LA2531 足球联赛

    LA2531 足球联赛 题目: 有n只队伍打比赛,给出每只队目前获胜和失败的场数,再给出两两队伍接下来的比赛场次,问你哪些队伍可能的冠军 (题面摘自http://blog.csdn.net/s_h_r ...

  9. php实现的支持断点续传的文件下载类

    通常来说,php支持断点续传,主要依靠HTTP协议中 header HTTP_RANGE实现. HTTP断点续传原理: Http头 Range.Content-Range()HTTP头中一般断点下载时 ...

  10. leetcode 321 Create Max Number

    leetcode 321 Create Max Number greedy的方法,由于有两个数组,我们很自然的想到从数组1中选i个数,数组2中选k-i个数,这样我们只需要遍历max(0, k-数组2长 ...