基于python的大数据分析基本知识

1. 数据科学领域中常用的python库

Numpy库：数据运算的基础库，运行效率高(底层C语言，高效index)

Scipy库：实现了常用的科学计算方法(线性代数，傅里叶变换，信号和图像处理)

Pandas库：分析数据的利器，高级数据结构(Series，DataFrame)

Matplotlib库：绘图功能(散点，曲线，柱形)

2. Anaconda的使用说明

介绍：著名的python数据科学平台，开源，跨平台。包含有流行的python和R的包。

下载地址：https://www.anaconda.com/download/

Jupyter notebook基本使用：

新建一个文件：new
执行代码：Shift + Enter
模式切换：code 和 markdown
查看函数帮助信息： shift + tab
以%开头的为魔法函数：%matplotlib inline

 3. Numpy库介绍

3.1 预备知识

数组与矩阵：数组可以是N维的，而矩阵是二维的数组。

向量：1 * N 或 N * 1 的矩阵

标量：1 * 1 的矩阵

3.2 定义数组

import numpy as np
list_1 = [1,2,3,4,5]
array_1 = np.array(list_1)
print(array_1)

import numpy as np
list_1 = [1, 2, 3, 4]
list_2 = [5, 6, 7, 8]
array_2 = np.array([list_1, list_2])
print(array_2)

# arange函数类似于python的range函数      
import numpy as np
array_3 = np.arange(1, 10, 2)    
print(array_3)

import numpy as np
array_4_1 = np.zeros(5)       # 定义一维全零数组
print(array_4_1)
array_4_2 = np.zeros([2,3])   # 定义二维全零数组，两行三列
print(array_4_2)

import numpy as np
array_5 = np.eye(5)       # 定义单位数组： 5*5
print(array_5)

import numpy as np
array_6 = np.random.randn(10)
print(array_6)

import numpy as np
array_7_1 = np.random.randint(10, size=10)      # 一维数组: 每个元素都是0-9中的一个数，size表示1行10列
print(array_7_1)
array_7_2 = np.random.randint(10, size=(2,3))   # 二维数组: 每个元素都是0-9中的一个数，size表示2行3列
print(array_7_2)
array_7_3 = np.random.randint(10, size=20).reshape(4,5)      # 二维数组，每个元素都是0-9中的一个数,size表示1行20列,通过reshape函数进行再次切分
print(array_7_3)

3.3 操作数组

import numpy as np
array_1 = np.random.randint(10, size=20).reshape(4,5)

# 数组的属性
print(array_1.shape)     # 数组行列信息：(4, 5)
print(array_1.size)      # 数组总数量：20
print(array_1.dtype)     # 元素数据类型, 如果存在多种类型，则取精度最高的那个

# 数组的访问--操作与切片类似
print(array_1)
print(array_1[0][1])     # 行选0，列选1
print(array_1[0,1])      # 行选0，列选1
print(array_1[:2,1:3])   # 行选0和1，列选1和2

# 数组的常用函数
print(np.unique(array_1))
print(np.sum(array_1))           # 返回所有数组元素的和
print(np.sum(array_1[0]))        # 返回某一行的和
print(np.sum(array_1[:,0]))      # 返回某一列的和
print(array_1.max())             # 返回元素中的最大值
print(array_1[0].max())          # 返回某一行中的最大值
print(array_1[:,0].min())        # 返回某一列中的最小值

3.4 矩阵相关

import numpy as np
m = np.mat([[1,2,3, 4],[5,6,7,8]])
print(m)

import numpy as np
a = np.random.randint(10, size=20).reshape(4,5)   # 定义一个二维数组
m = np.mat(a)
print(m)

import numpy as np
A = np.mat(np.random.randint(10, size=20).reshape(4,5))
B = np.mat(np.random.randint(10, size=20).reshape(5,4))
print(A * B)     # 注意：A*B 其中[A矩阵的行]和[B矩阵的列]需要一样，否则会报错

 4. Pandas库介绍

pandas库主要功能是进行数据的分析和处理，它有两个重要的数据结构：Series 和 DataFrame

4.1 关于数据处理过程中的NaN数据

1. np.nan 其数据类型为float
2. 特点：任何数据跟NaN进行运算，都是NaN
3. 删除带有NaN的行或列
    s.dropna()
    df.dropna(axis=1)，其中how参数：any(有nan就删)还是all(全是nan才删)，thresh参数：可以设置nan的阈值
4. 其他与nan有关的函数
    s.isnull()，s.notnull()，df.isnull()，df.notnull()
    df.fillna(value=1)   # nan值全部填充为1
    df.fillna(value=(0:0,1:1))  # 0列nan填充0,1列nan填充1

4.2 数据结构Series

Series 类似于 Numpy 中的 array

4.2.1 定义Series

import numpy as np
import pandas as pd

# 通过list
s1 = pd.Series([1,2,3,4,5], index=['a','b','c','d','e'])
print(s1)

# 通过array
s2 = pd.Series(np.arange(10))
print(s2)

# 通过dict, 其中dict的key为index
s3 = pd.Series({"a":1,"b":2,"c":3,})
print(s3)

s.index
s.name
s.index.name
s.values

4.2.2 Series基本操作

import pandas as pd

s2 = pd.Series([1,2,3,4,5], index=['a','b','c','d','e'])

print(s2["b"])         # 访问元素：根据索引
print(s2[s2<3])      # 访问元素：给定值范围

print(s2.to_dict())   # 将 Series 转为 dict

index_new = ["A","B","C","D","E","F"]
s3 = pd.Series(s2, index=index_new)    # 改变Series的索引

s2.drop('a')            # 删除一个元素

# Series的排序
s2.sort_index()      #  Series依据index排序
s2.sort_values()    #  Series依据values排序

4.3 数据结构DataFrame

4.3.1 DataFrame基本知识

DataFrame对象中的某一列，返回的是一个Series对象

import numpy as np
import pandas as pd
from pandas import Series, DataFrame

# 方式1：csv --> DataFrame
df1 = pd.read_csv("filePath_csv")

# 方式2：Series --> DataFrame
df2 = DataFrame([s1, s2], index=["a","b"])

# 方式3：dict --> DataFrame
df3 = DataFrame({})

df.shape                    # 查看df的行数和列数
df.columns                 # 查看df的列名
df.head()                   # 查看df的某几行数据
df[['列名1','列名2']]     # 查看df的某些列数据, 也可以用 df.列名 的方法
df.T                          # 对df进行转置

### 过滤功能
# 对原有的DataFrame过滤掉某些列，得到一个新的DataFrame  相当于删除某些列
df_new = DataFrame(df, columns=['第一列', '第三列'])    # 如果columns中填写的列在df中不存在，那么该列的value均为NaN
# 表示行取10-19，列取0-1
df.iloc[10:20,0:2]     
# 表示行取10-11，列取从第一个到列名为[列名1]的列
df.loc[10:11,:'列名1']

### 修改value
# 给column中一整列全部value重新赋值
df_new['第N列'] = list | numpy | pandas
# 给column中某一个或几个元素赋值
df_new['第十八列'] = pd.Series([100, 200], index=[1, 2])

### 删除操作
# 删除指定一行
df.drop('A',axis=0)
# 删除指定一列
df.drop('c1',axis=1)

### 添加操作
# 方式1：直接新增一列
df["GDP"] = Series([111,222,333])  # 注意此方式有缺点，如果df的index不是默认值，新增时也需要指定
# 方式2：直接新增一列
df["GDP"] = df["城市"].map(gdp_map_dict)   # 使用map的优点，不需要关注index的情况

4.3.2 DataFrame相关高级操作

4.3.2.1 运用到DataFrame中的高级函数

# apply可以对一列或一行数据进行处理
# apply可以传入一个函数，这个函数对某一行或某一列进行操作
# apply也可以实现将一列分成多列

# 通过去重进行数据清洗
df.drop_duplicates(['Seqno'], keep='last')
思路：先看某一列不重复的数据有多少：len(df[''].unique())，再通过duplicated判断元素是否重复

# 已知一个[按天采样]的Series，求其[按月采样]或[按时采样]
t_range = pd.date_range('2016-01-01', '2016-12-31')
s_day = Series(np.random.randn(len(t_range)), index=t_range)
# 按月采样
s_month = s_day.resample('M').mean()
# 按时采样
s_hour = s_day.resample('H').ffill()

# 数据分箱技术binning    
score_list = np.random.randint(25, 100, size=20)
bins = [0, 59, 70, 80, 100]      # 定义区间范围点
score_cat = pd.cut(score_list, bins)  # 对score_list做分箱操作
pd.value_counts(score_cat)   # 做统计呈现    

df = DataFrame()
df['score'] = score_list
df['student'] = [pd.util.testing.rands(3) for i in range(20)]

# 给df添加区间
df['categories'] = pd.cut(df['score'], bins, labels=['r1','r2','r3','r4'])
# 注意labels的数量应该等于bins的数量减1
print(df)

# 数据聚合技术Aggregation
基本使用：df.agg("func_name")
其中func_name可以是内置的函数，也可以是自定义函数
内置的如：
    mean,min,max,describe
自定义的如：
    def func1(attr): return attr.max() - attr.min()
    df.agg("func1")    

df = DataFrame([[1,2,3],[1,3,9],[7,3,9]], columns=["A","B","C"])
dfgb_one = df.groupby(df['A'])
# 按A列分组，求其他列的平均值
dfgb_one.mean()
# 按A列分组，求B列的平均值
dfgb_one['B'].mean()

4.3.2.2 DataFrame的排序

df = DataFrame(np.arange(40).reshape(8,5))

# 以A列进行排序，降序方式
df.sort_values('A',ascending=False)

# 以index进行排序
df.sort_index()

4.3.2.3 重命名DataFrame的index

df.index = df.index.map(str.lower)                       # map函数可以自己定义，也可以使用python的内置函数
df.rename(index=str.lower, columns=str.lower)
df.rename(index={'A':'a'}, columns={'BJ':'bj'})    # 传入字典，字典中内容为修改的内容

4.3.2.4 DataFrame的merge操作

合并两个df：pd.merge
合并规则：找列名相同，value值相同
    on参数默认为None，用来指定用哪一列进行merge
    how参数默认为inner，用来指定merge策略。可选取值：left, right, inner，outer

4.3.2.4 DataFrame的多级index

1. 创建1个二级index的Series
2. 如何访问具有二级index的Series
3. 多级index的Series与DataFrame的相互转换
4. 创建1个具有多级index和多级columns的DataFrame

5. Pandas库中Series和DataFrame的关系

1. DataFrame 的每一列为一个 Series

    DataFrame的每一行为一个 tuple。df.iterrows() 返回一个generator，遍历generator，每个元素为一个tuple，每个tuple有两个元素：index, Series。

2. Series是一维数据结构。index 创建series时可以指定，values array类型。

    DataFrame是二维数据结构。包含有index，columns，values。

3. Series转为字典：{k1:v1,k2:v2}

    DataFrame转为字典：{k1:{k11:v11,k12:v12}}

6. 使用pandas过程中的问题记录

1. 当用read_csv读取文件时，若某一列原本有整数和NaN数据，那么读取内容后此列中所有的整数都会变为浮点数。因为NaN数据属于浮点数。

2. 查看某一列中有多少个NaN的方法：.isnull().sum()

3. 统计某列或者某行数据元素的个数.value_counts()

4. 去除df中所有包含NaN的行：df.dropna()

5. 按条件删除某些行：df.drop(df[(df.score < 50) & (df.score > 20)].index)

    其中可以使用操作符： | 只需其中一个成立，& 同时成立，~ 表示取反

6. 对列中每个元素做统一操作：df['column_name'].map(len)。其中len也可以是自定义函数

7. 针对某一列取值的唯一性，定义一些必要的映射关系：dict{ zip(df.column_name.unique(), {"a1", "a2", "a3"}) }