《Python For Data Analysis》学习笔记-1

Posted 2020-09-22

在引言章节里，介绍了MovieLens 1M数据集的处理示例。书中介绍该数据集来自GroupLens Research（http://www.groupLens.org/node/73）,该地址会直接跳转到https://grouplens.org/datasets/movielens/，这里面提供了来自MovieLens网站的各种评估数据集，可以下载相应的压缩包，我们需要的MovieLens 1M数据集也在里面。

下载解压后的文件夹如下：

这三个dat表都会在示例中用到，但是我所阅读的《Python For Data Analysis》中文版（PDF）是2014年第一版的，里面所有示例都是基于Python 2.7和pandas 0.8.2所写的，而我安装的是Python 3.5.2与pandas 0.20.2，里面的一些函数与方法会有较大的不同，有些是新版本中参数改变了，而有些是新版本里弃用了某些旧版本的函数，这导致我运行按照书中示例代码时，会遇到一些Error和Warning。在测试MovieLens 1M数据集代码时，在和一样我的配置环境下，会遇到四次参数设置问题。

• 在将dat数据读入到pandas DataFrame对象中时，书中给出代码为： 

  users = pd.read_table(‘ml-1m/users.dat‘, sep=‘::‘, header=None, names=unames)
  
  rnames = [‘user_id‘, ‘movie_id‘, ‘rating‘, ‘timestamp‘]
  ratings = pd.read_table(‘ml-1m/ratings.dat‘, sep=‘::‘, header=None, names=rnames)
  
  mnames = [‘movie_id‘, ‘title‘, ‘genres‘]
  movies = pd.read_table(‘ml-1m/movies.dat‘, sep=‘::‘, header=None, names=mnames)

  直接运行会出现Warning:

  F:/python/HelloWorld/DataAnalysisByPython-1.py:4: ParserWarning: Falling back to the ‘python‘ engine because the ‘c‘ engine does not support regex separators (separators > 1 char and different from ‘\\s+‘ are interpreted as regex); you can avoid this warning by specifying engine=‘python‘.
    users = pd.read_table(‘ml-1m/users.dat‘, sep=‘::‘, header=None, names=unames)
  F:/python/HelloWorld/DataAnalysisByPython-1.py:7: ParserWarning: Falling back to the ‘python‘ engine because the ‘c‘ engine does not support regex separators (separators > 1 char and different from ‘\\s+‘ are interpreted as regex); you can avoid this warning by specifying engine=‘python‘.
    ratings = pd.read_table(‘ml-1m/ratings.dat‘, sep=‘::‘, header=None, names=rnames)
  F:/python/HelloWorld/DataAnalysisByPython-1.py:10: ParserWarning: Falling back to the ‘python‘ engine because the ‘c‘ engine does not support regex separators (separators > 1 char and different from ‘\\s+‘ are interpreted as regex); you can avoid this warning by specifying engine=‘python‘.
    movies = pd.read_table(‘ml-1m/movies.dat‘, sep=‘::‘, header=None, names=mnames)

  虽然也能运行，但是作为完美强迫症的我还是想要解决这个Warning。这个警告是说因为‘C‘引擎不支持，只能退回到‘Python‘引擎，而刚好pandas.read_table方法里有个engine参数，用来设置使用哪种解析引擎，有‘C‘和‘Python‘这两个选项。既然‘C‘引擎不支持，我们只需把engine设为‘Python‘就可以了。

  users = pd.read_table(‘ml-1m/users.dat‘, sep=‘::‘, header=None, names=unames, engine = ‘python‘)
  
  rnames = [‘user_id‘, ‘movie_id‘, ‘rating‘, ‘timestamp‘]
  ratings = pd.read_table(‘ml-1m/ratings.dat‘, sep=‘::‘, header=None, names=rnames, engine = ‘python‘)
  
  mnames = [‘movie_id‘, ‘title‘, ‘genres‘]
  movies = pd.read_table(‘ml-1m/movies.dat‘, sep=‘::‘, header=None, names=mnames, engine = ‘python‘)

   

• 使用pivot_table方法来对聚合后的数据按性别计算每部电影的平均得分，书中给出的代码为：

  mean_ratings = data.pivot_table(‘rating‘, rows=‘title‘, cols=‘gender‘, aggfunc=‘mean‘)

   直接运行会报错，这段代码无法运行：

  Traceback (most recent call last):
    File "F:/python/HelloWorld/DataAnalysisByPython-1.py", line 19, in <module>
      mean_ratings = data.pivot_table(‘rating‘, rows=‘title‘, cols=‘gender‘, aggfunc=‘mean‘)
  TypeError: pivot_table() got an unexpected keyword argument ‘rows‘

  TypeError说明这里的‘rows‘参数并不是方法里可用的关键字参数，这是这么回事呢？去官网上查了下pandas的API使用文档（http://pandas.pydata.org/pandas-docs/stable/api.html），发现是因为0.20.2版的pandas.pivot_table里关键字参数变了，为了实现同样效果，只需把rows换成index就可以了，同时也没有cols参数，要用columns来代替。

  mean_ratings = data.pivot_table(‘rating‘, index=‘title‘, columns=‘gender‘, aggfunc=‘mean‘)

   

• 为了了解女性观众最喜欢的电影，使用DataFrame的方法对F列进行降序排序，书中的示例代码为：

  top_female_ratings = mean_ratings.sort_index(by=‘F‘, ascending=False)

  这里也只是给出一个Warning，并不会干扰程序进行：

  F:/python/HelloWorld/DataAnalysisByPython-1.py:32: FutureWarning: by argument to sort_index is deprecated, pls use .sort_values(by=...)
    top_female_ratings = mean_ratings.sort_index(by=‘F‘, ascending=False)

  这里是说进行排序的sort_index方法在将来语言或者库中可能发生改变，建议改为使用sort_values。在API使用文档中，对pandas.DataFrame.sort_index的描述为“Sort object by labels (along an axis)”，而对pandas.DataFrame.sort_values的描述为“Sort by the values along either axis”，两者能达到同样效果，那我就直接替换成sort_values就可以了。在后面的“计算评分分歧”中也会用到sort_index，也可以替换成sort_values。

  top_female_ratings = mean_ratings.sort_values(by=‘F‘, ascending=False)

   

• 最后一个错误还是和排序有关。在“计算评分分歧”中计算得分数据的标准差之后，根据过滤后的值对Series进行降序排序，书中的代码为：

  print(rating_std_by_title.order(ascending=False)[:10])

  这里的错误是：

  Traceback (most recent call last):
    File "F:/python/HelloWorld/DataAnalysisByPython-1.py", line 47, in <module>
      print(rating_std_by_title.order(ascending=False)[:10])
    File "E:\\Program Files\\Python35\\lib\\site-packages\\pandas\\core\\generic.py", line 2970, in __getattr__
      return object.__getattribute__(self, name)
  AttributeError: ‘Series‘ object has no attribute ‘order‘

  居然已经没有这个order的方法了，只好去API文档中找替代的方法用。有两个，sort_index和sort_values，这和DataFrame中的方法一样，为了保险起见，我选择使用sort_values：

  print(rating_std_by_title.sort_values(ascending=False)[:10]

  得到的结果和数据展示的结果一样，可以放心使用。

第三方库不同版本间的差异还是挺明显的，建议是使用最新的版本，在使用时配合官网网站上的API使用文档，轻松解决各类问题~