基于python的大数据分析基本知识

Posted 后来者2012

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于python的大数据分析基本知识相关的知识,希望对你有一定的参考价值。

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:

技术图片
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
Jupyter notebook基本使用

 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

技术图片
import numpy as np
list_1 = [1,2,3,4,5]
array_1 = np.array(list_1)
print(array_1)
定义一维数组
技术图片
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)
定义二维数组
技术图片
# 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)
通过arange函数定义数组
技术图片
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)
定义全零数组
技术图片
import numpy as np
array_5 = np.eye(5)       # 定义单位数组: 5*5
print(array_5)
定义单位数组
技术图片
import numpy as np
array_6 = np.random.randn(10)
print(array_6)
通过randn定义数组
技术图片
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)
通过randint定义数组

3.3 操作数组

技术图片
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
数组操作

3.4 矩阵相关

技术图片
import numpy as np
m = np.mat([[1,2,3, 4],[5,6,7,8]])
print(m)
通过列表定义矩阵
技术图片
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)
通过二维数组定义矩阵
技术图片
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
矩阵的乘积运算

 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

技术图片
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
关于NaN的一些知识点

4.2 数据结构Series

Series 类似于 Numpy 中的 array

4.2.1 定义Series

技术图片
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)
创建Series:3种方式
技术图片
s.index
s.name
s.index.name
s.values
Series一些常见属性

4.2.2 Series基本操作

技术图片
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
Series基本操作

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

技术图片
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({})
创建DataFrame
技术图片
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
DataFrame的基本操作
技术图片
### 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
DataFrame的数据处理

4.3.2 DataFrame相关高级操作

4.3.2.1 运用到DataFrame中的高级函数

技术图片
# 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
apply函数
技术图片
# 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
drop_duplicates函数
技术图片
# 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()
resample函数
技术图片
# 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)
cut函数
技术图片
# 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")    
agg函数
技术图片
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()
groupby

4.3.2.2 DataFrame的排序

技术图片
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()
DataFrame的排序

4.3.2.3 重命名DataFrame的index

技术图片
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
重命名DataFrame的index

4.3.2.4 DataFrame的merge操作

技术图片
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
DataFrame的merge操作

4.3.2.4 DataFrame的多级index

技术图片
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
DataFrame的多级index

 

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"}) }

以上是关于基于python的大数据分析基本知识的主要内容,如果未能解决你的问题,请参考以下文章

图解大数据 | 基于Spark RDD的大数据处理分析

Python爬虫基本知识:啥是爬虫

python 用于数据探索的Python代码片段(例如,在数据科学项目中)

青云指南

python基础知识 05 python语言中的大整数

电商大数据项目-推荐系统实战