Pandas系列之入门篇
简介
pandas 是 python用来数据清洗、分析的包,可以使用类sql的语法方便的进行数据关联、查询,属于内存计算范畴,
效率远远高于硬盘计算的数据库存储。另外pandas还提供了大数据存储的API——HDFStore,来对接HDF5。
安装
pandas 利用豆瓣源,速度快
pip install pandas numpy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pytables
pip install tables
hdf5
Download: https://www.hdfgroup.org/downloads/hdf5/source-code/./configure make make check make install
使用案例
上网流量数据:源数据以CSV文件实时生成,通过监听文件的方式做到一旦有新的CSV生成就进入数据处理流程。
总的流程大致分5部,分别是:读取CSV、数据清洗、数据分析、数据统计、存储HDF5。
关于下面用到的一些字段的解释说明:
user: 用户
tm_type: 终端类型
serv: 一级app分类
app: 二级app分类
record_time: 记录产生的时间
up_flux: 上行流量
down_flux: 下行流量
pandas api document: https://pandas.pydata.org/pandas-docs/stable/api.html?highlight=hdfstore
读取CSV
filename_src = ‘xxx.csv‘ col_list = [‘user‘, ‘tm_type‘, ‘serv‘, ‘app‘, ‘record_time‘, ‘up_flux‘, ‘down_flux‘] # \x01表示空格 16进制 df_flux = pd.read_csv(filename_src, sep=‘\x01‘, error_bad_lines=False, index_col=False, usecols=[3, 10, 11, 12, 15, 16, 17], names=col_list)
数据清洗
""" data clean """ # remove null data df_flux.dropna(inplace=True) # remove duplicates df_flux.drop_duplicates(inplace=True)
数据分析
""" data analysis inner join v_student_net(inner join) refer column: user """ conn = mysqldb.connect(host, user, passwd, database, charset=‘utf8‘) cur = conn.cursor() sql = ‘select outid, username from v_student_net‘ cur.execute(sql) results = cur.fetchall() df_student_net = pd.DataFrame(list(results), columns=[‘outid‘, ‘user‘]) # inner join df_flux, v_student_net df_flux = pd.merge(df_flux, df_student_net, on=‘user‘)
数据统计
""" data statistics group by: record_date, outid, serv, app aggregate by: up_flux, down_flux sort by: down_flux with desc """ # as_index=False,default True grouped = df_flux.groupby([‘record_date‘, ‘outid‘, ‘serv‘, ‘app‘], as_index=False) df_flux = grouped.agg({‘up_flux‘: ‘sum‘, ‘down_flux‘: ‘sum‘}).sort_values(‘down_flux‘, ascending=False)
存储HDF5
""" store in hdf5 """ hdf5_filepath = ‘xxx.h5‘ store = pd.HDFStore(hdf5_filepath, complevel=1, complib=‘bzip2‘) store.put(‘flux‘, df_flux, format=‘table‘, append=True, data_columns=True)
总结
从上面的例子可以看到,pandas处理数据是相当的简洁明了,存储hdf5更是两句话就搞定。当然这里面会有相当多注意的细节,稍有不慎就会导致意想不到的结果,我将会在下一篇介绍。
要学好pandas,api文档必须要精通!