如何用python做数据分析

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（下图）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 namesprint df.columns # OUTPUTIndex([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object') # Extracting row names or the indexprint df.index # OUTPUTInt64Index([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 dataprint 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  Other transformations such as sort can be done using sort attribute. Now let's extract a specific column. In Python, we do it using either iloc or ix attributes, but ix is more robust and thus I prefer it. Assuming we want the head of the first column of the data, we have

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  Benguet10    981    1311     256011  27366   15093     303912   1100    1701     238213   7212   11001     108814   1048    1427     284715  25679   15661     294216   1055    2191     211917   5437    6461      73418   1029    1183     230219  23710   12222     259820   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  Kalinga0   1243    3300    105531   4158    8063    352572   1787    1074     45443  17152   19607    316874   1266    3315     8520axis 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。

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 meanprint ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000)# OUTPUT(-1.99586, 0.26276)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., -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

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 plottingimport 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 pltpd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2df.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 libraryimport seaborn as sns # Do the boxplotplt.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))

在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 + yprint add_2int(2, 2)# OUTPUT4

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，其中和基于95%的置信度，计算和 ;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 npimport scipy.stats as ssdef 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 npimport scipy.stats as ssdef 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}

完了，你学会了吗，慢慢学吧