欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

【Python项目实战】Pandas:让你像写SQL一样做数据分析(一)

程序员文章站 2022-04-04 10:03:47
1. 引言 Pandas是一个开源的Python数据分析库。Pandas把结构化数据分为了三类: Series,1维序列,可视作为没有column名的、只有一个column的DataFrame; DataFrame,同Spark SQL中的DataFrame一样,其概念来自于R语言,为多column ......

1. 引言

pandas是一个开源的python数据分析库。pandas把结构化数据分为了三类:

  • series,1维序列,可视作为没有column名的、只有一个column的dataframe;

  • dataframe,同spark sql中的dataframe一样,其概念来自于r语言,为多column并schema化的2维结构化数据,可视作为series的容器(container);

  • panel,为3维的结构化数据,可视作为dataframe的容器;

dataframe较为常见,因此本文主要讨论内容将为dataframe。dataframe的生成可通过读取纯文本、json等数据来生成,亦可以通过python对象来生成:

import pandas as pd
import numpy as np


df = pd.dataframe({'total_bill': [16.99, 10.34, 23.68, 23.68, 24.59],
                   'tip': [1.01, 1.66, 3.50, 3.31, 3.61],
                   'sex': ['female', 'male', 'male', 'male', 'female']})

对于dataframe,我们可以看到其固有属性:

# data type of columns
print df.dtypes
# indexes
print df.index
# return pandas.index
print df.columns
# each row, return array[array]
print df.values
  • .index,为行索引

  • .columns,为列名称(label)

  • .dtype,为列数据类型

2. sql操作

官方doc给出了部分sql的pandas实现。在此基础上,本文给出了一些扩充说明。以下内容基于python 2.7 + pandas 0.18.1的版本。

select

sql中的select是根据列的名称来选取;pandas则更为灵活,不但可根据列名称选取,还可以根据列所在的position选取。相关函数如下:

  • loc,基于列label,可选取特定行(根据行index);

  • iloc,基于行/列的position;

print df.loc[1:3, ['total_bill', 'tip']]
print df.loc[1:3, 'tip': 'total_bill']
print df.iloc[1:3, [1, 2]]
print df.iloc[1:3, 1: 3]
  • at,根据指定行index及列label,快速定位dataframe的元素;

  • iat,与at类似,不同的是根据position来定位的;

print df.at[3, 'tip']
print df.iat[3, 1]
  • ix,为loc与iloc的混合体,既支持label也支持position;

print df.ix[1:3, [1, 2]]
print df.ix[1:3, ['total_bill', 'tip']]

此外,有更为简洁的行/列选取方式:

print df[1: 3]
print df[['total_bill', 'tip']]
# print df[1:2, ['total_bill', 'tip']]  # typeerror: unhashable type

where

pandas实现where filter,较为常用的办法为df[df[colunm] boolean expr],比如:

print df[df['sex'] == 'female']
print df[df['total_bill'] > 20]

# or
print df.query('total_bill > 20')

在where子句中常常会搭配and, or, in, not关键词,pandas中也有对应的实现:

# and
print df[(df['sex'] == 'female') & (df['total_bill'] > 20)]
# or
print df[(df['sex'] == 'female') | (df['total_bill'] > 20)]
# in
print df[df['total_bill'].isin([21.01, 23.68, 24.59])]
# not
print df[-(df['sex'] == 'male')]
print df[-df['total_bill'].isin([21.01, 23.68, 24.59])]
# string function
print df = df[(-df['app'].isin(sys_app)) & (-df.app.str.contains('^微信\d+$'))]

对where条件筛选后只有一行的dataframe取其中某一列的值,其两种实现方式如下:

total = df.loc[df['tip'] == 1.66, 'total_bill'].values[0]
total = df.get_value(df.loc[df['tip'] == 1.66].index.values[0], 'total_bill')

distinct

drop_duplicates根据某列对dataframe进行去重:

df.drop_duplicates(subset=['sex'], keep='first', inplace=true)

包含参数:

  • subset,为选定的列做distinct,默认为所有列;

  • keep,值选项{'first', 'last', false},保留重复元素中的第一个、最后一个,或全部删除;

  • inplace ,默认为false,返回一个新的dataframe;若为true,则返回去重后的原dataframe

group

group一般会配合合计函数(aggregate functions)使用,比如:count、avg等。pandas对合计函数的支持有限,有count和size函数实现sql的count:

print df.groupby('sex').size()
print df.groupby('sex').count()
print df.groupby('sex')['tip'].count()

对于多合计函数,

select sex, max(tip), sum(total_bill) as total
from tips_tb
group by sex;

实现在agg()中指定dict:

print df.groupby('sex').agg({'tip': np.max, 'total_bill': np.sum})

# count(distinct **)
print df.groupby('tip').agg({'sex': pd.series.nunique})

as

sql中使用as修改列的别名,pandas也支持这种修改:

# first implementation
df.columns = ['total', 'pit', 'xes']
# second implementation
df.rename(columns={'total_bill': 'total', 'tip': 'pit', 'sex': 'xes'}, inplace=true)

其中,第一种方法的修改是有问题的,因为其是按照列position逐一替换的。因此,我推荐第二种方法。

join

pandas中join的实现也有两种:

# 1.
df.join(df2, how='left'...)

# 2. 
pd.merge(df1, df2, how='left', left_on='app', right_on='app')

第一种方法是按dataframe的index进行join的,而第二种方法才是按on指定的列做join。pandas满足left、right、inner、full outer四种join方式。

order

pandas中支持多列order,并可以调整不同列的升序/降序,有更高的排序*度:

print df.sort_values(['total_bill', 'tip'], ascending=[false, true])

top

对于全局的top:

print df.nlargest(3, columns=['total_bill'])

对于分组top,mysql的实现(采用自join的方式):

select a.sex, a.tip
from tips_tb a
where (
    select count(*)
    from tips_tb b
    where b.sex = a.sex and b.tip > a.tip
) < 2
order by a.sex, a.tip desc;

pandas的等价实现,思路与上类似:

# 1.
df.assign(rn=df.sort_values(['total_bill'], ascending=false)
          .groupby('sex')
          .cumcount()+1)\
    .query('rn < 3')\
    .sort_values(['sex', 'rn'])
    
# 2.
df.assign(rn=df.groupby('sex')['total_bill']
          .rank(method='first', ascending=false)) \
    .query('rn < 3') \
    .sort_values(['sex', 'rn'])

replace

replace函数提供对dataframe全局修改,亦可通过where条件进行过滤修改(搭配loc):

# overall replace
df.replace(to_replace='female', value='sansa', inplace=true)

# dict replace
df.replace({'sex': {'female': 'sansa', 'male': 'leone'}}, inplace=true)

# replace on where condition 
df.loc[df.sex == 'male', 'sex'] = 'leone'

自定义

除了上述sql操作外,pandas提供对每列/每一元素做自定义操作,为此而设计以下三个函数:

  • map(func),为series的函数,dataframe不能直接调用,需取列后再调用;

  • apply(func),对dataframe中的某一行/列进行func操作;

  • applymap(func),为element-wise函数,对每一个元素做func操作

print df['tip'].map(lambda x: x - 1)
print df[['total_bill', 'tip']].apply(sum)
print df.applymap(lambda x: x.upper() if type(x) is str else x)

3. 实战

环比增长

现有两个月app的uv数据,要得到月uv环比增长;该操作等价于两个dataframe left join后按指定列做减操作:

def chain(current, last):
    df1 = pd.read_csv(current, names=['app', 'tag', 'uv'], sep='\t')
    df2 = pd.read_csv(last, names=['app', 'tag', 'uv'], sep='\t')
    df3 = pd.merge(df1, df2, how='left', on='app')
    df3['uv_y'] = df3['uv_y'].map(lambda x: 0.0 if pd.isnull(x) else x)
    df3['growth'] = df3['uv_x'] - df3['uv_y']
    return df3[['app', 'growth', 'uv_x', 'uv_y']].sort_values(by='growth', ascending=false)

差集

对于给定的列,一个dataframe过滤另一个dataframe该列的值;相当于集合的差集操作:

def difference(left, right, on):
    """
    difference of two dataframes
    :param left: left dataframe
    :param right: right dataframe
    :param on: join key
    :return: difference dataframe
    """
    df = pd.merge(left, right, how='left', on=on)
    left_columns = left.columns
    col_y = df.columns[left_columns.size]
    df = df[df[col_y].isnull()]
    df = df.ix[:, 0:left_columns.size]
    df.columns = left_columns
    return df