数据分析---《Python for Data Analysis》学习笔记【01】

《Python for Data Analysis》一书由Wes Mckinney所著，中文译名是《利用Python进行数据分析》。这里记录一下学习过程，其中有些方法和书中不同，是按自己比较熟悉的方式实现的。

第一个实例：1.usa.gov data from bit.ly

简介：2011年，URL缩短服务bit.ly和美国政府网站usa.gov合作，提供了一份从生成.gov或.mil短链接用户那里收集来的匿名数据

数据下载地址：https://github.com/wesm/pydata-book/blob/2nd-edition/datasets/bitly_usagov/example.txt

准备工作：导入pandas和matplotlib，因为需要读取JSON格式的文件，因此这里还需要导入json模块

import pandas as pd
import json
import matplotlib.pyplot as plt
fig,ax=plt.subplots()

首先，读取文件： （读取example文件后，file为由字符串组成的列表，然后我们再用json模块将file转换成JSON格式）

with open (r"...\example.txt") as f:
    file=f.readlines()

records=[json.loads(line) for line in file]

注：

json.load()是用来读取文件的

json.loads()是用来读取字符串的

看一下records的前5项：

[{'a': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.78 Safari/535.11', 'c': 'US', 'nk': 1, 'tz': 'America/New_York', 'gr': 'MA', 'g': 'A6qOVH', 'h': 'wfLQtf', 'l': 'orofrog', 'al': 'en-US,en;q=0.8', 'hh': '1.usa.gov', 'r': 'http://www.facebook.com/l/7AQEFzjSi/1.usa.gov/wfLQtf', 'u': 'http://www.ncbi.nlm.nih.gov/pubmed/22415991', 't': 1331923247, 'hc': 1331822918, 'cy': 'Danvers', 'll': [42.576698, -70.954903]}, {'a': 'GoogleMaps/RochesterNY', 'c': 'US', 'nk': 0, 'tz': 'America/Denver', 'gr': 'UT', 'g': 'mwszkS', 'h': 'mwszkS', 'l': 'bitly', 'hh': 'j.mp', 'r': 'http://www.AwareMap.com/', 'u': 'http://www.monroecounty.gov/etc/911/rss.php', 't': 1331923249, 'hc': 1308262393, 'cy': 'Provo', 'll': [40.218102, -111.613297]}, {'a': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; InfoPath.3)', 'c': 'US', 'nk': 1, 'tz': 'America/New_York', 'gr': 'DC', 'g': 'xxr3Qb', 'h': 'xxr3Qb', 'l': 'bitly', 'al': 'en-US', 'hh': '1.usa.gov', 'r': 'http://t.co/03elZC4Q', 'u': 'http://boxer.senate.gov/en/press/releases/031612.cfm', 't': 1331923250, 'hc': 1331919941, 'cy': 'Washington', 'll': [38.9007, -77.043098]}, {'a': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_6_8) AppleWebKit/534.52.7 (KHTML, like Gecko) Version/5.1.2 Safari/534.52.7', 'c': 'BR', 'nk': 0, 'tz': 'America/Sao_Paulo', 'gr': '', 'g': 'zCaLwp', 'h': 'zUtuOu', 'l': 'alelex88', 'al': 'pt-br', 'hh': '1.usa.gov', 'r': 'direct', 'u': 'http://apod.nasa.gov/apod/ap120312.html', 't': 1331923249, 'hc': 1331923068, 'cy': 'Braz', 'll': [-23.549999, -46.616699]}, {'a': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.79 Safari/535.11', 'c': 'US', 'nk': 0, 'tz': 'America/New_York', 'gr': 'MA', 'g': '9b6kNl', 'h': '9b6kNl', 'l': 'bitly', 'al': 'en-US,en;q=0.8', 'hh': 'bit.ly', 'r': 'http://www.shrewsbury-ma.gov/selco/', 'u': 'http://www.shrewsbury-ma.gov/egov/gallery/134127368672998.png', 't': 1331923251, 'hc': 1273672411, 'cy': 'Shrewsbury', 'll': [42.286499, -71.714699]}]

可以看到，records是由字典组成的列表，字典由key和value组成。每一个用户信息是一个字典，每一个字典的key代表一个特征，比如说tz就是时间区域。

接下来把records转换成pandas的DataFrame格式：

data=pd.DataFrame(records)

来看一下data的前5行：

   _heartbeat_                                                  a  \
0          NaN  Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKi...
1          NaN                             GoogleMaps/RochesterNY
2          NaN  Mozilla/4.0 (compatible; MSIE 8.0; Windows NT ...
3          NaN  Mozilla/5.0 (Macintosh; Intel Mac OS X 10_6_8)...
4          NaN  Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKi...   

               al   c          cy       g  gr       h            hc  \
0  en-US,en;q=0.8  US     Danvers  A6qOVH  MA  wfLQtf  1.331823e+09
1             NaN  US       Provo  mwszkS  UT  mwszkS  1.308262e+09
2           en-US  US  Washington  xxr3Qb  DC  xxr3Qb  1.331920e+09
3           pt-br  BR        Braz  zCaLwp  27  zUtuOu  1.331923e+09
4  en-US,en;q=0.8  US  Shrewsbury  9b6kNl  MA  9b6kNl  1.273672e+09   

          hh   kw         l                        ll   nk  \
0  1.usa.gov  NaN   orofrog   [42.576698, -70.954903]  1.0
1       j.mp  NaN     bitly  [40.218102, -111.613297]  0.0
2  1.usa.gov  NaN     bitly     [38.9007, -77.043098]  1.0
3  1.usa.gov  NaN  alelex88  [-23.549999, -46.616699]  0.0
4     bit.ly  NaN     bitly   [42.286499, -71.714699]  0.0   

                                                   r             t  \
0  http://www.facebook.com/l/7AQEFzjSi/1.usa.gov/...  1.331923e+09
1                           http://www.AwareMap.com/  1.331923e+09
2                               http://t.co/03elZC4Q  1.331923e+09
3                                             direct  1.331923e+09
4                http://www.shrewsbury-ma.gov/selco/  1.331923e+09   

                  tz                                                  u
0   America/New_York        http://www.ncbi.nlm.nih.gov/pubmed/22415991
1     America/Denver        http://www.monroecounty.gov/etc/911/rss.php
2   America/New_York  http://boxer.senate.gov/en/press/releases/0316...
3  America/Sao_Paulo            http://apod.nasa.gov/apod/ap120312.html
4   America/New_York  http://www.shrewsbury-ma.gov/egov/gallery/1341...  

每一个用户是一行，每一个特征为一列。

假如我们想知道哪个地区的用户最多，该怎么做呢？

思路：提取tz（时间区域）这一列（当然不要忘了去除NA值和空值），然后用计数函数统计每个时间区域的数量。

time_zone=data['tz']  #提取tz列
time_zone_data=time_zone[time_zone!='']  #去除空值
time_zone_data=time_zone_data.dropna()  #再去除无效值

time_zone_counts=time_zone_data.value_counts()  #计数

让我们看一下前10位的时间区域：

America/New_York       1251
America/Chicago         400
America/Los_Angeles     382
America/Denver          191
Europe/London            74
Asia/Tokyo               37
Pacific/Honolulu         36
Europe/Madrid            35
America/Sao_Paulo        33
Europe/Berlin            28
Name: tz, dtype: int64

可以看到，美国纽约的用户最多，美国芝加哥其次。。。

用图画出来：

ax.barh(range(10), time_zone_counts[:10])
ax.set_yticks(range(10))
ax.set_yticklabels(time_zone_counts[:10].index.values)

让我们再来看一下data文件，可以看到，a这一列包含用户使用的浏览器、计算机系统等信息。同理，我们也可以把用户使用哪种浏览器最多统计出来。

首先，提取a这一列，清洗数据，由于浏览器数据是a这一列的其中一部分，因此把提取出的a这一列信息分隔开，提取其首项数据，也就是浏览器数据，然后用计数函数统计每个浏览器的数量。

browser=data['a'].dropna()
browser_data=pd.Series([i.split()[0] for i in browser])

browser_counts=browser_data.value_counts()

来看一下前10位的浏览器：

Mozilla/5.0                 2594
Mozilla/4.0                  601
GoogleMaps/RochesterNY       121
Opera/9.80                    34
TEST_INTERNET_AGENT           24
GoogleProducer                21
Mozilla/6.0                    5
BlackBerry8520/5.0.0.681       4
Dalvik/1.4.0                   3
BlackBerry8520/5.0.0.592       3
dtype: int64

上面说到，a这一列还包含有用户的计算机系统信息，如果我们想知道使用Windows系统和不使用Windows系统的用户分别是多少（按时区划分），该如何做呢？

首先，对数据进行清洗，提取a和tz列的有效值和非空值：

data=data[data['a'].notnull()]  #提取a列有效值
data=data[data['tz'].notnull()]  #提取tz列有效值
data=data[data['tz']!='']  #提取tz列非空值

然后，用numpy的where函数来对数据进行分类：

import numpy as np
data["operating_system"]=np.where(data['a'].str.contains("Windows"),"Windows","Not Windows")  #如果a这一列包含有Windows字样，则用户使用Windows系统

现在再来看一下data数据的前5行：

   _heartbeat_                                                  a  \
0          NaN  Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKi...
1          NaN                             GoogleMaps/RochesterNY
2          NaN  Mozilla/4.0 (compatible; MSIE 8.0; Windows NT ...
3          NaN  Mozilla/5.0 (Macintosh; Intel Mac OS X 10_6_8)...
4          NaN  Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKi...   

               al   c          cy       g  gr       h            hc  \
0  en-US,en;q=0.8  US     Danvers  A6qOVH  MA  wfLQtf  1.331823e+09
1             NaN  US       Provo  mwszkS  UT  mwszkS  1.308262e+09
2           en-US  US  Washington  xxr3Qb  DC  xxr3Qb  1.331920e+09
3           pt-br  BR        Braz  zCaLwp  27  zUtuOu  1.331923e+09
4  en-US,en;q=0.8  US  Shrewsbury  9b6kNl  MA  9b6kNl  1.273672e+09   

          hh   kw         l                        ll   nk  \
0  1.usa.gov  NaN   orofrog   [42.576698, -70.954903]  1.0
1       j.mp  NaN     bitly  [40.218102, -111.613297]  0.0
2  1.usa.gov  NaN     bitly     [38.9007, -77.043098]  1.0
3  1.usa.gov  NaN  alelex88  [-23.549999, -46.616699]  0.0
4     bit.ly  NaN     bitly   [42.286499, -71.714699]  0.0   

                                                   r             t  \
0  http://www.facebook.com/l/7AQEFzjSi/1.usa.gov/...  1.331923e+09
1                           http://www.AwareMap.com/  1.331923e+09
2                               http://t.co/03elZC4Q  1.331923e+09
3                                             direct  1.331923e+09
4                http://www.shrewsbury-ma.gov/selco/  1.331923e+09   

                  tz                                                  u  \
0   America/New_York        http://www.ncbi.nlm.nih.gov/pubmed/22415991
1     America/Denver        http://www.monroecounty.gov/etc/911/rss.php
2   America/New_York  http://boxer.senate.gov/en/press/releases/0316...
3  America/Sao_Paulo            http://apod.nasa.gov/apod/ap120312.html
4   America/New_York  http://www.shrewsbury-ma.gov/egov/gallery/1341...   

  operating_system
0          Windows
1      Not Windows
2          Windows
3      Not Windows
4          Windows

可以看到，已经出现了对应的操作系统这一列。

接下来，我们需要对数据进行分组： （按a列和operating_system列分组，对operating_system列计数）

by_tz_os=data.groupby(["tz","operating_system"])["operating_system"].count()

让我们来看一下by_tz_os的前10行：

tz                              operating_system
Africa/Cairo                    Windows             3
Africa/Casablanca               Windows             1
Africa/Ceuta                    Windows             2
Africa/Johannesburg             Windows             1
Africa/Lusaka                   Windows             1
America/Anchorage               Not Windows         4
                                Windows             1
America/Argentina/Buenos_Aires  Not Windows         1
America/Argentina/Cordoba       Windows             1
America/Argentina/Mendoza       Windows             1

这里已经列出了各个时区使用Windows系统的人数和不使用Windows系统的人数。但是这个格式不是我们想要的，我们想要Windows和Not Windows变成单独的两列。

因此，我们把by_tz_os展开，并把缺失值变为0：

tz_os_counts=by_tz_os.unstack().fillna(0)

现在tz_os_counts已经成为了我们想要的格式：

operating_system                Not Windows  Windows
tz
Africa/Cairo                            0.0      3.0
Africa/Casablanca                       0.0      1.0
Africa/Ceuta                            0.0      2.0
Africa/Johannesburg                     0.0      1.0
Africa/Lusaka                           0.0      1.0
America/Anchorage                       4.0      1.0
America/Argentina/Buenos_Aires          1.0      0.0
America/Argentina/Cordoba               0.0      1.0
America/Argentina/Mendoza               0.0      1.0
America/Bogota                          1.0      2.0

接下来，我们对tz_os_counts进行排序（把使用Windows系统和不使用Windows系统人数最多的时区放在最前面）：

tz_os_counts.sort_values(by=['Windows','Not Windows'], inplace=True, ascending=False)

排序完成：

operating_system     Not Windows  Windows
tz
America/New_York           339.0    912.0
America/Chicago            115.0    285.0
America/Los_Angeles        130.0    252.0
America/Denver             132.0     59.0
Pacific/Honolulu             0.0     36.0
Asia/Tokyo                   2.0     35.0
Europe/London               43.0     31.0
America/Sao_Paulo           13.0     20.0
Europe/Madrid               16.0     19.0
Europe/Berlin                9.0     19.0

用堆积条形图画出来：

ax.barh(range(10), tz_os_counts["Not Windows"][:10]+tz_os_counts["Windows"][:10], label="Not Windows")
ax.barh(range(10), tz_os_counts["Windows"][:10], label="Windows")
ax.set_yticks(range(10))
ax.set_yticklabels(tz_os_counts[:10].index.values)
ax.legend()

plt.show()

把图变成百分比形式：

ax.barh(range(10), (tz_os_counts["Not Windows"][:10]+tz_os_counts["Windows"][:10])/(tz_os_counts["Not Windows"][:10]+tz_os_counts["Windows"][:10]), label="Not Windows")
ax.barh(range(10), (tz_os_counts["Windows"][:10])/(tz_os_counts["Not Windows"][:10]+tz_os_counts["Windows"][:10]), label="Windows")
ax.set_yticks(range(10))
ax.set_yticklabels(tz_os_counts[:10].index.values)
ax.set_xlim(0,1)
ax.legend()

plt.show()