Pandas系列之入门篇

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

1.pandas 利用豆瓣源，速度快

pip install pandas numpy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

2.pytables

pip install tables

3.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

1.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)

2.数据清洗

"""
    data clean
"""
# remove null data
df_flux.dropna(inplace=True)

# remove duplicates
df_flux.drop_duplicates(inplace=True)

1. 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')

1. 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)

1. 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！