Python數據分析入門

原文：http://python.jobbole.com/81133/

本文由 伯樂在線 - Den 翻譯，toolate 校稿。未經許可，禁止轉載！
英文出處：alstatr.blogspot.ca。歡迎加入翻譯組。

最近，Analysis with Programming加入了Planet Python。做爲該網站的首批特約博客，我這裏來分享一下如何經過Python來開始數據分析。具體內容以下：

1. 數據導入
   • 導入本地的或者web端的CSV文件；
2. 數據變換；
3. 數據統計描述；
4. 假設檢驗
   • 單樣本t檢驗；
5. 可視化；
6. 建立自定義函數。

數據導入

這是很關鍵的一步，爲了後續的分析咱們首先須要導入數據。一般來講，數據是CSV格式，就算不是，至少也能夠轉換成CSV格式。在Python中，咱們的操做以下：

 

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8

import pandas as pd   # Reading data locally df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')   # Reading data from web data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv" df = pd.read_csv(data_url)

爲了讀取本地CSV文件，咱們須要pandas這個數據分析庫中的相應模塊。其中的read_csv函數可以讀取本地和web數據。

數據變換

既然在工做空間有了數據，接下來就是數據變換。統計學家和科學家們一般會在這一步移除分析中的非必要數據。咱們先看看數據：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# Head of the data print df.head()   # OUTPUT     Abra  Apayao  Benguet  Ifugao  Kalinga 0   1243    2934      148    3300    10553 1   4158    9235     4287    8063    35257 2   1787    1922     1955    1074     4544 3  17152   14501     3536   19607    31687 4   1266    2385     2530    3315     8520   # Tail of the data print df.tail()   # OUTPUT      Abra  Apayao  Benguet  Ifugao  Kalinga 74   2505   20878     3519   19737    16513 75  60303   40065     7062   19422    61808 76   6311    6756     3561   15910    23349 77  13345   38902     2583   11096    68663 78   2623   18264     3745   16787    16900

對R語言程序員來講，上述操做等價於經過print(head(df))來打印數據的前6行，以及經過print(tail(df))來打印數據的後6行。固然Python中，默認打印是5行，而R則是6行。所以R的代碼head(df, n = 10)，在Python中就是df.head(n = 10)，打印數據尾部也是一樣道理。

在R語言中，數據列和行的名字經過colnames和rownames來分別進行提取。在Python中，咱們則使用columns和index屬性來提取，以下：

 

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11

# Extracting column names print df.columns   # OUTPUT Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object')   # Extracting row names or the index print df.index   # OUTPUT Int64Index([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')

數據轉置使用T方法，

 

 

 

 

 

 

Python

 

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

# Transpose data print 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 <code>sort</code> attribute. Now let's extract a specific column. In Python, we do it using either <code>iloc</code> or <code>ix</code> attributes, but <code>ix</code> is more robust and thus I prefer it. Assuming we want the head of the first column of the data, we have

其餘變換，例如排序就是用sort屬性。如今咱們提取特定的某列數據。Python中，可使用iloc或者ix屬性。可是我更喜歡用ix，由於它更穩定一些。假設咱們需數據第一列的前5行，咱們有：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9

print df.ix[:, 0].head()   # OUTPUT 0     1243 1     4158 2     1787 3    17152 4     1266 Name: Abra, dtype: int64

順便提一下，Python的索引是從0開始而非1。爲了取出從11到20行的前3列數據，咱們有：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

print df.ix[10:20, 0:3]   # OUTPUT     Abra  Apayao  Benguet 10    981    1311     2560 11  27366   15093     3039 12   1100    1701     2382 13   7212   11001     1088 14   1048    1427     2847 15  25679   15661     2942 16   1055    2191     2119 17   5437    6461      734 18   1029    1183     2302 19  23710   12222     2598 20   1091    2343     2654

上述命令至關於df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。

爲了捨棄數據中的列，這裏是列1(Apayao)和列2(Benguet)，咱們使用drop屬性，以下：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9

print df.drop(df.columns[[1, 2]], axis = 1).head()   # OUTPUT     Abra  Ifugao  Kalinga 0   1243    3300    10553 1   4158    8063    35257 2   1787    1074     4544 3  17152   19607    31687 4   1266    3315     8520

axis 參數告訴函數到底捨棄列仍是行。若是axis等於0，那麼就捨棄行。

統計描述

下一步就是經過describe屬性，對數據的統計特性進行描述：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12

print df.describe()   # OUTPUT                Abra        Apayao      Benguet        Ifugao       Kalinga count     79.000000     79.000000    79.000000     79.000000     79.000000 mean   12874.379747  16860.645570  3237.392405  12414.620253  30446.417722 std    16746.466945  15448.153794  1588.536429   5034.282019  22245.707692 min      927.000000    401.000000   148.000000   1074.000000   2346.000000 25%     1524.000000   3435.500000  2328.000000   8205.000000   8601.500000 50%     5790.000000  10588.000000  3202.000000  13044.000000  24494.000000 75%    13330.500000  33289.000000  3918.500000  16099.500000  52510.500000 max    60303.000000  54625.000000  8813.000000  21031.000000  68663.000000

 

假設檢驗

Python有一個很好的統計推斷包。那就是scipy裏面的stats。ttest_1samp實現了單樣本t檢驗。所以，若是咱們想檢驗數據Abra列的稻穀產量均值，經過零假設，這裏咱們假定整體稻穀產量均值爲15000，咱們有：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7

from scipy import stats as ss   # Perform one sample t-test using 1500 as the true mean print ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000)   # OUTPUT (-1.1281738488299586, 0.26270472069109496)

返回下述值組成的元祖：

• t : 浮點或數組類型
  t統計量
• prob : 浮點或數組類型
  two-tailed p-value 雙側機率值

經過上面的輸出，看到p值是0.267遠大於α等於0.05，所以沒有充分的證聽說平均稻穀產量不是150000。將這個檢驗應用到全部的變量，一樣假設均值爲15000，咱們有：

 

 

 

 

 

 

Python

 

1 2 3 4 5 6

print ss.ttest_1samp(a = df, popmean = 15000)   # OUTPUT (array([ -1.12817385,   1.07053437, -65.81425599,  -4.564575  ,   6.17156198]), array([  2.62704721e-01,   2.87680340e-01,   4.15643528e-70,           1.83764399e-05,   2.82461897e-08]))

第一個數組是t統計量，第二個數組則是相應的p值。

可視化

Python中有許多可視化模塊，最流行的當屬matpalotlib庫。稍加說起，咱們也可選擇bokeh和seaborn模塊。以前的博文中，我已經說明了matplotlib庫中的盒須圖模塊功能。

 

 

 

 

 

Python

 

1 2 3

# Import the module for plotting import matplotlib.pyplot as plt plt.show(df.plot(kind = 'box'))

如今，咱們能夠用pandas模塊中集成R的ggplot主題來美化圖表。要使用ggplot，咱們只須要在上述代碼中多加一行，

 

 

 

 

 

 

Python

 

1 2 3

import matplotlib.pyplot as plt pd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2 df.plot(kind = 'box')

這樣咱們就獲得以下圖表：

比matplotlib.pyplot主題簡潔太多。可是在本博文中，我更願意引入seaborn模塊，該模塊是一個統計數據可視化庫。所以咱們有：

 

 

 

 

 

 

Python

 

1 2 3 4

# Import the seaborn library import seaborn as sns # Do the boxplot plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))

多性感的盒式圖，繼續往下看。

 

 

 

 

 

Python

 

1	plt.show(sns.violinplot(df, widths = 0.5, color = "pastel"))

 

 

 

 

 

Python

 

1	plt.show(sns.distplot(df.ix[:,2], rug = True, bins = 15))

 

 

 

 

 

Python

 

1 2	with sns.axes_style("white"):     plt.show(sns.jointplot(df.ix[:,1], df.ix[:,2], kind = "kde"))

 

 

 

 

 

Python

 

1	plt.show(sns.lmplot("Benguet", "Ifugao", df))

 

建立自定義函數

在Python中，咱們使用def函數來實現一個自定義函數。例如，若是咱們要定義一個兩數相加的函數，以下便可：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7

def add_2int(x, y):     return x + y   print add_2int(2, 2)   # OUTPUT 4

順便說一下，Python中的縮進是很重要的。經過縮進來定義函數做用域，就像在R語言中使用大括號{…}同樣。這有一個咱們以前博文的例子：

1. 產生10個正態分佈樣本，其中和
2. 基於95%的置信度，計算和 ;
3. 重複100次; 而後
4. 計算出置信區間包含真實均值的百分比

Python中，程序以下：

 

 

 

 

 

 

Python

 

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

import numpy as np import scipy.stats as ss   def 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}

上述代碼讀起來很簡單，可是循環的時候就很慢了。下面針對上述代碼進行了改進，這多虧了 Python專家，看我上篇博文的15條意見吧。

 

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

import numpy as np import scipy.stats as ss   def 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}

 

更新

那些對於本文ipython notebook版本感興趣的，請點擊這裏。這篇文章由Nuttens Claude負責轉換成 ipython notebook 。