Python運用於數據分析的簡單教程

時間 2019-11-18

原文原文鏈接

這篇文章主要介紹了Python運用於數據分析的簡單教程,主要介紹瞭如何運用Python來進行數據導入、變化、統計和假設檢驗等基本的數據分析，須要的朋友能夠參考下git

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：
    數據導入
        導入本地的或者web端的CSV文件；
    數據變換；
    數據統計描述；
    假設檢驗
        單樣本t檢驗；
    可視化；
    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：
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)程序員

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。github

數據變換web

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：
# 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數組

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。dom

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：
# 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')ide

數據轉置使用T方法，
# 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函數

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：
print df.ix[:, 0].head()

# OUTPUT
0 1243
1 4158
2 1787
3 17152
4 1266
Name: Abra, dtype: int64url

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：
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：
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：
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：

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：
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。

# 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，
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：

# 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。

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))

建立自定義函數
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：
def add_2int(x, y):
return x y

print add_2int(2, 2)

# OUTPUT

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：
    產生10個正態分佈樣本，其中u=3和o.
    基於95%的置信度，計算 x_bar 和 x_bar2 ;
    重複100次; 而後
    計算出置信區間包含真實均值的百分比

Python中，程序以下：
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。 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}