python在数据分析的应用_Python运用于数据分析的简单教程
这篇文章主要介绍了Python运用于数据分析的简单教程,主要介绍了如何运用Python来进行数据导入、变化、统计和假设检验等基本的数据分析,需要的朋友可以参考下
我这里来分享一下如何通过Python来开始数据分析。具体内容如下:
数据导入
导入本地的或者web端的CSV文件;
数据变换;
数据统计描述;
假设检验
单样本t检验;
可视化;
创建自定义函数。
数据导入
这是很关键的一步,为了后续的分析我们首先需要导入数据。通常来说,数据是CSV格式,就算不是,至少也可以转换成CSV格式。在Python中,我们的操作如下: 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)
为了读取本地CSV文件,我们需要pandas这个数据分析库中的相应模块。其中的read_csv函数能够读取本地和web数据。
数据变换
既然在工作空间有了数据,接下来就是数据变换。统计学家和科学家们通常会在这一步移除分析中的非必要数据。我们先看看数据:
# 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
对R语言程序员来说,上述操作等价于通过print(head(df))来打印数据的前6行,以及通过print(tail(df))来打印数据的后6行。当然Python中,默认打印是5行,而R则是6行。因此R的代码head(df,
n = 10),在Python中就是df.head(n = 10),打印数据尾部也是同样道理。
在R语言中,数据列和行的名字通过colnames和rownames来分别进行提取。在Python中,我们则使用columns和index属性来提取,如下:
# 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')
数据转置使用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
其他变换,例如排序就是用sort属性。现在我们提取特定的某列数据。Python中,可以使用iloc或者ix属性。但是我更喜欢用ix,因为它更稳定一些。假设我们需数据第一列的前5行,我们有:
print df.ix[:, 0].head()
# OUTPUT
0 1243
1 4158
2 1787
3 17152
4 1266
Name: Abra, dtype: int64
顺便提一下,Python的索引是从0开始而非1。为了取出从11到20行的前3列数据,我们有:
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
上述命令相当于df.ix[10:20, ['Abra', 'Apayao',
'Benguet']]。
为了舍弃数据中的列,这里是列1(Apayao)和列2(Benguet),我们使用drop属性,如下:
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
参数告诉函数到底舍弃列还是行。如果axis等于0,那么就舍弃行。
统计描述
下一步就是通过describe属性,对数据的统计特性进行描述:
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
假设检验
Python有一个很好的统计推断包。那就是scipy里面的stats。ttest_1samp实现了单样本t检验。因此,如果我们想检验数据Abra列的稻谷产量均值,通过零假设,这里我们假定总体稻谷产量均值为15000,我们有:
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)
返回下述值组成的元祖:
t :
浮点或数组类型
t统计量
prob :
浮点或数组类型
two-tailed
p-value 双侧概率值
通过上面的输出,看到p值是0.267远大于α等于0.05,因此没有充分的证据说平均稻谷产量不是150000。将这个检验应用到所有的变量,同样假设均值为15000,我们有:
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]))
第一个数组是t统计量,第二个数组则是相应的p值。
可视化
Python中有许多可视化模块,最流行的当属matpalotlib库。稍加提及,我们也可选择bokeh和seaborn模块。之前的博文中,我已经说明了matplotlib库中的盒须图模块功能。
# Import the module for plotting
import matplotlib.pyplot as plt
plt.show(df.plot(kind = 'box'))
现在,我们可以用pandas模块中集成R的ggplot主题来美化图表。要使用ggplot,我们只需要在上述代码中多加一行,
import matplotlib.pyplot as plt
pd.options.display.mpl_style = 'default' # Sets the plotting
display theme to ggplot2
df.plot(kind = 'box')
这样我们就得到如下图表:
比matplotlib.pyplot主题简洁太多。但是在本博文中,我更愿意引入seaborn模块,该模块是一个统计数据可视化库。因此我们有:
# Import the seaborn library
import seaborn as sns
# Do the boxplot
plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))
多性感的盒式图,继续往下看。
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))
创建自定义函数
Python中,我们使用def函数来实现一个自定义函数。例如,如果我们要定义一个两数相加的函数,如下即可:
def add_2int(x, y):
return x y
print add_2int(2, 2)
# OUTPUT
顺便说一下,Python中的缩进是很重要的。通过缩进来定义函数作用域,就像在R语言中使用大括号{…}一样。这有一个我们之前博文的例子:
产生10个正态分布样本,其中u=3和o.
基于95%的置信度,计算
x_bar 和 x_bar2 ;
重复100次;
然后
计算出置信区间包含真实均值的百分比
Python中,程序如下:
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}
上述代码读起来很简单,但是循环的时候就很慢了。下面针对上述代码进行了改进,这多亏了Python专家。
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}
python在数据分析的应用_Python运用于数据分析的简单教程相关推荐
- python numpy和pandas数据处理_python中添加数据分析工具numpy和pandas
python中添加数据分析工具numpy和pandas 最近要对一系列数据做同比比较,需要用到numpy和pandas来计算,不过使用python安装numpy和pandas因为linux环境没有外网 ...
- python软件设计数据分析统计服_Python 和 R 数据分析/挖掘工具互查
写在前面 在此总结一些在数据分析/挖掘中可能用到的功能,方便大家索引或者从一种语言迁移到另一种.当然,这篇博客还会随时更新(不会另起一篇,为了方便大家索引),请大家如果有需要收藏到书签中. 如果大家还 ...
- python商业数据分析报告范文_python自动化撰写数据分析报告
在工作中经常要出具各种报告,我们可以根据报告周期来设置定时任务自动生成数据分析报告.首先要确定报告模板,给模板中的每一个变动值赋予一个参数:然后根据业务需求再python中定义每个变动值的计算方式:最 ...
- python爬取凤凰新闻网_python凤凰新闻数据分析(一)python爬虫数据爬取
标签的内容 first_new_td = BeautifulSoup(str(first_new[0]),'html.parser') first_new_item = first_new_td.fi ...
- python资本市场财务数据分析统计服_python股票财务数据分析统计服|蓝田制作项目并购估值...
高质量增长取得多方认可.高盛研报称,认可碧桂园1直以来的执行力以及说到做到,置信 公司会持续 维持将来 几年的疾速 开展 .项目融资 课件,北京项目融资模式 守护绿色家园 保住生态根基PPP项目融资项 ...
- python绘制梅尔谱图_Python入门到底有多简单(三):填充数据
目录 1.加载包和数据读取2.数据填充2.1 用数值或字符串填充2.2 用字典填充2.3 method参数填充2.3.1 用前面的值填充2.3.2 用后面的值填充2.3.3 limit限制填充的个数2 ...
- python操作微信电脑版_Python使用itchat模块实现简单的微信控制电脑功能示例
本文实例讲述了Python使用itchat模块实现简单的微信控制电脑功能.分享给大家供大家参考,具体如下: #!/usr/bin/python #coding=UTF-8 import request ...
- python matplotlib画折线图_python使用matplotlib绘制折线图教程
matplotlib简介 matplotlib 是python最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地行制图.而且也可以方便地将它作为绘图控件,嵌入GUI应用程序 ...
- python判断字符大小写转换_Python 字符串大小写转换的简单实例
①所有字母都转换为大写 # -*- coding:utf-8 -*- if __name__ == "__main__": a = 'hello, world!' print(a. ...
最新文章
- 潘建伟团队进行人类首次洲际量子通信,给奥地利发去了什么?
- 解决C#导出excel异常来自 HRESULT:0x800A03EC的方法 .
- Spring 自定义注解玩法大全,从入门到…
- Linux磁盘分区了解多少?Linux入门必看
- 安卓系统使用摄像头API
- C语言 do while 和 while 循环 - C语言零基础入门教程
- java常用方法名_Java语言常见名称有哪些
- 西数硬盘固件刷新工具_一个1TB移动硬盘的数据恢复过程,含分析问题与解决方式...
- shell 常用命令
- 5. 在Windows上安装Git
- Android:权限处理
- 自己做量化交易软件(32)小白量化实战6--仿通达信公式选股
- windows 系统删除服务命令 sc delete 服务名称
- 文件名变乱码. 不知道如何恢复呢?
- 在Linux操作系统中使用手写板(转)
- Python的学习笔记案例4--52周存钱挑战3.0
- freemarker的recurse示例代码
- android 判断是夜神模拟器,查看夜神模拟器版本的三种技巧
- 随手写的绿色征途手游的脚本辅助代码
- 周口女子职专计算机分为哪些专业,周口女子职业中专学校
热门文章
- C语言为什么被const声明的变量不是一个常量表达式
- STM32Cube_FW_F1_V1.0.0固件库学习(四)外部中断 中
- AW_blog 在任意页设置文章的数量
- normalize函数_【ADAMS】矩阵/数组函数
- 一文掌握Python集合的语法与应用
- 微课|中学生可以这样学Python(5.6.1节):列表推导式1
- Python使用matplotlib.pyplot绘图时设置坐标轴刻度
- awk -f 分隔符 命令_Linux awk命令详解(详解版)
- matlab和c 性能,性能权衡 – 什么时候是MATLAB更好/慢于C/C++
- qt改变tab形状_生命吗哪QT灵修 11月18日