python数据分析简单实例-Python运⽤于数据分析的简单教程最近，Analysis with Programming加⼊了Planet Python。作为该⽹站的⾸批特约博客，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：
凡科建站怎么删除模块import pandas as pd
# Reading data locally
df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')
# Reading data from web
data_url = "raw.githubusercontent/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 238
5 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
spring英文名什么意思对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
lumns
# 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.Tregression line
# 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：php调用mysql
print df.lumns[[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 331
5 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
st_1samp(a = df.ix[:, 'Abra'], popmean = 15000)
# OUTPUT
(-1.1281738488299586, 0.26270472069109496)
返回下述值组成的元祖：
python入门教程2t : 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：
st_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')
javascript高级程序设计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"):
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论