Python運用於資料分析的簡單教程​​​​​​​

Python運用於資料分析的簡單教程

這篇文章主要介紹了Python運用於資料分析的簡單教程,主要介紹瞭如何運用Python來進行資料匯入、變化、統計和假設檢驗等基本的資料分析，需要的朋友可以參考下

我這裡來分享一下如何通過Python來開始資料分析。具體內容如下：
    資料匯入
        匯入本地的或者web端的CSV檔案；
    資料變換；
    資料統計描述；
    假設檢驗
        單樣本t檢驗；
    視覺化；
    建立自定義函式。
資料匯入
這是很關鍵的一步，為了後續的分析我們首先需要匯入資料。通常來說，資料是CSV格式，就算不是，至少也可以轉換成CSV格式。在Python中，我們的操作如下：   
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)

為了讀取本地CSV檔案，我們需要pandas這個資料分析庫中的相應模組。其中的read_csv函式能夠讀取本地和web資料。

資料變換

既然在工作空間有了資料，接下來就是資料變換。統計學家和科學家們通常會在這一步移除分析中的非必要資料。我們先看看資料：
# 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語言程式設計師來說，上述操作等價於通過print(head(df))來列印資料的前6行，以及通過print(tail(df))來列印資料的後6行。當然Python中，預設列印是5行，而R則是6行。因此R的程式碼head(df, n = 10)，在Python中就是df.head(n = 10)，列印資料尾部也是同樣道理。

在R語言中，資料列和行的名字通過colnames和rownames來分別進行提取。在Python中，我們則使用columns和index屬性來提取，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')

資料轉置使用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

其他變換，例如排序就是用sort屬性。現在我們提取特定的某列資料。Python中，可以使用iloc或者ix屬性。但是我更喜歡用ix，因為它更穩定一些。假設我們需資料第一列的前5行，我們有：
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。為了取出從11到20行的前3列資料，我們有：
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

上述命令相當於df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。

為了捨棄資料中的列，這裡是列1(Apayao)和列2(Benguet)，我們使用drop屬性，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 引數告訴函式到底捨棄列還是行。如果axis等於0，那麼就捨棄行。

統計描述

下一步就是通過describe屬性，對資料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裡面的stats。ttest_1samp實現了單樣本t檢驗。因此，如果我們想檢驗資料Abra列的稻穀產量均值，通過零假設，這裡我們假定總體稻穀產量均值為15000，我們有：

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 : 浮點或陣列型別
    t統計量
    prob : 浮點或陣列型別
    two-tailed p-value 雙側概率值

通過上面的輸出，看到p值是0.267遠大於α等於0.05，因此沒有充分的證據說平均稻穀產量不是150000。將這個檢驗應用到所有的變數，同樣假設均值為15000，我們有：
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]))

第一個陣列是t統計量，第二個陣列則是相應的p值。

視覺化

Python中有許多視覺化模組，最流行的當屬matpalotlib庫。稍加提及，我們也可選擇bokeh和seaborn模組。之前的博文中，我已經說明了matplotlib庫中的盒須圖模組功能。
 
# Import the module for plotting
import matplotlib.pyplot as plt
 plt.show(df.plot(kind = 'box'))

現在，我們可以用pandas模組中整合R的ggplot主題來美化圖表。要使用ggplot，我們只需要在上述程式碼中多加一行， 
import matplotlib.pyplot as plt
pd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2
df.plot(kind = 'box')

這樣我們就得到如下圖表：

比matplotlib.pyplot主題簡潔太多。但是在本博文中，我更願意引入seaborn模組，該模組是一個統計資料視覺化庫。因此我們有：

# 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))

建立自定義函式
Python中，我們使用def函式來實現一個自定義函式。例如，如果我們要定義一個兩數相加的函式，如下即可：
def add_2int(x, y):
 return x + y
  
print add_2int(2, 2)
  
# OUTPUT

順便說一下，Python中的縮排是很重要的。通過縮排來定義函式作用域，就像在R語言中使用大括號{…}一樣。這有一個我們之前博文的例子：
    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; 然後
    計算出置信區間包含真實均值的百分比

Python中，程式如下：
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}

上述程式碼讀起來很簡單，但是迴圈的時候就很慢了。下面針對上述程式碼進行了改進，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}