【pythonによるデータ分析】準備とインスタンス(一)

私はもう本のipynbを共有したので、私と一緒に実験しましょう.ipynb形式のファイルをどのように開くか分からないなら、大丈夫です.anaconda 3はすべてをもっと簡単にします(私は広告をしているようです).
anacondaをインストールしてから、最初からフォルダを見つけることができます.中にはJupyter Notebookがあります.それです.クリックしてから、cmdの黒いウィンドウをポップアップして、それからブラウザがホームページをポップアップして、それでは起動に成功しました(ここではcmdの黒いウィンドウを消さないで、最小化すればいいです)、そのホームページは一般的に“私のドキュメント”に位置して、だから、便宜上、あなたがダウンロードしたipynbファイルを“私のファイル”の下に置いて、フォルダに解凍してブラウザの中でクリックして見ることができます.
私たちはデータを処理して、基本的に以下のいくつかの大きな任務を完成しなければなりません.

外部と対話し、様々なファイルフォーマットとデータベース

を読み書きする.

は、分析

を行うために、データを整理、修正、統合、規範化、再成形、スライススライス、変形などの処理を行う準備をする.

変換して、データセットに対していくつかの数学と統計演算をして、新しいデータセットを生成します.例えば、パケット変数に基づいて大きなテーブルを集約する

.

モデリングおよび計算、統計モデル、機械学習アルゴリズム、または他の計算ツールにデータを関連付ける

は、インタラクティブまたは静的なピクチャまたは文字の要約

を作成することを示す.
bitからlyの1.usa.govデータ
2011年、URL短縮サービスbit.lyはアメリカ政府のウェブサイトusa.govと協力して、生成を提供した.govまたは.milショートリンクのユーザーから収集された匿名データ.リアルタイムデータのほか、テキスト形式の1時間あたりのスナップショットをダウンロードすることもできます.1時間あたりのスナップショットを例にとると、ファイル内の各行のフォーマットはJSONです.
たとえば、ファイルの最初の行だけを読み込むと、次のようになります.

path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
open(path).readline()

出力結果は次のとおりです.

'{ "a": "Mozilla\\/5.0 (Windows NT 6.1; WOW64) AppleWebKit\\/535.11 (KHTML, like Gecko) Chrome\\/17.0.963.78 Safari\\/535.11", "c": "US", "nk": 1, "tz": "America\\/New_York", "gr": "MA", "g": "A6qOVH", "h": "wfLQtf", "l": "orofrog", "al": "en-US,en;q=0.8", "hh": "1.usa.gov", "r": "http:\\/\\/www.facebook.com\\/l\\/7AQEFzjSi\\/1.usa.gov\\/wfLQtf", "u": "http:\\/\\/www.ncbi.nlm.nih.gov\\/pubmed\\/22415991", "t": 1331923247, "hc": 1331822918, "cy": "Danvers", "ll": [ 42.576698, -70.954903 ] }
'

jsonファイルを読み込んだ後、リスト導出式でファイルをリストに変換できます.以下はリストとリストを読み込む操作です.

import json
path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
records = [json.loads(line) for line in open(path)]

records[0]
records[0]['tz']

以下は出力の結果です

{'a': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.78 Safari/535.11',
 'al': 'en-US,en;q=0.8',
 'c': 'US',
 'cy': 'Danvers',
 'g': 'A6qOVH',
 'gr': 'MA',
 'h': 'wfLQtf',
 'hc': 1331822918,
 'hh': '1.usa.gov',
 'l': 'orofrog',
 'll': [42.576698, -70.954903],
 'nk': 1,
 'r': 'http://www.facebook.com/l/7AQEFzjSi/1.usa.gov/wfLQtf',
 't': 1331923247,
 'tz': 'America/New_York',
 'u': 'http://www.ncbi.nlm.nih.gov/pubmed/22415991'}

'America/New_York'

タイムゾーンをカウントし、データセットで最も頻繁に発生するタイムゾーン(すなわちtzフィールド)を知りたいとします.

from pandas import DataFrame
import json
path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
records = [json.loads(line) for line in open(path)]
frame=DataFrame(records)
tz_counts=frame['tz'].value_counts()
#print(tz_counts[:10]) 

#          
clean_tz=frame['tz'].fillna(value='Missing')
clean_tz[clean_tz ==''] = 'Unknown'
tz_counts=clean_tz.value_counts()
print(tz_counts[:10])

出力結果:

America/New_York       1251
Unknown                 521
America/Chicago         400
America/Los_Angeles     382
America/Denver          191
Missing                 120
Europe/London            74
Asia/Tokyo               37
Pacific/Honolulu         36
Europe/Madrid            35
Name: tz, dtype: int64

最もよく見られる10個のタイムゾーンの水平棒グラフコード:

from matplotlib import pyplot as plt
tz_counts[:10].plot(kind='barh',rot=0)
plt.show()

次に、中の「a」フィールドを見てみましょう.文字列関数と正規表現で中の情報を解析し、最もよく使われるいくつかのブラウザを統計します.

from pandas import DataFrame,Series
from matplotlib import pyplot as plt
import json
path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
records = [json.loads(line) for line in open(path)]
frame=DataFrame(records)
results=Series([x.split()[0] for x in frame.a.dropna()])
print(results.value_counts()[:8])

出力結果:

Mozilla/5.0                 2594
Mozilla/4.0                  601
GoogleMaps/RochesterNY       121
Opera/9.80                    34
TEST_INTERNET_AGENT           24
GoogleProducer                21
Mozilla/6.0                    5
BlackBerry8520/5.0.0.681       4
dtype: int64

最も一般的な8つのブラウザの水平棒グラフコード:

res_cnt=results.value_counts()[:8]
res_cnt.plot(kind='barh',rot=0)
plt.show()

次に、中の「a」フィールドを見て、windowsと非windowsユーザーによるタイムゾーン統計の分析を続けます.

from pandas import DataFrame,Series
from matplotlib import pyplot as plt
import json
path = 'ch02/usagov_bitly_data2012-03-16-1331923249.txt'
records = [json.loads(line) for line in open(path)]
frame=DataFrame(records)
cframe=frame[frame.a.notnull()]
# print(cframe.groupby('tz').size())     tz   ， 521 
operating_system=np.where(cframe['a'].str.contains('Windows'),'Windows','Not Windows')
cframe['a']=DataFrame(operating_system)
by_tz_os=cframe.groupby(['tz','a'])
agg_counts=by_tz_os.size().unstack().fillna(0)   # unstack      
print(agg_counts[:10])

出力結果:

a                               Not Windows  Windows
tz                                                  
                                      180.0    316.0
Africa/Cairo                            1.0      2.0
Africa/Casablanca                       0.0      1.0
Africa/Ceuta                            1.0      1.0
Africa/Johannesburg                     0.0      1.0
Africa/Lusaka                           1.0      0.0
America/Anchorage                       0.0      4.0
America/Argentina/Buenos_Aires          0.0      1.0
America/Argentina/Cordoba               1.0      0.0
America/Argentina/Mendoza               0.0      1.0

最後に、さっきの操作に続いて、最もよく現れるタイムゾーンを選択します.コードは次のとおりです.

#       
indexer = agg_counts.sum(1).argsort()
#  take           10 
count_subset = agg_counts.take(indexer)[-10:]
print(count_subset)

出力結果:

a                    Not Windows  Windows
tz                                       
America/Sao_Paulo           12.0     21.0
Europe/Madrid               15.0     19.0
Pacific/Honolulu            10.0     25.0
Asia/Tokyo                  14.0     23.0
Europe/London               32.0     40.0
America/Denver              56.0    125.0
America/Los_Angeles        122.0    247.0
America/Chicago            131.0    249.0
                           180.0    316.0
America/New_York           426.0    798.0

スタックバーで表示:

count_subset.plot(kind='barh',stacked=True)
plt.show()