Pandas系列之入门篇

简介

pandas 是 python用来数据清洗、分析的包，可以使用类sql的语法方便的进行数据关联、查询，属于内存计算范畴，
效率远远高于硬盘计算的数据库存储。另外pandas还提供了大数据存储的API——HDFStore，来对接HDF5。

安装

1. pandas 利用豆瓣源，速度快

   pip install pandas numpy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

2. pytables

   pip install tables

3. hdf5
   Download: https://www.hdfgroup.org/downloads/hdf5/source-code/

   ./configure
   make
   make check
   make install

使用案例

上网流量数据：源数据以CSV文件实时生成，通过监听文件的方式做到一旦有新的CSV生成就进入数据处理流程。
总的流程大致分5部，分别是：读取CSV、数据清洗、数据分析、数据统计、存储HDF5。

关于下面用到的一些字段的解释说明：

user: 用户

tm_type: 终端类型

serv: 一级app分类

app: 二级app分类

record_time: 记录产生的时间

up_flux: 上行流量

down_flux: 下行流量

pandas api document: https://pandas.pydata.org/pandas-docs/stable/api.html?highlight=hdfstore

1. 读取CSV

   filename_src = ‘xxx.csv‘
   col_list = [‘user‘, ‘tm_type‘, ‘serv‘, ‘app‘, ‘record_time‘, ‘up_flux‘, ‘down_flux‘]
   
   # \x01表示空格 16进制
   df_flux = pd.read_csv(filename_src, sep=‘\x01‘, error_bad_lines=False, index_col=False, usecols=[3, 10, 11, 12, 15, 16, 17], names=col_list)

2. 数据清洗

   """
       data clean
   """
   # remove null data
   df_flux.dropna(inplace=True)
   
   # remove duplicates
   df_flux.drop_duplicates(inplace=True)

3. 数据分析

   """
       data analysis
       inner join v_student_net(inner join)
       refer column: user
   """
   conn = MySQLdb.connect(host, user, passwd, database, charset=‘utf8‘)
   cur = conn.cursor()
   sql = ‘select outid, username from v_student_net‘
   cur.execute(sql)
   results = cur.fetchall()
   df_student_net = pd.DataFrame(list(results), columns=[‘outid‘, ‘user‘])
   
   # inner join df_flux, v_student_net
   df_flux = pd.merge(df_flux, df_student_net, on=‘user‘)

4. 数据统计

   """
       data statistics
       group by: record_date, outid, serv, app
       aggregate by: up_flux, down_flux
       sort by: down_flux with desc
   """
   # as_index=False，default True
   grouped = df_flux.groupby([‘record_date‘, ‘outid‘, ‘serv‘, ‘app‘], as_index=False)
   df_flux = grouped.agg({‘up_flux‘: ‘sum‘, ‘down_flux‘: ‘sum‘}).sort_values(‘down_flux‘, ascending=False)

5. 存储HDF5

   """
       store in hdf5
   """
   hdf5_filepath = ‘xxx.h5‘
   store = pd.HDFStore(hdf5_filepath, complevel=1, complib=‘bzip2‘)
   store.put(‘flux‘, df_flux, format=‘table‘, append=True, data_columns=True)

总结

从上面的例子可以看到，pandas处理数据是相当的简洁明了，存储hdf5更是两句话就搞定。当然这里面会有相当多注意的细节，稍有不慎就会导致意想不到的结果，我将会在下一篇介绍。

要学好pandas，api文档必须要精通！