数据分析案例

import json

path=r‘D:\学习文档\利用python数据分析第二版代码\datasets\bitly_usagov\example.txt‘
#records是一个list，中间的对象为dict，Json.loads()将dict转为str
records=[json.loads(line) for line in open(path,‘r‘, encoding=‘UTF-8‘)]
#注意要判断rec中是否有tz，否则会报错
time_zones=[rec[‘tz‘] for rec in records if ‘tz‘ in rec] 

#对时区进行计数
def get_counts(sequence):
    counts={}
    for x in sequence:
        if x in counts:
            counts[x]+=1
        else:
            counts[x]=1
    return counts

from collections import defaultdict
counts=defaultdict(int) #生成一个空字典，默认值是int型
counts=get_counts(time_zones)

#统计前十位的时区及其计数
def top_counts(count_dict, n=10):
    value_key_pairs=[(count,tz) for tz,count in count_dict.items()]
    value_key_pairs.sort()  #按count排序
    return value_key_pairs[-n:]
top_counts(counts)

#使用标准库获取前十的时区计数
from collections import Counter
counts=Counter(time_zones)
counts.most_common(10)

#用pandas对时区进行计数
import pandas as pd
frame = pd.DataFrame(records)

#计算一个Series中各值出现的频率
tz_counts=frame[‘tz‘].value_counts()
#tz_counts[:10]
#fillna会替换NaN值为Missing，NaN不是空值，而是没有这一列tz，所以值为NaN。
clean_tz=frame[‘tz‘].fillna(‘Missing‘)
#找出tz为空的值，并替换为unknown
clean_tz[clean_tz==‘‘]=‘Unknown‘
tz_counts=clean_tz.value_counts()
tz_counts[:10]

#用seaborn包创建水平柱状图
import seaborn as sns
subset=tz_counts[:10]
#sns.barplot(y=subset.index,x=subset.values)
#dropna去除数据结构中值为空的数据行
results=pd.Series([x.split() for x in frame.a.dropna()])
results.value_counts()

#移除空数据
frame=frame[frame.a.notnull() & frame.tz.notnull()]
#np.where(condition, x, y)满足条件(condition)，输出x，不满足输出y。
frame[‘os‘]=np.where(frame[‘a‘].str.contains(‘Windows‘),‘Windwos‘,‘Not Windows‘)
#先按tz分组，在按os分组
newframe=frame.groupby([‘tz‘,‘os‘])
#对计数结果进行重塑，unpack把列变成行
agg_counts=newframe.size().unstack().fillna(0)
agg_counts[:10]
#sum(1)按行求和，argsort()返回从小到大排序的索引
indexer=agg_counts.sum(1).argsort()

#截取最后10行最大值
count_subset=agg_counts.take(indexer[-10:])
count_subset
#stack把行变成列
count_subset=count_subet.stack()

count_subset.name=‘total‘
count_subset=count_subet.reset_index()
count_subset[:10]
sns.barplot(x=‘total‘,y=‘tz‘,hue=‘os‘,data=count_subset)

import pandas as pd

#设置白色表格的样式
pd.options.display.max_rows=10
unames=[‘user_id‘,‘gender‘,‘age‘,‘occupation‘,‘zip‘]
users=pd.read_table(r‘D:\学习文档\利用python数据分析第二版代码\datasets\movielens\users.dat‘,sep=‘::‘,header=None,names=unames)
rnames=[‘user_id‘,‘movie_id‘,‘rating‘,‘timestamp‘]
ratings=pd.read_table(r‘D:\学习文档\利用python数据分析第二版代码\datasets\movielens\ratings.dat‘,sep=‘::‘,header=None,names=rnames)
mnames=[‘movie_id‘,‘title‘,‘genres‘]
movies=pd.read_table(r‘D:\学习文档\利用python数据分析第二版代码\datasets\movielens\movies.dat‘,sep=‘::‘,header=None,names=mnames)
#将ratings跟users和movies合并
data=pd.merge(pd.merge(ratings,users),movies)
data.iloc[0]
#按性别计算每部电影的平均分，电影title是索引，gender是列
mean_ratings=data.pivot_table(‘rating‘,index=‘title‘,columns=‘gender‘,aggfunc=‘mean‘)
mean_ratings[:5]
ratings_by_title=data.groupby(‘title‘).size()
#标题索引中含有评分数据大于250条的电影名称
active_titles=ratings_by_title.index[ratings_by_title>=250]
mean_ratings=mean_ratings.loc[active_titles]
#获取女性观众最喜欢的电影，对F列降序排列
top_female_ratings=mean_ratings.sort_values(by=‘F‘,ascending=False)
top_female_ratings[:10]
#计算评分分歧,考虑性别
mean_ratings[‘diff‘]=mean_ratings[‘M‘]-mean_ratings[‘F‘]
sorted_by_diff=mean_ratings.sort_values(by=‘diff‘)
sorted_by_diff[:10]
sorted_by_diff[::-1][:10]
#找出分歧最大的电影，不考虑性别因素
rating_std_by_title=data.groupby(‘title‘)[‘rating‘].std()
rating_std_by_title=rating_std_by_title.loc[active_titles]
rating_std_by_title.sort_values(ascending=False)[:10]