Python 数据分析实战指南：基于 Pandas 的四个经典案例

2. merge

连接两个 DataFrame 并返回连接之后的 DataFrame。支持内连接（inner）、外连接（outer）、左连接（left）、右连接（right）等多种模式。

merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)

3. iloc

通过行号和列号来取数据。例如 df.iloc[0] 取第一行数据，df.iloc[:, 0] 取第一列数据。

4. pivot_table

通过使用 pandas.pivot_table() 函数，可以实现与电子表格软件（例如 Excel）的数据透视表功能相同的处理，常用于聚合统计。

5. groupby

和 SQL 中的分组类似，Pandas 中的 groupby 函数也是先将 DataFrame 按照某个字段进行拆分，将相同属性分为一组；然后对拆分后的各组执行相应的转换操作；最后输出汇总转换后的各组结果。

三、具体案例

数据分析的标准步骤通常包括：1.提出问题 2.理解数据 3.数据清洗 4.构建模型 5.数据可视化。

3.1 MovieLens 1M 数据集

GroupLens 实验室提供了一些从 MovieLens 用户那里收集的 20 世纪 90 年代末到 21 世纪初的电影评分数据的集合。该数据集提供了电影的评分、流派、年份和观众数据（年龄、邮编、性别、职业）。MovieLens 1M 数据集包含 6000 个用户对 4000 部电影的 100 万个评分。数据分布在三个表格之中：分别包含评分、用户信息和电影信息。

# 读取 users.dat 文件
unames = ["user_id", "gender", "age", "occupation", "zip"]
users = pd.read_table("datasets/movielens/users.dat", sep="::",
                      header=None, names=unames, engine="python")
# 读取 ratings.dat 文件
rnames = ["user_id", "movie_id", "rating", "timestamp"]
ratings = pd.read_table("datasets/movielens/ratings.dat", sep="::",
                        header=None, names=rnames, engine="python")
# 读取 movies.dat 文件
mnames = ["movie_id", "title", "genres"]
movies = pd.read_table("datasets/movielens/movies.dat", sep="::",
                       header=None, names=mnames, engine="python")

首先读取 users.dat、ratings.dat、movies.dat 三个文件，并将它们存储在不同的 DataFrame 中，分别命名为 users、ratings、movies。

users.head(5)
ratings.head(5)
movies.head(5)

分别输出三个 DataFrame 的前五行，以查看数据结构。

data = pd.merge(pd.merge(ratings, users), movies)
data.iloc[0]

使用 merge 函数将 ratings、users 和 movies 进行合并，保留了三个 DataFrame 中所有的数据，并将它们之间重复的数据和行进行合并。合并生成名为 data 的新 DataFrame，并输出整个数据以及读取第一行数据。

mean_ratings = data.pivot_table("rating", index="title",
                                columns="gender", aggfunc="mean")
mean_ratings.head(5)

使用 pivot_table 函数实现数据透视表功能，对 rating 中 title 列求均值，columns 参数就是用来显示字符型数据的，显示性别数据。求均值生成名为 mean_ratings 的新 DataFrame，并读取输出前五行数据。

ratings_by_title = data.groupby("title").size()
ratings_by_title.head()
active_titles = ratings_by_title.index[ratings_by_title >= 250]
active_titles

使用 groupby 函数对 data 这一 DataFrame 按照电影名称 title 分组，并计算每个电影标题对应的评分数量。第二行代码显示每个电影标题对应的评分数量。第三四行代码统计对应评分数量大于 250 的电影标题将其定义为 active_titles 并输出。

mean_ratings = mean_ratings.loc[active_titles]
mean_ratings

读取 mean_ratings 中评分数量大于 250 的电影标题对应的数据并输出。

mean_ratings = mean_ratings.rename(index={"Seven Samurai (The Magnificent Seven) (Shichinin no samurai) (1954)":
                           "Seven Samurai (Shichinin no samurai) (1954)"})

使用 rename 函数将 mean_ratings 中 Seven Samurai (The Magnificent Seven) (Shichinin no samurai) (1954) 重新更改为 Seven Samurai (Shichinin no samurai) (1954)，统一命名格式。

top_female_ratings = mean_ratings.sort_values("F", ascending=False)
top_female_ratings.head()

根据女性的评分使用排序函数对 mean_ratings 进行降序排序并输出，找出女性评分最高的电影。

mean_ratings["diff"] = mean_ratings["M"] - mean_ratings["F"]

用 mean_ratings 中男性评分减去女性评分计算出男女评分差异 diff。

sorted_by_diff = mean_ratings.sort_values("diff")
sorted_by_diff.head()

根据 diff 列的值使用排序函数对 mean_ratings 进行升序排序并输出。

sorted_by_diff[::-1].head()

使用切片操作对 diff 进行逆序排序，并输出，查看男性评分远高于女性评分的电影。

rating_std_by_title = data.groupby("title")["rating"].std()
rating_std_by_title = rating_std_by_title.loc[active_titles]
rating_std_by_title.head()

std 函数用于表示标准差。对电影标题 title 根据评分标准差分组。并读取活跃标题（评分数量大于 250 的电影标题）的标准差输出。

rating_std_by_title.sort_values(ascending=False)[:10]

根据评分标准差进行降序排序并读取前十行，也即输出评分标准差最大的十个电影标题，这些电影可能争议较大。

movies["genres"].head()
movies["genres"].head().str.split("|")
movies["genre"] = movies.pop("genres").str.split("|")
movies.head()

读取电影中 genres 列数据，并通过 | 分隔开。将分割后的数据命名为 genre 列，原数据列 genres 删除。

movies_exploded = movies.explode("genre")
movies_exploded[:10]

使用 explode 函数将 genre 列中分割的数据展开成单独的几列数据并记为 movies_exploded 这个新 DataFrame，输出前十行数据。

ratings_with_genre = pd.merge(pd.merge(movies_exploded, ratings), users)
ratings_with_genre.iloc[0]
genre_ratings = (ratings_with_genre.groupby(["genre", "age"])
                 ["rating"].mean()
                 .unstack("age"))
genre_ratings[:10]

将 movies_exploded、ratings、users 这三个合并起来生成一个新 DataFrame，并读取第一行数据。按照 genre 和 age 进行分组，并计算每个组评分的平均值，使用 unstack 函数将结果重塑为以 age 为列索引的形式。

3.2 美国 1880-2010 年的婴儿名字

美国社会保障局（SSA）提供了从 1880 年至现在的婴儿姓名频率的数据。可以使用这些数据做很多事情：根据给定的名字对婴儿名字随时间的比例进行可视化，确定一个名字的相对排位，确定每年最受欢迎的名字，或者流行程度最高或最低的名字。

names1880 = pd.read_csv("datasets/babynames/yob1880.txt",
                        names=["name", "sex", "births"])
names1880

读取名为'yob1880.txt'文件，并将其列名设为 name、sex、births。

names1880.groupby("sex")["births"].sum()

按照性别分组，并计算每组出生人数的总和。

pieces = []
for year in range(1880, 2011):
    path = f"datasets/babynames/yob{year}.txt"
    frame = pd.read_csv(path, names=["name", "sex", "births"])

    # Add a column for the year
    frame["year"] = year
    pieces.append(frame)

# Concatenate everything into a single DataFrame
names = pd.concat(pieces, ignore_index=True)
names

提取从数据集中读取 1880-2011 年间的数据并生成 names 这个 DataFrame。

total_births = names.pivot_table("births", index="year",
                                 columns="sex", aggfunc=sum)
total_births.tail()
total_births.plot(title="Total births by sex and year")

使用 pivot_table 函数以 births 和 sex 分组的出生数总和，并显示最后几行。绘制一个标题为 Total births by sex and year 的折线图。

def add_prop(group):
    group["prop"] = group["births"] / group["births"].sum()
    return group
names = names.groupby(["year", "sex"], group_keys=False).apply(add_prop)
names

定义一个增加组的函数 add_prop，表示每个名字在出生年份和性别组中的比例，每个名字的出生率。对 names 按照年份和性别分组，并对每组应用 add_prop 函数。

names.groupby(["year", "sex"])["prop"].sum()

通过年份和性别分组，并计算对每组中的每个名字比例的总和，验证归一化是否正确。

def get_top1000(group):
    return group.sort_values("births", ascending=False)[:1000]
grouped = names.groupby(["year", "sex"])
top1000 = grouped.apply(get_top1000)
top1000.head()

定义一个 get_top1000 的函数，该函数根据 births 进行降序排序，并取前 1000 行，也即 births 值最大的前 1000。根据年份和性别分组，并对每个分组应用 get_top1000 函数。

top1000 = top1000.reset_index(drop=True)
top1000.head()

使用 reset_index() 函数对 top1000 DataFrame 进行重置索引，并丢弃原始索引。设置 drop=True 可以移除原始索引列，以便在重置索引后不保留它。

boys = top1000[top1000["sex"] == "M"]
girls = top1000[top1000["sex"] == "F"]
total_births = top1000.pivot_table("births", index="year",
                                   columns="name",
                                   aggfunc=sum)
total_births.info()
subset = total_births[["John", "Harry", "Mary", "Marilyn"]]
subset.plot(subplots=True, figsize=(12, 10),
            title="Number of births per year")

根据性别将 top1000 的值分为 boys 和 girls 两个数据集。并对 births 进行数据透视。使用 info() 方法打印出 total_births 的全部数据，并选择 John、Harry、Mary、Marilyn 四个名字绘制标题为 Number of births per year 的折线图。

plt.figure()
table = top1000.pivot_table("prop", index="year",
                            columns="sex", aggfunc=sum)
table.plot(title="Sum of table1000.prop by year and sex",
           yticks=np.linspace(0, 1.2, 13))

对 prop 进行数据透视图，绘制标题为 Sum of table1000.prop by year and sex 的折线图。

df = boys[boys["year"] == 2010]
df

得到 2010 年男孩出生人数表。

prop_cumsum = df["prop"].sort_values(ascending=False).cumsum()
prop_cumsum[:10]
prop_cumsum.searchsorted(0.5)

对 2010 年男孩出生人数表中 prop 值进行降序排序并计算累计和，并提取前 10 行，使用 searchsorted() 方法找到累计和达到 0.5 时的索引位置。

df = boys[boys.year == 1900]
in1900 = df.sort_values("prop", ascending=False).prop.cumsum()
in1900.searchsorted(0.5) + 1

得到 1900 年男孩出生人数表，对表中 prop 值进行降序排序并计算累计和，searchsorted() 方法找到累计和达到 0.5 时的后一个索引位置。

def get_quantile_count(group, q=0.5):
    group = group.sort_values("prop", ascending=False)
    return group.prop.cumsum().searchsorted(q) + 1

diversity = top1000.groupby(["year", "sex"]).apply(get_quantile_count)
diversity = diversity.unstack()
fig = plt.figure()
diversity.head()
diversity.plot(title="Number of popular names in top 50%")

定义一个 get_quantile_count 函数，对 prop 值进行降序排序并计算累计和，searchsorted() 方法找到累计和达到 0.5 时的后一个索引位置。根据年份和性别分组，并对每组应用 get_quantile_count 函数，得到 diversity 这个新 DataFrame，并绘制标题为 Number of popular names in top 50% 的折线图。

def get_last_letter(x):
    return x[-1]

last_letters = names["name"].map(get_last_letter)
last_letters.name = "last_letter"

table = names.pivot_table("births", index=last_letters,
                          columns=["sex", "year"], aggfunc=sum)
subtable = table.reindex(columns=[1910, 1960, 2010], level="year")
subtable.head()

定义一个返回字符串最后一个字母的函数。使用 map 函数对 names 中每一个名字提取最后一个字母。进行数据透视。展示 1910、1960、2010 年的数据。

subtable.sum()
letter_prop = subtable / subtable.sum()
letter_prop

展示每个年份和性别组合中每个名字的总和，以及占比。

import matplotlib.pyplot as plt

fig, axes = plt.subplots(2, 1, figsize=(10, 8))
letter_prop["M"].plot(kind="bar", rot=0, ax=axes[0], title="Male")
letter_prop["F"].plot(kind="bar", rot=0, ax=axes[1], title="Female",
                      legend=False)

导入 matplotlib 包分别以男生和女生绘制两幅柱状图。

letter_prop = table / table.sum()

dny_ts = letter_prop.loc[["d", "n", "y"], "M"].T
dny_ts.head()

统计最后男生中名字最后一个字母为 d、n、y 的比例。

all_names = pd.Series(top1000["name"].unique())
lesley_like = all_names[all_names.str.contains("Lesl")]
lesley_like

从 top1000 DataFrame 的'name'列获取唯一的姓名，并将结果存储在 all_names 变量中。选择 all_names 中包含'Lesl'的姓名，并将结果赋值给 lesley_like 变量。显示 lesley_like Series，即包含以'Lesl'开头的姓名。

filtered = top1000[top1000["name"].isin(lesley_like)]
filtered.groupby("name")["births"].sum()

根据 top1000 DataFrame 中的'name'列与 lesley_like 中的姓名进行匹配，筛选出匹配的行数据，并将结果赋值给 filtered 变量。对 filtered DataFrame 按姓名进行分组，计算每个姓名的出生人数总和，并显示结果。

table = filtered.pivot_table("births", index="year",
                             columns="sex", aggfunc="sum")
table = table.div(table.sum(axis="columns"), axis="index")
table.tail()

根据年份和性别对 filtered 进行透视，计算每个年份和性别的出生人数总和，并将结果存储在 table 变量中。对 table 进行归一化，即每行的总和作为除数，计算每个年份和性别的归一化比例。table 归一化后最后几行的结果。

fig = plt.figure()
table.plot(style={"M": "k-", "F": "k--"})

绘制折线图，其中男生用实线，女生用虚线。

3.3 美国农业部食品数据库

美国农业部提供了食物营养信息数据库。每种事务都有一些识别属性以及两份营养元素和营养比例的列表。这种形式的数据不适合分析，所以需要做一些工作将数据转换成更好的形式。

import json
db = json.load(open("datasets/usda_food/database.json"))
len(db)

计算列表中元素的个数。

db[0].keys()
db[0]["nutrients"][0]
nutrients = pd.DataFrame(db[0]["nutrients"])
nutrients.head(7)

获得 db 列表中索引为 0 的所有关键值。从 db 列表中索引为 0 的元素中获取键为'nutrients'的值的列表，并返回列表中的第一个元素。将 db 列表中索引为 0 的元素中的'nutrients'值转换为 Pandas DataFrame 对象。显示 nutrients DataFrame 的前 7 行数据。

info_keys = ["description", "group", "id", "manufacturer"]
info = pd.DataFrame(db, columns=info_keys)
info.head()
info.info()

包含要从数据库中提取的信息的键的列表。使用 info_keys 作为列名，创建包含 db 数据的 Pandas DataFrame 对象，并将其存储在 info 变量中。显示 info DataFrame 的前几行数据。显示 info DataFrame 的基本信息。

pd.value_counts(info["group"])[:10]

从 DataFrame info 中选择了名为'group'的列，该列包含了食物的分组信息。对选定列中的每个唯一值进行计数，并返回计数结果。取计数结果中的前 10 个值，即返回出现次数最多的前 10 个分组。

nutrients = []

for rec in db:
    fnuts = pd.DataFrame(rec["nutrients"])
    fnuts["id"] = rec["id"]
    nutrients.append(fnuts)

nutrients = pd.concat(nutrients, ignore_index=True)
nutrients

创建一个空列表。定义一个函数为每个记录创建一个包含营养信息的 DataFrame 对象，添加一个名为'id'的列，将记录的 id 值赋给该列的每个元素，并将每个记录的营养信息 DataFrame 添加到 nutrients 列表中，将 nutrients 列表中的 DataFrame 对象合并为一个大的 DataFrame，并重新索引行号。

nutrients.duplicated().sum()  # number of duplicates
nutrients = nutrients.drop_duplicates()

计算 duplicates 的总值，并将其赋值给 nutrients。

col_mapping = {"description" : "food",
               "group"       : "fgroup"}
info = info.rename(columns=col_mapping, copy=False)
info.info()
col_mapping = {"description" : "nutrient",
               "group" : "nutgroup"}
nutrients = nutrients.rename(columns=col_mapping, copy=False)
nutrients

定义一个字典，里面有两个键值对。将其重命名为 info，并输出。定义另一个字典，将其重命名为 nutrients 并输出。

ndata = pd.merge(nutrients, info, on="id")
ndata.info()
ndata.iloc[30000]

合并 nutrients 和 info，并读取第 30000 行数据。

fig = plt.figure()
result = ndata.groupby(["nutrient", "fgroup"])["value"].quantile(0.5)
result["Zinc, Zn"].sort_values().plot(kind="barh")

以 nutrient 和 fgroup 分组，并排序绘制柱状图。

by_nutrient = ndata.groupby(["nutgroup", "nutrient"])

def get_maximum(x):
    return x.loc[x.value.idxmax()]

max_foods = by_nutrient.apply(get_maximum)[["value", "food"]]

# make the food a little smaller
max_foods["food"] = max_foods["food"].str[:50]
max_foods.loc["Amino Acids"]["food"]

根据 nutgroup 和 nutrient 分组，并定义一个求最大值得函数，对 value 和 food 求最大值，对最大 food 读取前 50 行，读取 Amino Acids 行数据。