最近拿到本《Python for Data Analysis》，就用Jupyter Notebook来跑了一遍里面的例子，现在想把他做个记录，以后翻翻看也好（PS：早上翘课被点名了，欲哭无泪）
这个例子包含三个类别的数据集，分别是：
USAbitlyData：访问美国官网的用户信息
MovieLens：用户对电影的打分数据
BabyNames：美国从1880到2010年孩子名字的数据集
接下来我们将对对一个数据集进行简单的操作，剩下的两个数据集的例子我放在下一篇文章写好了。
USAbitly数据 先读取数据
import json
path = 'LearningExercise/usagov_bitly_data2012-03-16-1331923249.txt'
records = [json.loads(line) for line in open(path)]
records[0]
通过输出来第一条记录，看看这个数据集长什么样子
{'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'}
我们可以看到数据包含标签及值，那如果要获得第一条记录的'tz'标签的值（tz 是timezone的缩写），可以这样
records[0]['tz']
以上表示数据的第一条记录的tz标签的值，返回值为
'America/New_York'
以此类推，我们可以通过for循环获得所有记录的'tz'值
time_zones = [rec['tz'] for rec in records if 'tz' in rec]
那如果我们要计算某个值重复的次数，例如要看看有多少条数据的tz值为'America/New_York'，我们可以用Python的标准库来写函数
#Using Standard Python Library
def get_counts(sequence):
counts = {}
for x in sequence:
if x in counts:
counts[x] += 1
else:
counts[x] = 1
return counts
也可以用collections的函数来写
from collections import defaultdict
def get_counts2(sequence):
counts = defaultdict(int) #values will initialize to 0
for x in sequence:
counts[x] += 1
return counts
写出的函数可以这么用
counts = get_counts2(time_zones)
counts['America/New_York']
查询出现排次数前十的时区，可以写这么个函数
# top 10 time zones and their counts
def top_counts(count_dict, n = 10):
value_key_pairs = [(count, tz) for tz, count in count_dict.items()]
value_key_pairs.sort()
return value_key_pairs[-n:]
top_counts(counts)
输出为
[(33, 'America/Sao_Paulo'),
(35, 'Europe/Madrid'),
(36, 'Pacific/Honolulu'),
(37, 'Asia/Tokyo'),
(74, 'Europe/London'),
(191, 'America/Denver'),
(382, 'America/Los_Angeles'),
(400, 'America/Chicago'),
(521, ''),
(1251, 'America/New_York')]
当然，我们还能用Python的标准库来写这个函数，也可以用pandas进行操作，现在来看看pandas的操作情况，这里用DataFrame保存所有的records到frame
# Counting Time Zones with pandas
from pandas import DataFrame, Series
import pandas as pd
frame = DataFrame(records)
tz_counts = frame['tz'].value_counts()
tz_counts[:10]
输出为
America/New_York 1251
521
America/Chicago 400
America/Los_Angeles 382
America/Denver 191
Europe/London 74
Asia/Tokyo 37
Pacific/Honolulu 36
Europe/Madrid 35
America/Sao_Paulo 33
Name: tz, dtype: int64
我们可以看到以上的输出里，有些缺失的数据，我们可以把这些数据处理一下
# Replace the missing Values nad unknown value
clean_tz = frame['tz'].fillna('Missing')
clean_tz[clean_tz == ''] = 'Unknown'
tz_counts = clean_tz.value_counts()
tz_counts[:10]
输出为
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
接下来我们用matplotlib来实现上面的图，但是jupyter notebook上显示plot的东西，可能无法显示，我是通过先运行以下这句来实现
%matplotlib inline
简单地运行一句
tz_counts[:10].plot(kind='barh', rot=0)
现在来通过时区tz及操作系统(标签a中的内容)来构建数据
import numpy as np
cframe = frame[frame.a.notnull()]
operating_system = np.where(cframe['a'].str.contains('Windows'), 'Windows', 'Not Windows')
by_tz_os = cframe.groupby(['tz', operating_system])
agg_counts = by_tz_os.size().unstack().fillna(0)
agg_counts[:10]
fillna(0)是将NA的缺失数据变为0，输出为
计算每个时区数据的总和，再排序一下
#Use to sort in ascending order
indexer = agg_counts.sum(1).argsort()
indexer[:10]
输出为
tz
24
Africa/Cairo 20
Africa/Casablanca 21
Africa/Ceuta 92
Africa/Johannesburg 87
Africa/Lusaka 53
America/Anchorage 54
America/Argentina/Buenos_Aires 57
America/Argentina/Cordoba 26
America/Argentina/Mendoza 55
dtype: int64
我们现在来看，时区出现次数最高的十个地区中，windows的使用情况
count_subset = agg_counts.take(indexer)[-10:]
normed_subset = count_subset.div(count_subset.sum(1), axis = 0)
normed_subset.plot(kind='barh', stacked = True)
以上是对第一个数据集进行操作的情况，其中涉及到pandas，numpy，matplotlib，dataframe这些概念，而这些也是用Python做数据分析常用到的工具，希望下次逃课不会被点名了_(:з」∠)_ 或者希望下次不要逃课了xDDDDDDD
