ANALÝZA DAT A VIZUALIZACE V PYTHONU

Python je široce používán jako jazyk pro analýzu dat díky svým robustním knihovnám a nástrojům pro správu dat. Mezi tyto knihovny patří Pandas, které usnadňují manipulaci s průzkumem dat a analýzu. budeme používat pandy k analýze datové sady tzv Země-data.csv od Kaggle. Při práci s těmito daty také zavádíme některé důležité koncepty v Pandas.

1. Instalace

Nejjednodušší způsob, jak nainstalovat pandy, je použít pip:

Python

    pip   install   pandas

nebo si jej stáhněte z zde .

2. Vytvoření datového rámce v Pandas

A DataFrame je datová struktura podobná tabulce v Pandas, která má data uložená v řádcích a sloupcích. DataFrame lze vytvořit předáním více objektů python Series do DataFrame třída ( pd.DataFrame() ) pomocí pd.Series metoda. V tomto příkladu jsou použity dva objekty Series: s1 jako první řada a s2 jako druhá řada.

Příklad 1: Vytvoření DataFrame ze série:

Python

    import   pandas   as   pd   # Creating two Series: s1 (numbers) and s2 (names)   s1   =   pd  .  Series  ([  1     2  ])   s2   =   pd  .  Series  ([  'Ashish'     'Sid'  ])   # Creating DataFrame by combining Series as rows   dataframe   =   pd  .  DataFrame  ([  s1     s2  ])   # Displaying the DataFrame   print  (  dataframe  )

výstup:

Příklad 2: DataFrame ze seznamu s vlastním indexem a názvy sloupců:

Python

    dataframe1   =   pd  .  DataFrame  ([[  1     2  ]   [  'Ashish'     'Sid'  ]]   index  =  [  'r1'     'r2'  ]   columns  =  [  'c1'     'c2'  ])   print  (  dataframe1  )

výstup:

Příklad 3: DataFrame ze slovníku:

Python

    dataframe2   =   pd  .  DataFrame  ({   'c1'  :   [  1     'Ashish'  ]   'c2'  :   [  2     'Sid'  ]   })   print  (  dataframe2  )

výstup:

3. Import dat pomocí Pandas

Prvním krokem je načtení dat. V našem případě jsou data uložena jako soubor CSV (Comma-Separated Values), kde je každý řádek oddělen novým řádkem a každý sloupec čárkou. Aby bylo možné s daty v Pythonu pracovat, je potřeba načíst csv soubor do Pandas DataFrame.

Python

    import   pandas   as   pd   # Read Country-data.csv into a DataFrame   df   =   pd  .  read_csv  (  'Country-data.csv'  )   # Prints the first 5 rows of a DataFrame as default   df  .  head  ()   # Prints no. of rows and columns of a DataFrame   df  .  shape

výstup:

(167 10)

4. Indexování datových rámců pomocí Pandas

Pandas poskytuje výkonné možnosti indexování. DataFrames můžete indexovat pomocí obou na základě polohy a na základě štítků metody.

Indexování na základě pozice (pomocí iloc ):

Python # prints first 5 rows and every column which replicates df.head() df . iloc [ 0 : 5 :] # prints entire rows and columns df . iloc [::] # prints from 5th rows and first 5 columns df . iloc [ 5 :: 5 ]

výstup:

Indexování na základě štítků (pomocí loc ):

S indexováním lze pracovat se štítky pomocí pandas.DataFrame.loc metoda, která umožňuje indexovat pomocí štítků místo pozic.

Příklady:

Python # prints first five rows including 5th index and every columns of df df . loc [ 0 : 5 :] # prints from 5th rows onwards and entire columns df . loc [ 5 ::]

výstup:

Výše uvedené se ve skutečnosti příliš neliší od df.iloc[0:5:]. Je to proto, že zatímco popisky řádků mohou nabývat libovolných hodnot, naše štítky řádků přesně odpovídají pozicím. Ale popisky sloupců mohou práci s daty značně usnadnit.

Příklad:

Python # Prints the first 5 rows of Time period # value df . loc [: 5 'child_mort' ]

výstup:

5. DataFrame Math s Pandas

Pandas usnadňuje provádění matematických operací s daty uloženými v datových rámcích. Operace, které lze na pandách provádět, jsou vektorizované, což znamená, že jsou rychlé a aplikují se automaticky na všechny prvky bez použití smyček.

Příklad – sloupcová matematika:

Python # Adding 5 to every element in column A df [ 'child_mort' ] = df [ 'child_mort' ] + 5 # Multiplying values in column B by 10 df [ 'exports' ] = df [ 'exports' ] * 10 df

výstup:

Statistické funkce v Pandas:

Výpočet datových rámců lze provést pomocí statistických funkcí nástrojů pandas. Můžeme použít funkce jako:

df.sum() → součet hodnot
df.mean() → průměr
df.max() / df.min() → maximální a minimální hodnoty
df.describe() → rychlý souhrn statistik

Python # computes various summary statistics excluding NaN values df . describe () # Provides sum of all the values for each column df . sum ()

výstup:

6. Vizualizace dat pomocí Pandas a Matplotlib

Pandas se velmi snadno používá Matplotlib výkonná knihovna používaná pro vytváření základních grafů a grafů. Pomocí několika řádků kódu můžeme vizualizovat naše data a lépe jim porozumět. Níže uvádíme několik jednoduchých příkladů, které vám pomohou začít s vykreslováním pomocí Pandas a Matplotlib:

Python # Import the library first import matplotlib.pyplot as plt

Histogram

Histogram zobrazuje rozložení hodnot ve sloupci.

Python df [ 'income' ] . hist ( bins = 10 ) plt . title ( 'Histogram of Income' ) plt . xlabel ( 'Income Value' ) plt . ylabel ( 'Frequency' ) plt . show ()

výstup:

Box Plot

A krabicová zápletka je užitečný k detekci odlehlých hodnot a pochopení šíření dat.

Python df = df . head ( 10 ) plt . figure ( figsize = ( 20 6 )) # Increase width to make x-axis labels clearer df . boxplot ( column = 'imports' by = 'country' ) plt . title ( 'Boxplot by Country' ) plt . suptitle ( '' ) # Removes default title plt . xlabel ( 'Country' ) plt . ylabel ( 'Imports' ) plt . xticks ( rotation = 45 ) # Optional: Rotate x-axis labels for better visibility plt . tight_layout () # Adjust layout to avoid clipping plt . show ()

výstup:

Bodový spiknutí

A bodový graf ukazuje vztah mezi dvěma proměnnými.

Python x = df [ 'health' ] y = df [ 'life_expec' ] plt . scatter ( x y label = 'Data Points' color = 'm' marker = '*' s = 30 ) plt . xlabel ( 'Health' ) plt . ylabel ( 'Life Expectancy' ) plt . title ( 'Scatter Plot of Health vs Life Expectancy' ) plt . legend () plt . show ()

výstup: