ANALÝZA DÁT A VIZUALIZÁCIA S PYTHONOM

Python je široko používaný ako jazyk analýzy údajov vďaka jeho obsiahlym knižniciam a nástrojom na správu údajov. Medzi tieto knižnice patrí Pandas, ktorá uľahčuje manipuláciu s prieskumom údajov a analýzu. budeme používať pandy na analýzu súboru údajov tzv Country-data.csv od Kaggle. Pri práci s týmito údajmi tiež predstavíme niektoré dôležité koncepty v Pandas.

1. Inštalácia

Najjednoduchší spôsob, ako nainštalovať pandy, je použiť pip:

Python

    pip   install   pandas

alebo si ho stiahnite z tu .

2. Vytvorenie dátového rámca v Pandas

A DataFrame je dátová štruktúra podobná tabuľke v Pandas, ktorá má dáta uložené v riadkoch a stĺpcoch. DataFrame je možné vytvoriť odovzdaním viacerých objektov python Series do DataFrame trieda ( pd.DataFrame() ) pomocou pd.Series metóda. V tomto príklade sú použité dva objekty radu: s1 ako prvý riadok a s2 ako druhý rad.

Príklad 1: Vytvorenie dátového rámca zo 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:

Príklad 2: DataFrame zo zoznamu s vlastným indexom a názvami stĺpcov:

Python

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

výstup:

Príklad 3: DataFrame zo slovníka:

Python

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

výstup:

3. Import údajov pomocou Pandy

Prvým krokom je načítanie údajov. V našom prípade sú údaje uložené ako súbor CSV (Comma-Separated Values), kde každý riadok je oddelený novým riadkom a každý stĺpec čiarkou. Aby bolo možné pracovať s údajmi v Pythone, je potrebné prečítať csv súbor 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. Indexovanie dátových rámov s Pandas

Pandas poskytuje výkonné možnosti indexovania. DataFrames môžete indexovať pomocou oboch na základe polohy a na základe štítkov metódy.

Indexovanie na základe pozície (pomocou 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:

Indexovanie založené na štítkoch (pomocou loc ):

S indexovaním je možné pracovať s menovkami pomocou pandas.DataFrame.loc metóda, ktorá umožňuje indexovanie pomocou štítkov namiesto pozícií.

Príklady:

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:

Vyššie uvedené sa v skutočnosti veľmi nelíši od df.iloc[0:5:]. Je to preto, že zatiaľ čo označenia riadkov môžu nadobudnúť akékoľvek hodnoty, naše označenia riadkov sa presne zhodujú s pozíciami. Štítky stĺpcov však môžu prácu s údajmi značne zjednodušiť.

Príklad:

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

výstup:

5. DataFrame Math s Pandas

Pandas uľahčuje vykonávanie matematických operácií s údajmi uloženými v dátových rámcoch. Operácie, ktoré možno vykonávať na pandách, sú vektorizované, čo znamená, že sú rýchle a aplikujú sa automaticky na všetky prvky bez použitia slučiek.

Príklad – stĺpcová 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:

Štatistické funkcie v Pandách:

Výpočet dátových rámcov je možné vykonať pomocou štatistických funkcií nástrojov pandas. Môžeme použiť funkcie ako:

df.sum() → súčet hodnôt
df.mean() → priemer
df.max() / df.min() → maximálne a minimálne hodnoty
df.describe() → rýchly súhrn štatistík

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

výstup:

6. Vizualizácia dát pomocou Pandas a Matplotlib

Používanie Pandy je veľmi jednoduché Matplotlib výkonná knižnica používaná na vytváranie základných grafov a grafov. Len s niekoľkými riadkami kódu dokážeme vizualizovať naše údaje a lepšie im porozumieť. Nižšie je uvedených niekoľko jednoduchých príkladov, ktoré vám pomôžu začať s vykresľovaním pomocou Pandas a Matplotlib:

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

Histogram

Histogram zobrazuje rozdelenie hodnôt v stĺpci.

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

výstup:

Krabicový pozemok

A krabicová zápletka je užitočný na zistenie odľahlých hodnôt a pochopenie šírenia údajov.

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 graf

A bodový graf ukazuje vzťah medzi dvoma premennými.

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: