6.13 数据的累加与统计操作

问题

你需要处理一个很大的数据集并需要计算数据总和或其他统计量。

解决方案

对于任何涉及到统计、时间序列以及其他相关技术的数据分析问题，都可以考虑使用 Pandas库 。

为了让你先体验下，下面是一个使用Pandas来分析芝加哥城市的老鼠和啮齿类动物数据库 的例子。在我写这篇文章的时候，这个数据库是一个拥有大概74,000行数据的CSV文件。

  1. >>> import pandas
  2.  
  3. >>> # Read a CSV file, skipping last line
  4. >>> rats = pandas.read_csv('rats.csv', skip_footer=1)
  5. >>> rats
  6. <class 'pandas.core.frame.DataFrame'>
  7. Int64Index: 74055 entries, 0 to 74054
  8. Data columns:
  9. Creation Date 74055 non-null values
  10. Status 74055 non-null values
  11. Completion Date 72154 non-null values
  12. Service Request Number 74055 non-null values
  13. Type of Service Request 74055 non-null values
  14. Number of Premises Baited 65804 non-null values
  15. Number of Premises with Garbage 65600 non-null values
  16. Number of Premises with Rats 65752 non-null values
  17. Current Activity 66041 non-null values
  18. Most Recent Action 66023 non-null values
  19. Street Address 74055 non-null values
  20. ZIP Code 73584 non-null values
  21. X Coordinate 74043 non-null values
  22. Y Coordinate 74043 non-null values
  23. Ward 74044 non-null values
  24. Police District 74044 non-null values
  25. Community Area 74044 non-null values
  26. Latitude 74043 non-null values
  27. Longitude 74043 non-null values
  28. Location 74043 non-null values
  29. dtypes: float64(11), object(9)
  30.  
  31. >>> # Investigate range of values for a certain field
  32. >>> rats['Current Activity'].unique()
  33. array([nan, Dispatch Crew, Request Sanitation Inspector], dtype=object)
  34. >>> # Filter the data
  35. >>> crew_dispatched = rats[rats['Current Activity'] == 'Dispatch Crew']
  36. >>> len(crew_dispatched)
  37. 65676
  38. >>>
  39.  
  40. >>> # Find 10 most rat-infested ZIP codes in Chicago
  41. >>> crew_dispatched['ZIP Code'].value_counts()[:10]
  42. 60647 3837
  43. 60618 3530
  44. 60614 3284
  45. 60629 3251
  46. 60636 2801
  47. 60657 2465
  48. 60641 2238
  49. 60609 2206
  50. 60651 2152
  51. 60632 2071
  52. >>>
  53.  
  54. >>> # Group by completion date
  55. >>> dates = crew_dispatched.groupby('Completion Date')
  56. <pandas.core.groupby.DataFrameGroupBy object at 0x10d0a2a10>
  57. >>> len(dates)
  58. 472
  59. >>>
  60.  
  61. >>> # Determine counts on each day
  62. >>> date_counts = dates.size()
  63. >>> date_counts[0:10]
  64. Completion Date
  65. 01/03/2011 4
  66. 01/03/2012 125
  67. 01/04/2011 54
  68. 01/04/2012 38
  69. 01/05/2011 78
  70. 01/05/2012 100
  71. 01/06/2011 100
  72. 01/06/2012 58
  73. 01/07/2011 1
  74. 01/09/2012 12
  75. >>>
  76.  
  77. >>> # Sort the counts
  78. >>> date_counts.sort()
  79. >>> date_counts[-10:]
  80. Completion Date
  81. 10/12/2012 313
  82. 10/21/2011 314
  83. 09/20/2011 316
  84. 10/26/2011 319
  85. 02/22/2011 325
  86. 10/26/2012 333
  87. 03/17/2011 336
  88. 10/13/2011 378
  89. 10/14/2011 391
  90. 10/07/2011 457
  91. >>>

嗯，看样子2011年10月7日对老鼠们来说是个很忙碌的日子啊！^_^

讨论

Pandas是一个拥有很多特性的大型函数库，我在这里不可能介绍完。但是只要你需要去分析大型数据集合、对数据分组、计算各种统计量或其他类似任务的话，这个函数库真的值得你去看一看。

原文:

http://python3-cookbook.readthedocs.io/zh_CN/latest/c06/p13_summarizing_and_perform_statistics.html