Sorozat és DataFrame a Pythonban

Pár hónapja részt vettem a Harvard Egyetem által az edX-en kínált „A Python használata a kutatáshoz” online tanfolyamon. A tanfolyam folyamán sokféle fogalmat tanultam meg: Python, NumPy, Matplotlib és PyPlot. A kurzus során alkalmam volt esettanulmányok kidolgozására is, és tudásomat tényleges adatkészletekre tudtam felhasználni. További információ erről a programról itt található.

Két fontos fogalmat tanultam meg ezen a tanfolyamon - a Series és a DataFrame. Ezeket egy rövid bemutatón keresztül szeretném bemutatni nektek.

Az oktatóanyaggal kezdve, töltse le a Python legújabb forráskódját az itt található hivatalos webhelyről.

Miután telepítette a Python telepítését, az IDLE nevű grafikus felhasználói felületet használja a Python használatához.

Importáljuk a pandákat a munkaterületünkre. A Pandas egy Python könyvtár, amely adatstruktúrákat és adatelemző eszközöket biztosít a különböző funkciókhoz.

Sorozat

A sorozat egydimenziós objektum, amely bármilyen adattípust, például egész számokat, lebegőket és karakterláncokat képes tárolni. Vegyünk egy elemlistát bemeneti argumentumként, és hozzunk létre egy Sorozat objektumot ehhez a listához.

>>> import pandas as pd
>>> x = pd.Series([6,3,4,6])
>>> x
0 6
1 3
2 4
3 6
dtype: int64

Az adatok tengelycímkéi, az index néven. Az index hosszának meg kell egyeznie az adatok hosszával. Mivel a fenti kódban egyetlen indexet sem adtunk át, az alapértelmezett index értékekkel jön létre[0, 1, … len(data) -1]

Folytassuk, és meghatározzuk az adatok indexeit.

>>> x = pd.Series([6,3,4,6], index=[‘a’, ‘b’, ‘c’, ‘d’])
>>> x
a 6
b 3
c 4
d 6
dtype: int64

A bal oldali oszlop indexe a jobb oldali oszlop adataira vonatkozik.

Az adatokat megkereshetjük az indexükre hivatkozva:

>>> x[“c”]
4

A Python megadja az index releváns adatait.

Az adattípus egyik példája az alább definiált szótár. Az index és az értékek korrelálnak a kulcsokkal és az értékekkel. Az index segítségével megkapjuk az index címkéinek megfelelő adatok értékét.

>>> data = {‘abc’: 1, ‘def’: 2, ‘xyz’: 3}
>>> pd.Series(data)
abc 1
def 2
xyz 3
dtype: int64

A sorozat másik érdekes jellemzője, hogy az adatok skalárértékként szerepelnek. Ebben az esetben az adatérték megismétlődik minden meghatározott indexhez.

>>> x = pd.Series(3, index=[‘a’, ‘b’, ‘c’, ‘d’])
>>> x
a 3
b 3
c 3
d 3
dtype: int64

DataFrame

A DataFrame kétdimenziós objektum, amelynek oszlopai lehetnek potenciálisan különböző típusokkal. Különböző típusú bemenetek tartalmaznak szótárakat, listákat, sorozatokat és még egy másik DataFrame-et is.

Ez a leggyakrabban használt pandas tárgy.

Folytassuk, és hozzunk létre egy DataFrame-et úgy, hogy egy NumPy tömböt adunk át indexidővel és címkézett oszlopokkal:

>>> import numpy as np
>>> dates = pd.date_range(‘20170505’, periods = 8)
>>> dates
DatetimeIndex([‘2017–05–05’, ‘2017–05–06’, ‘2017–05–07’, ‘2017–05–08’,
‘2017–05–09’, ‘2017–05–10’, ‘2017–05–11’, ‘2017–05–12’],
dtype=’datetime64[ns]’, freq=’D’)
>>> df = pd.DataFrame(np.random.randn(8,3), index=dates, columns=list(‘ABC’))
>>> df
A B C
2017–05–05 -0.301877 1.508536 -2.065571
2017–05–06 0.613538 -0.052423 -1.206090
2017–05–07 0.772951 0.835798 0.345913
2017–05–08 1.339559 0.900384 -1.037658
2017–05–09 -0.695919 1.372793 0.539752
2017–05–10 0.275916 -0.420183 1.744796
2017–05–11 -0.206065 0.910706 -0.028646
2017–05–12 1.178219 0.783122 0.829979

A DataFrame 8 napos időtartam-tartományt hoz létre a fent látható módon. Mi lehet megtekinteni a felső és az alsó sorban a kerethez df.head, és df.tail:

>>> df.head()
A B C
2017–05–05 -0.301877 1.508536 -2.065571
2017–05–06 0.613538 -0.052423 -1.206090
2017–05–07 0.772951 0.835798 0.345913
2017–05–08 1.339559 0.900384 -1.037658
2017–05–09 -0.695919 1.372793 0.539752
>>> df.tail()
A B C
2017–05–08 1.339559 0.900384 -1.037658
2017–05–09 -0.695919 1.372793 0.539752
2017–05–10 0.275916 -0.420183 1.744796
2017–05–11 -0.206065 0.910706 -0.028646
2017–05–12 1.178219 0.783122 0.829979

Megtekinthetjük adataink gyors statisztikai összefoglalását is:

>>> df.describe()
A B C
count 8.000000 8.000000 8.000000
mean 0.372040 0.729842 -0.109691
std 0.731262 0.657931 1.244801
min -0.695919 -0.420183 -2.065571
25% -0.230018 0.574236 -1.079766
50% 0.444727 0.868091 0.158633
75% 0.874268 1.026228 0.612309
max 1.339559 1.508536 1.744796

Alkalmazhatunk olyan függvényeket is az adatokra, mint a kumulatív összeg, a hisztogramok megtekintése, a DataFrames egyesítése, a DataFrames összefűzése és átalakítása.

>>> df.apply(np.cumsum)
A B C
2017–05–05 -0.301877 1.508536 -2.065571
2017–05–06 0.311661 1.456113 -3.271661
2017–05–07 1.084612 2.291911 -2.925748
2017–05–08 2.424171 3.192296 -3.963406
2017–05–09 1.728252 4.565088 -3.423654
2017–05–10 2.004169 4.144905 -1.678858
2017–05–11 1.798104 5.055611 -1.707504
2017–05–12 2.976322 5.838734 -0.877526

Ezen adatstruktúrákról itt olvashat bővebben.