正文

pandas系列之入门篇

三界  三界  2022-10-09  344

关键词：

Pandas系列之入门篇

简介

pandas 是 python用来数据清洗、分析的包，可以使用类sql的语法方便的进行数据关联、查询，属于内存计算范畴，
效率远远高于硬盘计算的数据库存储。另外pandas还提供了大数据存储的API——HDFStore，来对接HDF5。

安装

pandas 利用豆瓣源，速度快

pip install pandas numpy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

pytables
```
pip install tables
```
hdf5
Download: https://www.hdfgroup.org/downloads/hdf5/source-code/
```
./configure
make
make check
make install
```

使用案例

上网流量数据：源数据以CSV文件实时生成，通过监听文件的方式做到一旦有新的CSV生成就进入数据处理流程。
总的流程大致分5部，分别是：读取CSV、数据清洗、数据分析、数据统计、存储HDF5。

关于下面用到的一些字段的解释说明：

user: 用户

tm_type: 终端类型

serv: 一级app分类

app: 二级app分类

record_time: 记录产生的时间

up_flux: 上行流量

down_flux: 下行流量

pandas api document: https://pandas.pydata.org/pandas-docs/stable/api.html?highlight=hdfstore

读取CSV

filename_src = ‘xxx.csv‘
col_list = [‘user‘, ‘tm_type‘, ‘serv‘, ‘app‘, ‘record_time‘, ‘up_flux‘, ‘down_flux‘]

# x01表示空格 16进制
df_flux = pd.read_csv(filename_src, sep=‘x01‘, error_bad_lines=False, index_col=False, usecols=[3, 10, 11, 12, 15, 16, 17], names=col_list)

数据清洗

"""
    data clean
"""
# remove null data
df_flux.dropna(inplace=True)

# remove duplicates
df_flux.drop_duplicates(inplace=True)

数据分析

"""
    data analysis
    inner join v_student_net(inner join)
    refer column: user
"""
conn = MySQLdb.connect(host, user, passwd, database, charset=‘utf8‘)
cur = conn.cursor()
sql = ‘select outid, username from v_student_net‘
cur.execute(sql)
results = cur.fetchall()
df_student_net = pd.DataFrame(list(results), columns=[‘outid‘, ‘user‘])

# inner join df_flux, v_student_net
df_flux = pd.merge(df_flux, df_student_net, on=‘user‘)

数据统计

"""
    data statistics
    group by: record_date, outid, serv, app
    aggregate by: up_flux, down_flux
    sort by: down_flux with desc
"""
# as_index=False，default True
grouped = df_flux.groupby([‘record_date‘, ‘outid‘, ‘serv‘, ‘app‘], as_index=False)
df_flux = grouped.agg({‘up_flux‘: ‘sum‘, ‘down_flux‘: ‘sum‘}).sort_values(‘down_flux‘, ascending=False)

存储HDF5

"""
    store in hdf5
"""
hdf5_filepath = ‘xxx.h5‘
store = pd.HDFStore(hdf5_filepath, complevel=1, complib=‘bzip2‘)
store.put(‘flux‘, df_flux, format=‘table‘, append=True, data_columns=True)

总结

从上面的例子可以看到，pandas处理数据是相当的简洁明了，存储hdf5更是两句话就搞定。当然这里面会有相当多注意的细节，稍有不慎就会导致意想不到的结果，我将会在下一篇介绍。

要学好pandas，api文档必须要精通！

pandas高级数据分析快速入门之二——基础篇(代码片段)

Pandas高级数据分析快速入门之一——Python开发环境篇Pandas高级数据分析快速入门之二——基础篇Pandas高级数据分析快速入门之三——统计分析篇Pandas高级数据分析快速入门之四——表内、表间数据处理篇Pandas高级数据分析快速入... 查看详情

pandas高级数据分析快速入门之五——机器学习特征工程篇(代码片段)

Pandas高级数据分析快速入门之一——Python开发环境篇Pandas高级数据分析快速入门之二——基础篇Pandas高级数据分析快速入门之三——数据挖掘与统计分析篇Pandas高级数据分析快速入门之四——数据可视化篇Pandas高级数据分析快速... 查看详情

pandas高级数据分析快速入门之五——机器学习特征工程篇(代码片段)

pandas高级数据分析快速入门之四——数据可视化篇(代码片段)

pandas高级数据分析快速入门之六——机器学习预测分析篇(代码片段)

pandas高级数据分析快速入门之三——数据挖掘与统计分析篇(代码片段)

pandas高级数据分析快速入门之一——python开发环境篇

sed修炼系列：花拳绣腿之入门篇

...为花拳绣腿招式入门篇，主要目的是入门，为看懂sed修炼系列(二)：武功心法做准备。虽然是入门篇，只介绍了基本工作机制以及一些选项和命令，但其中仍然包括了很多sed的工作机制细节。对比网上各sed相关文章以及介绍sed的... 查看详情

springboot系列之入门篇

前言前面我们学习了Java基础和算法，接下来我们通过学习SpringBoot基础来强化代码书写能力，只有通过基础项目实践才能发现问题，在此过程中我们则可以进一步学习JVM虚拟机和线程知识，岂不两全其美，好了，话不多讲，我们... 查看详情

kotlin基础从入门到进阶系列讲解（入门篇）android之gson的使用(代码片段)

Kotlin基础从入门到进阶系列讲解（入门篇）Android之GSON的使用Android之GSON的使用Android之GSON的使用->返回总目录<-Google提供的GSON开源库可以让解析JSON数据的工作简单到让你不敢想象的地步项目中需要添加GSON库的依赖。编辑app/b... 查看详情

k8s入门系列之介绍篇

文章转自 http://www.cnblogs.com/xkops/p/6165565.html?Kubernetes介绍1.背景介绍　　云计算飞速发展　　　　-IaaS　　　　-PaaS　　　　-SaaS　　Docker技术突飞猛进　　　　-一次构建，到处运行　　　　-容器的快速轻量　　　　-完整的生... 查看详情

k8s入门系列之介绍篇

原文链接：https://www.cnblogs.com/xkops/p/6165565.html（本文仅用于记录，方便日后自己查阅，如有侵权，请告知，将立即删除） •Kubernetes介绍1.背景介绍　　云计算飞速发展　　　　-IaaS　　　　-PaaS　　　　-SaaS　　Docker技术突... 查看详情

k8s入门系列之介绍篇

?Kubernetes介绍1.背景介绍　　云计算飞速发展　　　　-IaaS　　　　-PaaS　　　　-SaaS　　Docker技术突飞猛进　　　　-一次构建，到处运行　　　　-容器的快速轻量　　　　-完整的生态环境2.什么是kubernetes　　Kubernetes(k8s)是Google... 查看详情

openlayers入门开发系列之地图导航控件篇

本篇的重点内容是利用openlayers来实现了地图导航控件功能，效果图如下：实现思路如下：创建一个地图控件基类，除了本篇的地图导航控件继承这个地图控件基类之外，后续的其他地图控件也是继承该基类地图控件基类中创建... 查看详情

k8s入门系列之介绍篇

1.背景介绍云计算飞速发展　　　　-IaaS　　　　-PaaS　　　　-SaaSDocker技术突飞猛进　　　　-一次构建，到处运行　　　　-容器的快速轻量　　　　-完整的生态环境　　　　2.什么是kubernetesKubernetes(k8s)是Google开源的容器集... 查看详情

elasticsearch顶尖高手系列-快速入门篇

01.课程介绍02.用大白话告诉你什么是Elasticsearch03.Elasticsearch的功能、适用场景以及特点介绍04.手工画图剖析Elasticsearch核心概念：NRT、索引、分片、副本等05.在windows上安装和启动Elasticseach06.快速入门案例实战之电商网站商品管理... 查看详情

数据挖掘入门系列教程（四点五）之apriori算法(代码片段)

目录数据挖掘入门系列教程（四点五）之Apriori算法频繁（项集）数据的评判标准Apriori算法流程结尾数据挖掘入门系列教程（四点五）之Apriori算法Apriori（先验）算法关联规则学习的经典算法之一，用来寻找出数据集中频繁出现... 查看详情

openlayers4入门开发系列之前端动态渲染克里金插值kriging篇（附源码下载）(代码片段)

...子，这个也是学习openlayers4的好素材。openlayers4入门开发系列的地图服务基于Geoserver发布的，关于Geoserver方面操作的博客，可以参考以下几篇文章：geoserver安装部署查看详情