Pandas数据分析及可视化应用实践

Pandas是一个基于Numpy的数据分析库，它提供了多种数据统计和数据分析功能，使得数据分析人员在Python中进行数据处理变得方便快捷，接下来将使用Pandas对MovieLens 1M数据集进行相关的数据处理操作，运用具体例子更好地认识和学习Pandas在数据分析方面的独特魅力。

准备工作

首先使用Anaconda安装Jupyter Notebook，由于Jupyter支持单个文件上传，为了便于管理，可以通过upload先上传数据集的压缩包，然后通过zipfile解压数据集，解压后的数据集保存在data文件夹下，可以执行如下代码:

注：若upload无法上传数据压缩包，可以将数据压缩包放到Desktop，在Jupyter中找到Desktop文件夹，通过move移动到目标路径下。

导入Pandas，Numpy数据分析包，等待数据分析

数据读取与处理

1、Movielens数据集

MovieLens数据集是GroupLens Research收集电影评分数据集，包括100K,1M,10M等不同规模的数据集，本文选取MovieLens-1M数据集，该数据集包括6040名用户对3900部电影发布的1000209条评论数据。常用作推荐算法，数据统计数据集。

2、读取数据集

Pandas提供了多种方式来读取不同类型数据，本文使用read_csv来读取Movielens-1M各个子数据集，该方法将表格型数据读取为DataFrame对象，这是Pandas核心数据结构之一，另一个是Series。DataFrame表示的是矩阵的数据表，二维双索引数据结构，包括行索引和列索引。Series是一种一维数组型对象，仅包含一个值序列与一个索引。本文所涉及的数据结构主要是DataFrame。

函数描述|------

951×173 17.2 KB

② 读取movies.dat数据集并输出前6条数据，此处自定义数据展示的条数。

movies.dat数据集movie_id:电影id，title:电影名称以及上映时间，genres:电影的题材。

942×169 9.75 KB

③读取users.dat子数据集，user_id:用户id，gender:用户性别，age:用户所处的年龄段，并不是具体的年龄，occupation:用户职业，zip:邮编。

950×173 9.94 KB

注意：若有的时候数据集列数过多，无法展示多列，出现省略号，此时可以使用pandas中的set_option()进行显示设置。

若输入的数据集较大，可能需要读入文件的一个小片段或者按照小块来遍历文件。若要读取一小部分行数据，可以指明nrows。若是分块去读数据文件，可以指明chunksize作为每一块的行数。

3、数据处理

上面展示的都是子数据的原始状态，但是在数据分析过程中，原始数据可能不满足数据分析的要求，这里做一些简单的处理。

① 去掉title中的年份

通过正则表达式去掉title中的年份

948×165 19 KB

② 通过Pandas中的to_datetime函数将timestamp转换成具体时间

879×149 8.29 KB

③ 通过rename函数更改列名，具体代码如下：

④ 将data_ratings中time列格式变成‘年-月-日’

首先使用Pandas中的to_datetime函数将date列从object格式转化为datetime格式，然后通过strftime(’%Y%m%d’)取出年月日，把这个函数用apply lambda应用到data_ratings[‘timestamp’]的这一列中。

4、数据合并

Pandas提供merge函数合并数据集，类似于sql中的join操作，分为可设为inner（默认内连接），outer（外连接），left（左连接），right（右连接）。将data_movies与data_ratings合并成data数据集。

上面是将两个子数据集合并，也可以多个子数据集合并，将data_movies，data_ratings与data_users一起合并成data1，可以使用两层merge函数合并数据集，也可以使用merge函数将data与data_users合并。

900×180 39 KB

1080×238 73.2 KB

数据分析

1、统计变量

变量描述|------

2、分组统计

Pandas中使用groupby函数进行分组统计，groupby分组实际上就是将原有的DataFrame按照groupby的字段进行划分，groupby之后可以添加计数（count）、求和（sum）、求均值（mean）等操作。

① 统计评分最多的5部电影

首先根据电影名称进行分组，然后使用size函数计算每组样本的个数，最后采用降序的方式输出前5条观测值。

903×294 29.2 KB

② 根据用户id统计电影评分的均值

3、分组聚合统计

Pandas提供aggregate函数实现聚合操作，可简写为agg，可以与groupby一起使用，作用是将分组后的对象使给定的计算方法重新取值，支持按照字段分别给定不同的统计方法。

按照movie_id和title进行分组，并计算评分均值，取前5个数据。

918×314 25 KB

4、使用数据透视表pivot_table获得根据性别分级的每部电影的平均电影评分

数据透视表pivot_table是一种类似groupby的操作方法，常见于EXCEL中，数据透视表按列输入数据，输出时，不断细分数据形成多个维度累计信息的二维数据表。

DataFrame.pivot_table(data, values=None, index=None, columns=None,
            aggfunc='mean', fill_value=None, margins=False,
            dropna=True, margins_name='All')
 

index : 行索引，必要参数

**values ：**对目标数据进行筛选，默认是全部数据，可通过values参数设置我们想要展示的数据列。

**columns :**透视表的列索引，非必要参数，同index使用方式一样

**aggfunc ：**对数据聚合时进行的函数操作，默认是求平均值，也可以sum、count等

**margins ：**额外列，默认对行列求和

**fill_value : **对于空值进行填充

dropna : 默认开启去重

结合Matplotlib进行可视化分析

Pandas不仅可以以表的形式分析数据，还可以结合Matplotlib API进行可视化分析，通过import matplotlib.pyplot as plt导入到程序中，注意，在jupyter notebook中需要添加一行%matplotlib notebook。

1、认识Matplotlib

① Matplotlib常见绘图函数：

900×285 95.2 KB

② Matplotlib绘图步骤

首先定义x，y轴数值，然后绘制图形，设置图形属性，包括颜色，线条，坐标轴范围，线条标记，设置图形标题等，最后使用plt.show( )绘制图形。

2、使用pandas 结合matplotlib绘制数据分析图

① 不同题材的电影数量柱形图

首先根据电影题材进行，然后选取票房最好的15个系列进行统计画图。

900×631 200 KB

② 一年内电影评分均值的走势情况

按照时间分组，然后进行评分均值聚合统计，接着将数据绘制成折线图，便于了解影评分数均值随时间的变化情况，最后将所绘制的图形可通过savefig保存。

900×486 111 KB

③ 使用直方图表示评分分布情况

根据数据呈现的评分分布直方图可见，评分为4分的数量最多

900×404 98.1 KB

总结

通过上面的例子，可以了解Pandas在数据处理方面具有非常好的特性，它所包含的数据结构和数据处理工具使得数据清洗、数据分析十分快捷，支持大部分Numpy语言风格的数组计算，提供分组聚合统计函数，可以与可视化工具Matplotlib一起使用。