Python - Wrangling danych

Wrangling danych polega na przetwarzaniu danych w różnych formatach, takich jak łączenie, grupowanie, konkatenacja itp. W celu analizy lub przygotowania ich do użycia z innym zestawem danych. Python ma wbudowane funkcje umożliwiające zastosowanie tych metod wrangling do różnych zestawów danych, aby osiągnąć cel analityczny. W tym rozdziale przyjrzymy się kilku przykładom opisującym te metody.

Łączenie danych

Biblioteka Pandas w Pythonie zapewnia jedną funkcję, merge, jako punkt wejścia dla wszystkich standardowych operacji łączenia bazy danych między obiektami DataFrame -

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None,
left_index=False, right_index=False, sort=True)

Stwórzmy teraz dwie różne ramki DataFrame i wykonaj na nich operacje scalania.

# import the pandas library
import pandas as pd
left = pd.DataFrame({
         'id':[1,2,3,4,5],
         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],
         'subject_id':['sub1','sub2','sub4','sub6','sub5']})
right = pd.DataFrame(
         {'id':[1,2,3,4,5],
         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],
         'subject_id':['sub2','sub4','sub3','sub6','sub5']})
print left
print right

Jego output wygląda następująco -

Name  id   subject_id
0   Alex   1         sub1
1    Amy   2         sub2
2  Allen   3         sub4
3  Alice   4         sub6
4  Ayoung  5         sub5

    Name  id   subject_id
0  Billy   1         sub2
1  Brian   2         sub4
2  Bran    3         sub3
3  Bryce   4         sub6
4  Betty   5         sub5

Grupowanie danych

Grupowanie zbiorów danych jest częstą potrzebą w analizie danych, gdzie potrzebujemy wyniku w postaci różnych grup obecnych w zbiorze danych. Panadas ma wbudowane metody, które mogą przekazywać dane do różnych grup.

W poniższym przykładzie grupujemy dane według lat, a następnie otrzymujemy wynik za określony rok.

# import the pandas library
import pandas as pd

ipl_data = {'Team': ['Riders', 'Riders', 'Devils', 'Devils', 'Kings',
         'kings', 'Kings', 'Kings', 'Riders', 'Royals', 'Royals', 'Riders'],
         'Rank': [1, 2, 2, 3, 3,4 ,1 ,1,2 , 4,1,2],
         'Year': [2014,2015,2014,2015,2014,2015,2016,2017,2016,2014,2015,2017],
         'Points':[876,789,863,673,741,812,756,788,694,701,804,690]}
df = pd.DataFrame(ipl_data)

grouped = df.groupby('Year')
print grouped.get_group(2014)

Jego output wygląda następująco -

Points  Rank     Team    Year
0     876     1   Riders    2014
2     863     2   Devils    2014
4     741     3   Kings     2014
9     701     4   Royals    2014

Łączenie danych

Pandy zapewniają różne udogodnienia do łatwego łączenia Series, DataFrame, i Panelobiekty. W poniższym przykładzieconcatfunkcja wykonuje operacje konkatenacji wzdłuż osi. Stwórzmy różne obiekty i zróbmy konkatenację.

import pandas as pd
one = pd.DataFrame({
         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],
         'subject_id':['sub1','sub2','sub4','sub6','sub5'],
         'Marks_scored':[98,90,87,69,78]},
         index=[1,2,3,4,5])
two = pd.DataFrame({
         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],
         'subject_id':['sub2','sub4','sub3','sub6','sub5'],
         'Marks_scored':[89,80,79,97,88]},
         index=[1,2,3,4,5])
print pd.concat([one,two])

Jego output wygląda następująco -

Marks_scored     Name   subject_id
1             98     Alex         sub1
2             90      Amy         sub2
3             87    Allen         sub4
4             69    Alice         sub6
5             78   Ayoung         sub5
1             89    Billy         sub2
2             80    Brian         sub4
3             79     Bran         sub3
4             97    Bryce         sub6
5             88    Betty         sub5