Series a DataFrame v Pythone

Pred pár mesiacmi som sa zúčastnil online kurzu „Používanie Pythonu na výskum“, ktorý ponúka edícia na Harvardovej univerzite. Počas kurzu som sa naučil veľa konceptov Pythonu, NumPy, Matplotlib a PyPlot. Počas tohto kurzu som mal tiež možnosť pracovať na prípadových štúdiách a svoje znalosti som mohol využiť v aktuálnych súboroch údajov. Ďalšie informácie o tomto programe nájdete tu.

Na tomto kurze som sa naučil dva dôležité pojmy - Series a DataFrame. Chcem vám ich predstaviť prostredníctvom krátkeho tutoriálu.

Ak chcete začať s tutoriálom, získajte najnovší zdrojový kód jazyka Python z oficiálnych webových stránok tu.

Po nainštalovaní Pythonu budete na prácu s Pythonom používať grafické užívateľské rozhranie s názvom IDLE.

Importujme Pandy do nášho pracovného priestoru. Pandas je knižnica Pythonu, ktorá poskytuje dátové štruktúry a nástroje na analýzu údajov pre rôzne funkcie.

Séria

A Series je jednorozmerný objekt, ktorý môže obsahovať akýkoľvek dátový typ, ako sú celé čísla, plaváky a reťazce. Zoberme si zoznam položiek ako vstupný argument a pre tento zoznam vytvorme objekt Series.

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

Označenia osí pre údaje, ktoré sa označujú ako index. Dĺžka indexu musí byť rovnaká ako dĺžka údajov. Pretože sme v kóde vyššie nepredali žiadny index, vytvorí sa predvolený index s hodnotami[0, 1, … len(data) -1]

Poďme ďalej a definujte indexy pre dáta.

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

Index v stĺpci najviac vľavo teraz odkazuje na údaje v pravom stĺpci.

Údaje môžeme vyhľadať odkazom na ich index:

>>> x[“c”]
4

Python nám poskytuje príslušné údaje pre index.

Jedným príkladom dátového typu je slovník definovaný nižšie. Index a hodnoty korelujú s kľúčmi a hodnotami. Index môžeme použiť na získanie hodnôt údajov zodpovedajúcich štítkom v indexe.

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

Ďalšou zaujímavou vlastnosťou série je použitie údajov ako skalárnej hodnoty. V takom prípade sa údajová hodnota opakuje pre každý z definovaných indexov.

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

DataFrame

Dátový rámec je dvojrozmerný objekt, ktorý môže mať stĺpce s potenciálne rôznymi typmi. Rôzne druhy vstupov zahŕňajú slovníky, zoznamy, seriály a dokonca aj iný dátový rámec.

Je to najčastejšie používaný objekt pandy.

Poďme ďalej a vytvorte údajový rámec odovzdaním poľa NumPy s dátumom a časom ako indexy a označené stĺpce:

>>> 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

Ako je uvedené vyššie, vytvorí sa dátový rámec s rozsahom dátumov a dátumov 8 dní. Horný a spodný riadok rámu môžeme zobraziť pomocou df.heada 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

Môžeme tiež sledovať rýchly štatistický súhrn našich údajov:

>>> 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

Na údaje môžeme tiež aplikovať funkcie, ako je kumulatívny súčet, prezerať histogramy, zlučovať DataFrames, spájať a pretvárať DataFrames.

>>> 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

Viac podrobností o týchto údajových štruktúrach si môžete prečítať tu.