楼主: ZQZ520
7422 165

[软件应用] 数据整理中经典的分类汇总问题的Python实现   [推广有奖]

回帖奖励 255 个论坛币 回复本帖可获得 3 个论坛币奖励! 每人限 1 次
  • 2关注
  • 42粉丝

运营管理员

院士

4%

还不是VIP/贵宾

-

威望
4
论坛币
173493 个
学术水平
89 点
热心指数
190 点
信用等级
85 点
经验
22082 点
帖子
523
精华
7
在线时间
2173 小时
注册时间
2014-5-7
最后登录
2017-11-22

楼主
ZQZ520 在职认证  发表于 2017-10-13 10:03:36 |只看作者 |倒序
      数据分析职场新人,精通一门语言至关重要。写个web服务,可以用python、 写个服务器脚本,可以用python、 数据清洗和网络爬虫,可以用python、 做机器学习数据挖掘,可以用python等等,所以说人生苦短,我用Python

      下面的问题是数据整理中经典的分类汇总问题,各个软件,SAS、R语言甚至Excel都可以比较好地解决此问题,但Python解决此问题时,也可以做到“一剑封喉”,并体现出其独特的优势。我们先看问题:
       题目:下列数据来自某市房地产公司的资料,试按房屋类型和每一房屋类型下卧室个数的多少计算其平均售价。
图1.png

      问题比较清楚,这是一个按照“房屋类型”和“卧室个数的多少”的双条件汇总问题,即考虑在A和B两个条件下的数据分类汇总问题。该问题在工作中是常见的问题,如果在Excel完成,要依靠数据的预处理和较为复杂的函数来进行。
      我们先来试算一下,比如,先看第5行,在“RANCH”这个房屋类型下,“BEDROOMS”个数为3的数据记录总共有2条,即第“5”条和第“11”条,其房价分别是“$86,650”和“$89,100”,不难算出其平均价格为“$87,875”。
       用Python的Pandas(专门进行数据处理的模块)计算,首先面临的问题是如何导入数据,并且把房屋价格里面的“$”和“,”去掉,这样才能进行计算。于是一个双条件分类汇总的问题变成了字符处理的问题。
当然不可能手动去读入数据,最简洁的方式是将数据选择鼠标右键复制下来,然后这样导入:
图2.png

导入让把所有的数据赋给“a”,“a”的数据结构看一下是:
图3.png

告诉我们是“字符串”。面对字符串,进一步显示“a”,发现其被“\n”分割:
图4.png

于是想办法去掉“\n”。去掉“\n”不是很难,一句“a.split("\n")”就可以去掉。但是进一步我们发现,各个变量是以空格“ ”相连的,所以还要去掉这个空格以便进一步计算。这里利用Python常用的“逐行扫描”技巧来完成。通常前面要先定义一个空的list,比如b:
图5.png

这一步完成之后,一定要看一下b的结果,如下图所示:
图6.png

下一步就是要去掉价格price里面的“$”和“,”了,这一步完成的方法比较多,最朴素的想法是用什么都没有的“”去置换这2个元素:
图7.png

这里又用到Python的“for”循环的“逐行扫描”的技巧。这一步将“b”变成:
图8.png

到了这一步,离结果只有“一步之遥”了。为了保险起见,我们把所有的变量都“数值化”,使用下面的语句去遍历:
图9.png

得到如下的结果:
图10.png
仔细比较一下前图,发现字符串都变成了数字。

到了这时候,就是“临门一脚”了,我们把数据整理成为我们熟悉的“数据框”的形式,这一步让Pandas来上场,经过整理之后,数据变得“赏心悦目”:
图11.png

请注意,这条语句中,指明第一行是变量名。
通常,面临这样的数据,要进行各种计算是非常方便的。比如,要完成一开始题目提出的问题,只需一句话即得结果:
图12.png

       这句“画龙点睛”之笔是用groupby这个函数把数据按照2个条件分组,然后计算其均值。“.”加函数的方式是Python里面常用的形式。我们看一下Python计算结果里面的“RANCH”和“3”,是“87875”,与我们之前计算的完全吻合。这样我们就按要求用Python完成了该数据的整理汇总。
       数据的整理汇总是进行数据分析和数据挖掘工作的前期准备,比较重要,往往占用很大一部分时间。数据清洗的能力有时候直接决定数据挖掘建模预测的成败。通过该简单的小例子,向大家展示了Python中的Pandas在这方面的优势和方法。当然,Python及Pandas神通广大,远远不止做这些简单的工作,希望大家掌握这个数据分析利器,在大数据时代更好更充分的发掘数据的价值。

      PS:这只是课程中的一个小案例,强化的培训,应该让你学完后很自信,学以致用,快速上手解决工作中的问题,想学习python朋友私聊张老师。

在线咨询
张老师
手机:13718534278(微信)
QQ:28819897122881989712
邮箱:zhangwei@pinggu.org




支持楼主:购买VIP购买贵宾 购买后,论坛将把您花费的资金全部奖励给楼主,以表示您对TA发好贴的支持
 
载入中......
已有 1 人评分热心指数 收起 理由
AGodot + 2 观点有启发

总评分: 热心指数 + 2   查看全部评分




CDA数据分析交流群 217748971
stata SPSS
沙发
西门高 发表于 2017-10-13 10:28:18 来自手机 |只看作者
ZQZ520 发表于 2017-10-13 10:03
下面的问题是数据整理中经典的分类汇总问题,各个软件,SAS、R语言甚至Excel都可以比较好地解决此问题,但P ...
谢谢分享
回复

使用道具 举报

藤椅
ZQZ520 在职认证  发表于 2017-10-13 10:42:07 |只看作者
一、课程目标
1.数据分析工作中遇到的典型数据分析和挖掘案例进行深刻地分析
2.初学者快速掌握Python 数据分析和数据挖掘(含机器学习)的思想和方法
3.形成科学有效的知识和能力结构体系框架,为今后数据分析工作打下良好的基础

二、课程特色
1.全程没有艰深的公式,几乎全部以实际案例带动启发理解,以通俗易懂的语言讲清楚深刻的数据分析和挖掘思想,随时互动、答疑解惑
2.注重学以致用、注重应用场景再现。把工作中常见的数据分析模型和案例加以剖析,使得学员在实际工作中很快能上手进行实际问题的解决
3.注重实际工作经验分享,让学员在工作学习中少走弯路,以培养兴趣为引导、以阐明基本原理思想为基础,让学员在数据分析中有应万变的能力

三、授课老师
      覃老师,早年毕业于中国人民大学统计学院,近 20 年来一直进行着数据分析的理论和实践,熟悉数据分析与建模,擅长使用Python、R语言、SAS和Spark解决大数据建模及算法优化难题,积累了大量实践案例,经验丰富;善于用逻辑贯穿数据分析过程,把深奥的思想和方法用通俗易懂的语言讲述清楚透彻,善于用数据分析计算机程序实现从数据到结论到预测的落地过程。2010 年至今培养了上万名(包括首批)使用R语言、SAS和Python等工具实现数据分析和挖掘的专业人士,帮助他们在数据挖掘领域提升工作技能或实现就业。
     覃老师曾在某世界500强金融业公司工作期间曾带队负责开发国内首款基于数据分析建模、随机模拟和最优化精确计算的金融年金产品,该产品销售额持续领跑同业市场多年,获得金融产品创新大奖。
     覃老师培训或完成过数据分析和挖掘项目的企业有中国人寿、陆金所、中国建设银行、汇丰银行、北京银行、渤海银行、宁波银行、吴江农商行、中国移动等。

四、课程大纲:
第一阶段: Python 基础精要,零基础也能学会
1. 语法初步
2. 列表、字符串和元组
3. 集合与字典
4. 条件和循环语句
5. 若干重要内置函数应用
6. 文件操作
7. 函数及其应用
8. 正则表达式
9. 数据库和 Python
10.排序算法、 动态规划算法、递归算法等算法

第二阶段:numpy、pandas等进行数据清洗和整理,充分统计分析数据
1. 整理数据(切片、产生随机数、复制、广播、排序等)
2. 数据索引和选择的各种方法
3. 数据的分组、分割、合并、变形
4. 缺失值和空值的数据处理
5. 时间序列数据处理、建模和预测(ARIMA)
6. 含中文数据的处理
7. 数据去重、去离群值
8. R语言和Python(pandas)数据整理和建模的比较
9. 描述统计和推论统计分析

第三阶段:Python机器学习算法和数据挖掘案例实战
1. 文本挖掘原理和案例(Logistic 回归模型对文本的分类)
2. 预测分析核心算法(图片的K-means聚类分析)
3. 机器学习经典算法(图片的识别和分类:PCA建模)
4. 概率统计(二维手写数字识别 KNN方法)
5. 数据可视化(推荐系统和精准营销 最近邻方法、协同过滤)
6. 金融建模分析(数据可视化的各种情形)
7. 客户画像和精准营销(新闻的文本分类 TF-IDF准则、旅游新闻个性化推荐)
8. 算法和模型的优化(手写识别)
9. 模型精度评估和提升(朴素贝叶斯决策)
10.特征选取的方法(酒的品质分类预测)
11.最佳K-means分类数(机器学习的格点搜索和参数寻优)
12.交叉验证(惩罚线性回归分类器)
13.不平衡数据处理(使用支持向量机识别和分类)
14.XGBoost 使用案例        (金融时间序列预测)
15.贝叶斯分析(机器集成学习算法)
16.逼近和最优化         (随机模拟)
17.自然语言概率图模型(用户流失预警)
18 马尔科夫&蒙特卡罗(量化投资实战)


(深圳现场班)

(远程直播班)

五、课程安排
上课时间:2018年01月12-14日
上课地点:深圳市南山区科技园北区科技北一路17号摩比大厦
现场费用:2800/1800元(学生价格1800元 仅限全日制本科生及硕士研究生)
直播费用:1800元/人(同步上课时间 课程内容)
每天授课:上午9:00-12:00;下午13:30-16:30;16:30-17:00(答疑
课程优惠:
1.现场班老学员9折优惠;
2.同一单位三人以上同时报名9折优惠;
以上优惠不叠加

PS:9月覃老师在中国工商银行企业内训,学员受益匪浅,详情见链接
  http://www.cda.cn/hd/125.html

在线咨询

张老师
手机:13718534278(微信)
QQ:28819897122881989712
邮箱:zhangwei@pinggu.org










回复

使用道具 举报

板凳
littlelianglian 发表于 2017-10-13 12:01:45 |只看作者

回帖奖励 +3 个论坛币

长沙有远程直播课
回复

使用道具 举报

报纸
PLMKI 发表于 2017-10-13 13:33:43 |只看作者

回帖奖励 +3 个论坛币

python是一门高级语言,其生产效率更高,时间通常比CPU的时间值钱,因此为了权衡利弊,考虑用python是值得的。
谢谢分享,支持支持!
回复

使用道具 举报

地板
浮世若离丶 发表于 2017-10-13 13:40:06 |只看作者

回帖奖励 +3 个论坛币

人生苦短,快学Python
回复

使用道具 举报

7
zhouzhj3333 发表于 2017-10-13 14:17:39 |只看作者

回帖奖励 +3 个论坛币

学习学习
回复

使用道具 举报

8
laoliu_lyp 在职认证  发表于 2017-10-13 14:50:08 |只看作者

回帖奖励 +3 个论坛币

XGBoost 使用案例
回复

使用道具 举报

9
A.T. 发表于 2017-10-13 15:20:57 |只看作者

回帖奖励 +3 个论坛币

想学习 但是不知从何开始
回复

使用道具 举报

10
rossrachel 发表于 2017-10-13 15:25:29 |只看作者

回帖奖励 +3 个论坛币

支持一下!
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 我要注册

GMT+8, 2017-11-23 00:13