Serije i DataFrame u Pythonu

Prije nekoliko mjeseci pohađao sam internetski tečaj "Korištenje Pythona za istraživanje" koji je na edX ponudio Sveučilište Harvard. Tijekom pohađanja tečaja naučio sam mnoge koncepte Pythona, NumPy-a, Matplotliba i PyPlota. Također sam imao priliku raditi na studijama slučaja tijekom ovog tečaja i bio sam u mogućnosti koristiti svoje znanje o stvarnim skupovima podataka. Za više informacija o ovom programu pogledajte ovdje.

Na ovom sam tečaju naučio dva važna pojma - Series i DataFrame. Želim vam ih predstaviti kroz kratki vodič.

Da započnemo s vodičem, dohvatimo najnoviji izvorni kod Pythona sa službenog web mjesta ovdje.

Jednom kada instalirate Python je instaliran, za rad s Pythonom upotrebljavat ćete grafičko korisničko sučelje nazvano IDLE.

Uvezimo Pande u naš radni prostor. Pandas je Python knjižnica koja pruža strukture podataka i alate za analizu podataka za različite funkcije.

Niz

Serija je jednodimenzionalni objekt koji može sadržavati bilo koji tip podataka kao što su cjelobrojni brojevi, plutajuće i nizovi. Uzmimo popis stavki kao ulazni argument i stvorimo objekt Series za taj popis.

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

Oznake osi za podatke kako se naziva indeks. Duljina indeksa mora biti jednaka duljini podataka. Budući da nismo proslijedili nijedan indeks u gornjem kodu, zadani indeks će se stvoriti s vrijednostima[0, 1, … len(data) -1]

Krenimo dalje i definirajmo indekse podataka.

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

Indeks u većini lijevog stupca sada se odnosi na podatke u desnom stupcu.

Podatke možemo potražiti pozivajući se na njihov indeks:

>>> x[“c”]
4

Python nam daje relevantne podatke za indeks.

Jedan od primjera vrste podataka je rječnik definiran u nastavku. Indeks i vrijednosti povezani su s ključevima i vrijednostima. Indeks možemo koristiti za dobivanje vrijednosti podataka koje odgovaraju oznakama u indeksu.

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

Još jedna zanimljiva značajka u Seriji je imati podatke kao skalarnu vrijednost. U tom se slučaju vrijednost podataka ponavlja za svaki definirani indeks.

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

DataFrame

DataFrame je dvodimenzionalni objekt koji može imati stupce s potencijalno različitim vrstama. Različite vrste ulaza uključuju rječnike, popise, serije, pa čak i drugi DataFrame.

To je najčešće korišten objekt pande.

Idemo dalje i stvorimo DataFrame prosljeđivanjem NumPy polja s datumom i vremenom kao indeksima i označenim stupcima:

>>> 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

Izrađuje se DataFrame s vremenskim rasponom od 8 dana, kao što je gore prikazano. Gornje i donje redove okvira možemo vidjeti pomoću df.headi 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

Možemo promatrati i kratki statistički sažetak naših podataka:

>>> 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

Također možemo primijeniti funkcije na podatke poput kumulativnog zbroja, pregledavanja histograma, spajanja okvira podataka, spajanja i preoblikovanja okvira podataka.

>>> 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

Više detalja o tim strukturama podataka možete pročitati ovdje.