데이터 분석을 위해 Python을 사용하는 방법에 대한 간단한 튜토리얼

최근 Analysis with 프로그래밍에 Planet Python이 추가되었습니다. 저는 이 웹사이트의 첫 번째 게스트 블로거 중 한 명으로서 Python을 통해 데이터 분석을 시작하는 방법을 공유하려고 왔습니다. 구체적인 내용은 다음과 같습니다.

데이터 가져오기
로컬 또는 웹 CSV 파일 가져오기
데이터 변환
데이터 통계 설명
단일 표본 t -테스트;
시각화
사용자 정의 기능을 만듭니다.

데이터 가져오기

이는 후속 분석을 위해 먼저 데이터를 가져와야 하는 중요한 단계입니다. 일반적으로 데이터는 CSV 형식이며, 그렇지 않더라도 최소한 CSV 형식으로 변환할 수 있습니다. Python에서 작업은 다음과 같습니다.

import pandas as pd
  
# Reading data locally
df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')
  
# Reading data from web
data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"
df = pd.read_csv(data_url)

로컬 CSV 파일을 읽으려면 pandas 데이터 분석 라이브러리에 해당 모듈이 필요합니다. read_csv 함수는 로컬 및 웹 데이터를 읽을 수 있습니다.

데이터 변환

이제 작업 공간에 데이터가 있으므로 다음 단계는 데이터 변환입니다. 통계학자와 과학자는 종종 이 단계에서 분석에서 불필요한 데이터를 제거합니다. 먼저 데이터를 살펴보겠습니다.

# Head of the data
print df.head()
  
# OUTPUT
 Abra Apayao Benguet Ifugao Kalinga
0 1243 2934  148 3300 10553
1 4158 9235  4287 8063 35257
2 1787 1922  1955 1074  4544
3 17152 14501  3536 19607 31687
4 1266 2385  2530 3315  8520
  
# Tail of the data
print df.tail()
  
# OUTPUT
  Abra Apayao Benguet Ifugao Kalinga
74 2505 20878  3519 19737 16513
75 60303 40065  7062 19422 61808
76 6311 6756  3561 15910 23349
77 13345 38902  2583 11096 68663
78 2623 18264  3745 16787 16900

R 언어 프로그래머의 경우 위 작업은 print(head(df))를 통해 데이터의 처음 6행을 인쇄하고, R 언어 프로그래머의 처음 6행을 인쇄하는 것과 같습니다. print(tail(df) )를 통해 데이터를 사용하여 마지막 6줄의 데이터를 인쇄합니다. 물론 Python에서는 기본 인쇄가 5줄이지만 R에서는 6줄입니다. 따라서 R 코드 head(df, n = 10)은 Python에서 df.head(n = 10)이고, 데이터의 tail을 출력하는 경우에도 마찬가지입니다.

R 언어에서는 데이터의 열 이름과 행 이름을 각각 colname과 rowname으로 추출합니다. Python에서는 다음과 같이 열과 인덱스 속성을 사용하여 추출합니다.

# Extracting column names
print df.columns
  
# OUTPUT
Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object')
  
# Extracting row names or the index
print df.index
  
# OUTPUT
Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78], dtype='int64')

데이터 전치에서는 T 메서드를 사용하고,

# Transpose data
print df.T
  
# OUTPUT
   0  1  2  3  4  5  6  7  8  9
Abra  1243 4158 1787 17152 1266 5576 927 21540 1039 5424
Apayao 2934 9235 1922 14501 2385 7452 1099 17038 1382 10588
Benguet 148 4287 1955 3536 2530 771 2796 2463 2592 1064
Ifugao 3300 8063 1074 19607 3315 13134 5134 14226 6842 13828
Kalinga 10553 35257 4544 31687 8520 28252 3106 36238 4973 40140
  
   ...  69  70  71  72  73  74  75  76  77
Abra  ... 12763 2470 59094 6209 13316 2505 60303 6311 13345
Apayao ... 37625 19532 35126 6335 38613 20878 40065 6756 38902
Benguet ...  2354 4045 5987 3530 2585 3519 7062 3561 2583
Ifugao ...  9838 17125 18940 15560 7746 19737 19422 15910 11096
Kalinga ... 65782 15279 52437 24385 66148 16513 61808 23349 68663
  
   78
Abra  2623
Apayao 18264
Benguet 3745
Ifugao 16787
Kalinga 16900

정렬과 같은 다른 변환에서는 sort 속성을 사용합니다. 이제 특정 데이터 열을 추출합니다. Python에서는 iloc 또는 ix 속성을 사용할 수 있습니다. 그러나 나는 ix가 더 안정적이기 때문에 ix를 사용하는 것을 선호합니다. 데이터의 첫 번째 열의 처음 5개 행이 필요하다고 가정하면 다음과 같습니다.

print df.ix[:, 0].head()
  
# OUTPUT
0  1243
1  4158
2  1787
3 17152
4  1266
Name: Abra, dtype: int64

그런데 Python의 인덱스는 1이 아닌 0부터 시작합니다. 11~20행에서 데이터의 처음 3개 열을 가져오려면 다음이 필요합니다.

print df.ix[10:20, 0:3]
  
# OUTPUT
 Abra Apayao Benguet
10 981 1311  2560
11 27366 15093  3039
12 1100 1701  2382
13 7212 11001  1088
14 1048 1427  2847
15 25679 15661  2942
16 1055 2191  2119
17 5437 6461  734
18 1029 1183  2302
19 23710 12222  2598
20 1091 2343  2654

위 명령은 df.ix[10:20, ['Abra', 'Apayao', ' 벵게트']].

데이터의 열을 삭제하기 위해 열 1(Apayao)과 열 2(Benguet)가 있으며 다음과 같이 drop 속성을 사용합니다.

print df.drop(df.columns[[1, 2]], axis = 1).head()
  
# OUTPUT
 Abra Ifugao Kalinga
0 1243 3300 10553
1 4158 8063 35257
2 1787 1074  4544
3 17152 19607 31687
4 1266 3315  8520

축 매개변수는 열 또는 행을 삭제할지 여부를 함수로 지정합니다. 축이 0이면 행이 삭제됩니다.

통계 설명

다음 단계는 설명 속성을 통해 데이터의 통계적 특성을 설명하는 것입니다.

print df.describe()
  
# OUTPUT
    Abra  Apayao  Benguet  Ifugao  Kalinga
count  79.000000  79.000000 79.000000  79.000000  79.000000
mean 12874.379747 16860.645570 3237.392405 12414.620253 30446.417722
std 16746.466945 15448.153794 1588.536429 5034.282019 22245.707692
min  927.000000 401.000000 148.000000 1074.000000 2346.000000
25%  1524.000000 3435.500000 2328.000000 8205.000000 8601.500000
50%  5790.000000 10588.000000 3202.000000 13044.000000 24494.000000
75% 13330.500000 33289.000000 3918.500000 16099.500000 52510.500000
max 60303.000000 54625.000000 8813.000000 21031.000000 68663.000000

가설 테스트

Python에는 좋은 기능이 있습니다. 통계적 추론 패키지. scipy의 통계입니다. ttest_1samp는 단일 샘플 t 테스트를 구현합니다. 따라서 귀무 가설을 통과하여 데이터의 Abra 열의 평균 쌀 수확량을 테스트하려는 경우 여기서 전체 평균 쌀 수확량이 15000이라고 가정하면 다음과 같습니다.

from scipy import stats as ss
  
# Perform one sample t-test using 1500 as the true mean
print ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000)
  
# OUTPUT
(-1.1281738488299586, 0.26270472069109496)

구성된 튜플을 반환합니다.

t : 부동 소수점 또는 배열 유형

t 통계
prob : 부동 소수점 또는 배열 유형
양측 p-값 양측 확률 값

위 출력을 통해 p-값 0.267은 α = 0.05보다 훨씬 크므로 평균 쌀 생산량이 150,000이 아니라고 말할 충분한 증거가 없습니다. 다시 평균을 15,000으로 가정하고 모든 변수에 이 테스트를 적용하면 다음과 같은 결과가 나옵니다.

print ss.ttest_1samp(a = df, popmean = 15000)
  
# OUTPUT
(array([ -1.12817385, 1.07053437, -65.81425599, -4.564575 , 6.17156198]),
 array([ 2.62704721e-01, 2.87680340e-01, 4.15643528e-70,
   1.83764399e-05, 2.82461897e-08]))

첫 번째 배열은 t-통계량이고 두 번째 배열은 해당 p-값입니다.

시각화

Python에는 많은 시각화 모듈이 있으며, 가장 널리 사용되는 모듈은 matpalotlib 라이브러리입니다. 간단히 언급하자면 보케(bokeh) 및 씨본(seaborn) 모듈을 선택할 수도 있습니다. 이전 블로그 게시물에서 matplotlib 라이브러리에 있는 box-and-whisker 플롯 모듈의 기능을 설명했습니다.

# Import the module for plotting
import matplotlib.pyplot as plt
 plt.show(df.plot(kind = 'box'))

이제 Pandas 모듈에서 R과 통합된 ggplot 테마를 사용하여 차트를 아름답게 만들 수 있습니다. ggplot을 사용하려면 위 코드

import matplotlib.pyplot as plt
pd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2
df.plot(kind = 'box')

에 한 줄만 더 추가하면 다음 차트를 얻을 수 있습니다.

은 너무 간결합니다. matplotlib.pyplot 테마보다 많습니다. 하지만 이번 블로그 게시물에서는 통계 데이터 시각화 라이브러리인 seaborn 모듈을 소개하는 것을 선호합니다.

# Import the seaborn library
import seaborn as sns
 # Do the boxplot
plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))

정말 섹시한 박스 아트입니다. 계속 읽어보세요.

plt.show(sns.violinplot(df, widths = 0.5, color = "pastel"))

plt.show(sns.distplot(df.ix[:,2], rug = True, bins = 15))

with sns.axes_style("white"):
 plt.show(sns.jointplot(df.ix[:,1], df.ix[:,2], kind = "kde"))

plt.show(sns.lmplot("Benguet", "Ifugao", df))

创建自定义函数

在Python中，我们使用def函数来实现一个自定义函数。例如，如果我们要定义一个两数相加的函数，如下即可：

def add_2int(x, y):
 return x + y
  
print add_2int(2, 2)
  
# OUTPUT
4

顺便说一下，Python中的缩进是很重要的。通过缩进来定义函数作用域，就像在R语言中使用大括号{…}一样。这有一个我们之前博文的例子：

    产生10个正态分布样本，其中u=3和o.
    基于95%的置信度，计算 x_bar 和 x_bar2 ;
    重复100次; 然后
    计算出置信区间包含真实均值的百分比

Python中，程序如下：

import numpy as np
import scipy.stats as ss
  
def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
 m = np.zeros((rep, 4))
  
 for i in range(rep):
  norm = np.random.normal(loc = mu, scale = sigma, size = n)
  xbar = np.mean(norm)
  low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
  up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
  
  if (mu > low) & (mu < up):
   rem = 1
  else:
   rem = 0
  
  m[i, :] = [xbar, low, up, rem]
  
 inside = np.sum(m[:, 3])
 per = inside / rep
 desc = "There are " + str(inside) + " confidence intervals that contain "
   "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
  
 return {"Matrix": m, "Decision": desc}

   

上述代码读起来很简单，但是循环的时候就很慢了。下面针对上述代码进行了改进，这多亏了 Python专家。

import numpy as np
import scipy.stats as ss
  
def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
 scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
 norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))
  
 xbar = norm.mean(1)
 low = xbar - scaled_crit
 up = xbar + scaled_crit
  
 rem = (mu > low) & (mu < up)
 m = np.c_[xbar, low, up, rem]
  
 inside = np.sum(m[:, 3])
 per = inside / rep
 desc = "There are " + str(inside) + " confidence intervals that contain "
   "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
 return {"Matrix": m, "Decision": desc}

更多데이터 분석을 위해 Python을 사용하는 방법에 대한 간단한 튜토리얼相关文章请关注PHP中文网！