利用Python进行数据分析——笔记2

用纯Python代码对时区进行计数

（注：原来使用pylab输入代码，不太方便，就换成了Pycharm编辑器）

假设我们想要知道该数据集中最常出现的是哪个时区（即tz字段），得到答案的办法有很多。

import json
path ='G:/python/pydata-book-master/ch02/1.txt'
records=[json.loads(line) for line in open(path)]
time_zones=[rec['tz'] for rec in records if 'tz' in rec]
time_zones[:10]

首先，我们用列表推导式取出一组时区：

 

出现错误，这是因为不是所有记录都有时区字段。

这种情况，只需在列表推导式末尾加上一个if ’tz’ in rec判断即可

 

只看前10个时区，我们发现有些是未知的，也就是空的。虽然可以将它们过滤掉，但现在暂时保留。接下来，为了对时区进行计数，书中提到了两种方法：

1 只使用标准Python库

2 使用pandas

计数的方法之一是在遍历时区的过程中将计数值保存在字典中：

def get_counts(sequence):
    counts={}
    for x in sequence:
        if x in counts:
            counts[x]+=1
        else:
            counts[x]=1
    return counts

将代码写到函数中是为了获得更高的可重用性。要用它对时区进行处理，只需将time_zones传入即可：

counts=get_counts(time_zones)
counts['America/New_York']
len(time_zones)

 

如果想要得到前10位的时区及其计数，我们需要用到一些有关字典的处理技巧：

def top_counts(count_dict,n=10):
    value_key_pairs=[(count,tz) for tz,count in count_dict.items()]
    value_key_pairs.sort()
    return value_key_pairs[-n:]
引用
line=top_counts(counts)
print line

得到结果：

[(33, u'America/Sao_Paulo'),

(35, u'Europe/Madrid'),

(36, u'Pacific/Honolulu'),

(37, u'Asia/Tokyo'),

(74, u'Europe/London'),

(191, u'America/Denver'),

(382, u'America/Los_Angeles'),

(400, u'America/Chicago'),

(521, u''), (1251, u'America/New_York')]

当然，也可以在Python标准库中找到collections.Counter类，它能使这个任务简化：

from  collections import Counter
counts = Counter(time_zones)
print counts.most_common(10)

得到结果：

[(u'America/New_York', 1251),

(u'', 521), (u'America/Chicago', 400),

(u'America/Los_Angeles', 382),

(u'America/Denver', 191),

(u'Europe/London', 74),

(u'Asia/Tokyo', 37),

(u'Pacific/Honolulu', 36),

 (u'Europe/Madrid', 35),

(u'America/Sao_Paulo', 33)]