《利用python进行数据分析》学习笔记（二）

处理MovieLens 1M data set

由于代码段不是很多，就将笔记和查漏补缺部分合在一起了。

导入表格数据

import pandas as pd

upath = os.path.expanduser('ch02/movielens/users.dat')
rpath = os.path.expanduser('ch02/movielens/ratings.dat')
mpath = os.path.expanduser('ch02/movielens/movies.dat')

unames = ['user_id', 'gender', 'age', 'occupation', 'zip']
rnames = ['user_id', 'movie_id', 'rating', 'timestamp']
mnames = ['movie_id', 'title', 'genres']

#方法一
users = pd.read_table(upath, sep='::', header=None, names=unames, engine='python')
ratings= pd.read_table(rpath, sep='::', header=None, names=rnames, engine='python')
movies = pd.read_table(mpath, sep='::', header=None, names=mnames, engine='python')

#方法二
users = pd.read_csv(upath, sep='::', header=None, names=unames)
ratings = pd.read_csv(rpath, sep='::', header=None, names=rnames)
movies = pd.read_csv(mpath, sep='::', header=None, names=mnames)

对于表格数据，用read_table和read_csv均可，names表示的是columns，sep是根据数据格式来确定的。

• users数据
  
• movies数据
  
• ratings数据
  

数据合并

data = pd.merge(pd.merge(ratings, users), movies)

• data
  
  运用merge 进行数据合并，pandas会根据列名的重叠情况自动进行合并，这就非常智能，免去了自己合并表格的麻烦。如果没有特殊要求，就直接pd.merge(left,right)即可。
  关于pandas.merge参数太多就不过多介绍，附上链接。
  http://pandas.pydata.org/pandas-docs/stable/merging.html

按性别计算每部电影平均得分

mean_ratings = data.pivot_table(value='rating', index='title',columns='gender', aggfunc='mean')

• mean_ratings
  

• pandas.pivot_table

pandas.pivot_table(data, values=None, index=None, columns=None, aggfunc=’mean’, fill_value=None, margins=False, dropna=True, margins_name=’All’)

parameters：

data : DataFrame

values: 需要聚合的列或者需要进行操作的列，比如代码中的**‘rating’**

index : 列 column
- 必须与data长度一致，它将构成pivot table的index，比如代码里的**‘title’**

columns : 列 column
- 必须与data长度一致，它将构成pivot table的column，比如代码里的**‘gender’**

aggfunc : function，默认为numpy.mean()， 取均值

fill_value : 标量，默认为None
- 填充缺失值

margins : 布尔量，默认为False
- 添加行或列，例如统计总数

dropna : 布尔量，默认为False
- 剔除全为NaN的列

margins_name : str，字符串，默认为’all’
- 当margins是True时，margins行或列的名称

现在回头去看那段关于pivot_table的代码就很明了了，title是我们的index，gender中存在的元素就是我们的列，这里只有F和M，所以只有两列，rating是我们pivot_table的要处理的value，最后我们经过aggfunc的处理之后得到我们要的数据，按性别计算每部电影的平均得分。下面再给出一种新方法

new_data = data[['rating','title','gender']].groupby(['title','gender'])
mean_ratings = new_data.mean().unstack()

• mean_ratings
  
  可以发现结果基本一样除了多了一个rating标签，这说明pivot其实就是对数据进行新组合，新索引，然后调用函数，再unstack()的过程的集合。
  http://pandas.pydata.org/pandas-docs/stable/generated/pandas.pivot_table.html

统计每部电影评论条数并过滤掉不够250条的电影

# 方法1
ratings_by_title = data.groupby('title').size()
# 方法2
ratings_by_title = data['title'].value_counts(sort=False)

# 利用布尔索引提出评论条数多余250的电影
active_titles = ratings_by_title.index[ratings_by_title >= 250]
# 利用title索引出对应电影的mean_ratings数据
mean_ratings = mean_ratings.ix[active_titles]
# 统计最受女性欢迎的电影
top_female_ratings = mean_ratings.sort_index(by = 'F',ascending= False)
# index重命名
mean_ratings = mean_ratings.rename(index={'Seven Samurai (The Magnificent Seven) (Shichinin no samurai) (1954)':
                           'Seven Samurai (Shichinin no samurai) (1954)'})

• pandas.DataFrame.sort_index()
  http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.sort_index.html

计算评分分歧

# 添加一列用于存放平均得分之差
mean_ratings['diff'] = mean_ratings['M'] - mean_ratings['F']
# 对其排序
sorted_by_diff = mean_ratings.sort_index(by='diff')
# 对行反序，取出前15个
sorted_by_diff[::-1][:15]

# 根据电影名称分组的得分数据的标准差
rating_std_by_title = data.groupby('title')['rating'].std()
# 根据active_titles进行过滤
rating_std_by_title = rating_std_by_title.ix[active_titles]
# 根据值对Series进行降序排列
rating_std_by_title.sort_values(ascending=False)

原书中，根据值对Series排序，调用的是order()函数，我所用的python3.6所下载的pandas已经没有order函数了，已经改为sort_values().

---