系列目录:
数据说明
通过对读取数据的实践,下面是数据集文件对应读取后的DataFrame说明。
数据文件
DataFrame
DataTech_Credit_Train_Communication1.txt
train_comm
DataTech_Credit_Train_User1
train_user
DataTech_公共数据_基础信息1
train_basic
DataTech_公共数据_通话1
train_call
重塑(reshape)和轴向旋转(pivot)
其中train_comm有201703-201706共4个月的用户通话数据,以"长格式(long)"或"堆叠格式(stacked)"存储,UserI_Id直接关联其他DataFrame会出现一对多的情况,故需要对它进行重塑(reshape)和旋转(pivot)运算。train_comm有4列数据:'UserI_Id', 'R3A_Stop_Days', 'R3A_Stop_Cnt', 'date',假设只有一个需要参与重塑的数据列,可利用DataFrame的pivot方法实现转换,train_comm_pivoted = train_comm.pivot('UserI_Id', 'date', 'R3A_Stop_Days'),前两个参数值分别用作行和列索引的列名,最后一个参数值是用于填充DataFrame的数据列的列名,假设有两个需要参与重塑的数据列,那么忽略最后一个参数,得到的DataFrame就会带有层次化的列。其实,pivot只是一个快捷方式而已,用set_index创建层次化索引,再用unstack重塑可以达到同样效果。
train_comm_pivoted = train_comm.pivot('UserI_Id', 'date')
# train_comm_pivoted = train_comm.set_index(['UserI_Id', 'date']).unstack('date')
R3A_Stop_Days R3A_Stop_Cnt
date 201703 201704 201705 201706 201703 201704 201705 201706
UserI_Id
10032318 1 1 1 1 1 1 1 1
10041348 1 1 1 1 1 1 1 1
10076180 1 1 1 1 1 1 1 1
10099716 4 4 4 4 2 2 2 1
10101115 1 1 1 1 1 1 1 1
层次化索引
但是,这样生成的DataFrame有multiindex columns,而我们其他的DataFrame没有,那么怎样合并具有不同列索引层次的DataFrame呢。假设合并的两个DataFrame为train_user和train_comm_pivoted,这里提供两种解决的方案。
一是Index to MultiIndex,add a level to the columns of train_user,
train_user.columns = pd.MultiIndex.from_product([train_user.columns, ['in']])
UserI_Id RISK_Flag
in in
0 60015357 0
1 60015359 1
2 60015362 1
3 60015365 0
4 10032318 1
二是MultiIndex to Index,
train_comm_pivoted.columns = ['%s%s' % (a, '|%s' % b if b else '') for a, b in train_comm_pivoted.columns]
R3A_Stop_Days|201703 R3A_Stop_Days|201704 R3A_Stop_Days|201705 R3A_Stop_Days|201706 R3A_Stop_Cnt|201703 R3A_Stop_Cnt|201704 R3A_Stop_Cnt|201705 R3A_Stop_Cnt|201706
UserI_Id
10032318 1 1 1 1 1 1 1 1
10041348 1 1 1 1 1 1 1 1
10076180 1 1 1 1 1 1 1 1
10099716 4 4 4 4 2 2 2 1
10101115 1 1 1 1 1 1 1 1
为了方便后续与其他数据集的合并,我选择了MultiIndex to Index。
数据库风格的DataFrame合并
应用pandas的merge函数,接下来就可以合并train_user和train_comm_pivoted这两个DataFrame了。
train_user_comm = pd.merge(train_user, train_comm_pivoted, how='left', left_on='UserI_Id', right_index=True, suffixes=('_user', '_comm'))
pd.merge函数的参数
参数
说明
left
参与合并的左侧DataFrame
right
参与合并的右侧DataFrame
how
"inner"、"outer"、"left"、"right",默认为"inner"
on
用于连接的列名,如果未指定,且其他连接键也未指定,则以left和right列名的交集作为连接键
left_on
左侧DataFrame用作连接键的列
rigth_on
右侧DataFrame用作连接键的列
left_index
将左侧的行索引用作其连接键
right_index
将右侧的行索引用作其连接键
suffixes
字符串值元组,用于追加到重叠列名的末尾,默认为('_x', '_y')。
当然,合并数据集还可以用一些其他的方式,如pandas.concat、DataFrame1.join(DataFrame2),DataFrame的join实例方法,能更为方便的实现按索引的合并,它还可用于合并多个带有相同或相似索引的DataFrame对象,而不管它们有没有重叠的列。这里就引出下一个话题,将DataFrame的一个或多个列当做行索引来用,或者可能希望将行索引变成DataFrame的列。
列和行索引的转换
DataFrame的set_index函数会将一个或多个列转化为行索引,并创建一个新的DataFrame。
# column to index
train_user = train_user.set_index('UserI_Id')
reset_index的功能跟set_index刚好相反,层次化索引的级别会被转移到列里面。
# UserI_Id reset_index() to Column
train_comm_pivoted = train_comm_pivoted.reset_index()
移除重复数据
DataFrame中经常出现重复行,可以用DataFrame的duplicated方法返回一个布尔型Series,表示各行是否是重复行,还有一个drop_duplicates方法,用于返回一个移除了重复行的DataFrame。这两个方法默认会判断全部列,我们也可以指定部分列进行重复项判断。且,它们默认保留的是第一个出现的值组合,传入参数take_last=True则保留最后一个。
train_basic = train_basic.drop_duplicates()
索引、选取
对DataFrame进行索引是获取一个或者多个列。
train_user_comm_basic[['UserI_Id', 'RISK_Flag']].head()
UserI_Id RISK_Flag
0 60015357 0
1 60015359 1
2 60015362 1
3 60015365 0
4 10032318 1
但是,这种索引方式有几个特殊的情况,首先通过切片或布尔型数组选取行。
train_basic_201706 = train_basic[train_basic['date'] == 201706]
为了在DataFrame行上进行标签索引,引入索引字段ix。它可以通过NumPy式的标记法和轴标签从DataFrame选取行和列的子集。
train_user_comm_basic.ix[:3, ['UserI_Id', 'RISK_Flag']].head()
UserI_Id RISK_Flag
0 60015357 0
1 60015359 1
2 60015362 1
3 60015365 0
# 切片选取,行包括末端,列不包括???
train_user_comm_basic.ix[:3, :3].head()
UserI_Id RISK_Flag R3A_Stop_Days|201703
0 60015357 0 1
1 60015359 1 4
2 60015362 1 2
3 60015365 0 1
通过本篇的数据预处理,基本可以形成原始基础数据的一张宽表,因为给出的原始数据是脱敏的,已经做了离散化处理,如果认为宽表的特征还不够丰富的话,可以基于自己对业务和数据的理解衍生一些新的特征。
附1:bug参考资料
您可能还想看
Hadoop/CDH
微信公众号「数据分析」,分享数据科学家的自我修养,既然遇见,不如一起成长。
数据分析
转载请注明:转载自微信公众号「数据分析」
读者交流电报群:
读者交流群