Учебники

Python — перенос данных

Май 16, 2019

Обработка данных включает обработку данных в различных форматах, таких как — объединение, группирование, объединение и т. Д. С целью анализа или подготовки их для использования с другим набором данных. Python имеет встроенные функции для применения этих методов споров к различным наборам данных для достижения аналитической цели. В этой главе мы рассмотрим несколько примеров, описывающих эти методы.

Слияние данных

Библиотека Pandas в python предоставляет единственную функцию merge в качестве точки входа для всех стандартных операций соединения базы данных между объектами DataFrame — 

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None,
left_index=False, right_index=False, sort=True)

Давайте теперь создадим два разных DataFrames и выполним операции слияния с ним. 

# import the pandas library
import pandas as pd
left = pd.DataFrame({
         'id':[1,2,3,4,5],
         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],
         'subject_id':['sub1','sub2','sub4','sub6','sub5']})
right = pd.DataFrame(
         {'id':[1,2,3,4,5],
         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],
         'subject_id':['sub2','sub4','sub3','sub6','sub5']})
print left
print right

Его вывод выглядит следующим образом — 

    Name  id   subject_id
0   Alex   1         sub1
1    Amy   2         sub2
2  Allen   3         sub4
3  Alice   4         sub6
4  Ayoung  5         sub5

    Name  id   subject_id
0  Billy   1         sub2
1  Brian   2         sub4
2  Bran    3         sub3
3  Bryce   4         sub6
4  Betty   5         sub5

Группировка данных

Группировка наборов данных является частой потребностью в анализе данных, когда нам нужен результат с точки зрения различных групп, присутствующих в наборе данных. У Panadas есть встроенные методы, которые могут сворачивать данные в различные группы.

В приведенном ниже примере мы группируем данные по годам, а затем получаем результат для определенного года. 

# import the pandas library
import pandas as pd

ipl_data = {'Team': ['Riders', 'Riders', 'Devils', 'Devils', 'Kings',
         'kings', 'Kings', 'Kings', 'Riders', 'Royals', 'Royals', 'Riders'],
         'Rank': [1, 2, 2, 3, 3,4 ,1 ,1,2 , 4,1,2],
         'Year': [2014,2015,2014,2015,2014,2015,2016,2017,2016,2014,2015,2017],
         'Points':[876,789,863,673,741,812,756,788,694,701,804,690]}
df = pd.DataFrame(ipl_data)

grouped = df.groupby('Year')
print grouped.get_group(2014)

Его вывод выглядит следующим образом — 

   Points  Rank     Team    Year
0     876     1   Riders    2014
2     863     2   Devils    2014
4     741     3   Kings     2014
9     701     4   Royals    2014

Объединение данных

Pandas предоставляет различные средства для простого объединения объектов Series, DataFrame и Panel . В приведенном ниже примере функция concat выполняет операции конкатенации вдоль оси. Давайте создавать разные объекты и делать конкатенацию. 

import pandas as pd
one = pd.DataFrame({
         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],
         'subject_id':['sub1','sub2','sub4','sub6','sub5'],
         'Marks_scored':[98,90,87,69,78]},
         index=[1,2,3,4,5])
two = pd.DataFrame({
         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],
         'subject_id':['sub2','sub4','sub3','sub6','sub5'],
         'Marks_scored':[89,80,79,97,88]},
         index=[1,2,3,4,5])
print pd.concat([one,two])

Его вывод выглядит следующим образом —

55
Share: