Читання табличних даних у DataFrames

Огляд

Викладання: 10 хв
Вправи: 10 хв

Питання

• Як я можу читати табличні дані?

Цілі

• Імпортувати бібліотеку Pandas

• Використати Pandas для завантаження простого набору даних CSV.

• Отримати базову інформацію про Pandas DataFrame.

Використовуйте бібліотеку Pandas, щоб отримати статистику з табличних даних.

• Pandas — це бібліотека Python, яка широко використовується для статистики, зокрема на основі табличних даних.
• Ця бібліотека запозичує багато функцій з фреймів даних мови R.
  • Фрейм — це двовимірна таблиця, стовпці якої мають імена і потенційно мають різні типи даних.
• Завантажте цю бібліотеку за допомогою import pandas as pd. Псевдонім pd зазвичай використовується для Pandas.
• Читайте файл даних із роздільними комами (Comma Separate Values - CSV) за допомогою pd.read_csv.
  • Аргумент — це ім’я файлу, який потрібно прочитати.
  • Призначте результат змінній для збереження даних, які були прочитані.

import pandas as pd

data = pd.read_csv('data/gapminder_gdp_oceania.csv')
print(data)

       country  gdpPercap_1952  gdpPercap_1957  gdpPercap_1962  \
0    Australia     10039.59564     10949.64959     12217.22686
1  New Zealand     10556.57566     12247.39532     13175.67800

   gdpPercap_1967  gdpPercap_1972  gdpPercap_1977  gdpPercap_1982  \
0     14526.12465     16788.62948     18334.19751     19477.00928
1     14463.91893     16046.03728     16233.71770     17632.41040

   gdpPercap_1987  gdpPercap_1992  gdpPercap_1997  gdpPercap_2002  \
0     21888.88903     23424.76683     26997.93657     30687.75473
1     19007.19129     18363.32494     21050.41377     23189.80135

   gdpPercap_2007
0     34435.36744
1     25185.00911

• Стовпці у фреймі даних є змінними у спостереженнях, а рядки – спостереженнями
• Pandas використовує зворотну скісну риску \, щоб показати перенесення рядку, коли вивід занадто широкий, щоб поміститися на екран.

Файл не знайдено

Наші уроки зберігають свої файли даних у підкаталозі data, тому шлях до файлу – data/gapminder_gdp_oceania.csv. Якщо ви забули включити data/, або, якщо ви включите його, але ваша копія файлу знаходиться в іншому місці, ви отримаєте runtime error який закінчується таким рядком:

OSError: File b'gapminder_gdp_oceania.csv' does not exist

Використовуйте index_col, щоб вказати, що значення стовпця мають використовуватися як заголовки рядків.

• Заголовки рядків є числами (0 і 1 у цьому випадку).
• Насправді краще індексувати за назвами країн.
• Для цього передайте назву стовпця в read_csv як його параметр index_col.

data = pd.read_csv('data/gapminder_gdp_oceania.csv', index_col='country')
print(data)

             gdpPercap_1952  gdpPercap_1957  gdpPercap_1962  gdpPercap_1967  \
country
Australia       10039.59564     10949.64959     12217.22686     14526.12465
New Zealand     10556.57566     12247.39532     13175.67800     14463.91893

             gdpPercap_1972  gdpPercap_1977  gdpPercap_1982  gdpPercap_1987  \
country
Australia       16788.62948     18334.19751     19477.00928     21888.88903
New Zealand     16046.03728     16233.71770     17632.41040     19007.19129

             gdpPercap_1992  gdpPercap_1997  gdpPercap_2002  gdpPercap_2007
country
Australia       23424.76683     26997.93657     30687.75473     34435.36744
New Zealand     18363.32494     21050.41377     23189.80135     25185.00911

Використовуйте DataFrame.info, щоб дізнатися більше про фрейми даних.

data.info()

<class 'pandas.core.frame.DataFrame'>
Index: 2 entries, Australia to New Zealand
Data columns (total 12 columns):
gdpPercap_1952    2 non-null float64
gdpPercap_1957    2 non-null float64
gdpPercap_1962    2 non-null float64
gdpPercap_1967    2 non-null float64
gdpPercap_1972    2 non-null float64
gdpPercap_1977    2 non-null float64
gdpPercap_1982    2 non-null float64
gdpPercap_1987    2 non-null float64
gdpPercap_1992    2 non-null float64
gdpPercap_1997    2 non-null float64
gdpPercap_2002    2 non-null float64
gdpPercap_2007    2 non-null float64
dtypes: float64(12)
memory usage: 208.0+ bytes

• Це DataFrame
• Містить два рядки з назвами 'Australia' та 'New Zealand'
• А також дванадцять стовпців, кожен з яких містить два фактичних 64-розрядних значення з плаваючою крапкою.
  • Пізніше ми поговоримо про нульові значення, які використовуються для представлення відсутніх спостережень.
• Використано 208 байтів пам’яті.

Змінна DataFrame.columns зберігає інформацію про стовпці фрейму даних.

• Зверніть увагу, що це дані, а не метод.
  • Подібно до math.pi.
  • Тому не використовуйте (), щоб спробувати її викликати.
• Ця змінна називається змінною-членом або просто членом.

print(data.columns)

Index(['gdpPercap_1952', 'gdpPercap_1957', 'gdpPercap_1962', 'gdpPercap_1967',
       'gdpPercap_1972', 'gdpPercap_1977', 'gdpPercap_1982', 'gdpPercap_1987',
       'gdpPercap_1992', 'gdpPercap_1997', 'gdpPercap_2002', 'gdpPercap_2007'],
      dtype='object')

Використовуйте DataFrame.T, щоб транспонувати фрейм даних.

• Іноді потрібно розглядати стовпці як рядки і навпаки.
• Транспонування (written .T) не копіює дані, а лише змінює подання даних.
• Як і columns, це змінна-член.

print(data.T)

country           Australia  New Zealand
gdpPercap_1952  10039.59564  10556.57566
gdpPercap_1957  10949.64959  12247.39532
gdpPercap_1962  12217.22686  13175.67800
gdpPercap_1967  14526.12465  14463.91893
gdpPercap_1972  16788.62948  16046.03728
gdpPercap_1977  18334.19751  16233.71770
gdpPercap_1982  19477.00928  17632.41040
gdpPercap_1987  21888.88903  19007.19129
gdpPercap_1992  23424.76683  18363.32494
gdpPercap_1997  26997.93657  21050.41377
gdpPercap_2002  30687.75473  23189.80135
gdpPercap_2007  34435.36744  25185.00911

Використовуйте DataFrame.describe, щоб отримати зведену статистику даних.

DataFrame.describe() отримує зведену статистику лише для стовпців, які містять числові дані. Усі інші стовпці ігноруються, якщо ви не використовуєте аргумент include='all'.

print(data.describe())

       gdpPercap_1952  gdpPercap_1957  gdpPercap_1962  gdpPercap_1967  \
count        2.000000        2.000000        2.000000        2.000000
mean     10298.085650    11598.522455    12696.452430    14495.021790
std        365.560078      917.644806      677.727301       43.986086
min      10039.595640    10949.649590    12217.226860    14463.918930
25%      10168.840645    11274.086022    12456.839645    14479.470360
50%      10298.085650    11598.522455    12696.452430    14495.021790
75%      10427.330655    11922.958888    12936.065215    14510.573220
max      10556.575660    12247.395320    13175.678000    14526.124650

       gdpPercap_1972  gdpPercap_1977  gdpPercap_1982  gdpPercap_1987  \
count         2.00000        2.000000        2.000000        2.000000
mean      16417.33338    17283.957605    18554.709840    20448.040160
std         525.09198     1485.263517     1304.328377     2037.668013
min       16046.03728    16233.717700    17632.410400    19007.191290
25%       16231.68533    16758.837652    18093.560120    19727.615725
50%       16417.33338    17283.957605    18554.709840    20448.040160
75%       16602.98143    17809.077557    19015.859560    21168.464595
max       16788.62948    18334.197510    19477.009280    21888.889030

       gdpPercap_1992  gdpPercap_1997  gdpPercap_2002  gdpPercap_2007
count        2.000000        2.000000        2.000000        2.000000
mean     20894.045885    24024.175170    26938.778040    29810.188275
std       3578.979883     4205.533703     5301.853680     6540.991104
min      18363.324940    21050.413770    23189.801350    25185.009110
25%      19628.685413    22537.294470    25064.289695    27497.598692
50%      20894.045885    24024.175170    26938.778040    29810.188275
75%      22159.406358    25511.055870    28813.266385    32122.777857
max      23424.766830    26997.936570    30687.754730    34435.367440

• Не дуже корисно лише з двома записами, але дуже корисно, коли таких записів тисячі.

Читання інших даних

Зчитайте дані з файлу gapminder_gdp_americas.csv (який має бути в тому ж каталозі, що й .gapminder_gdp_oceania.csv) у змінну americas і подайте його підсумкову статистику.

Рішення

Для зчитування в форматі CSV ми використовуємо функцію pd.read_csv і передаємо назву файлу ‘data/gapminder_gdp_americas.csv’ в якості аргументу. Ми також передаємо назву стовпцю ‘country’ як параметр index_col, щоб індексувати за назвами країн:

americas = pd.read_csv('data/gapminder_gdp_americas.csv', index_col='country')

Перевірка даних

Прочитавши дані для Південної Америки, використовуйте help(americas.head) та help(americas.tail), щоб дізнатися про призначення DataFrame.head and DataFrame.tail.

1. Виклик якого методу відобразить перші три рядки цих даних?
2. Виклик якого методу відобразить останні три стовпці цих даних? (Підказка: вам може знадобитися змінити спосіб перегляду даних.)

Рішення

1. Ми можемо перевірити перші п’ять рядків americas за викликом americas.head() (що дозволяє нам переглянути заголовок DataFrame). Ми можемо вказати кількість рядків, які ми хочемо бачити, визначивши параметр n у нашому виклику americas.head(). TЩоб переглянути перші три рядки, виконайте:

americas.head(n=3)

Результат є таким:

         continent  gdpPercap_1952  gdpPercap_1957  gdpPercap_1962  \
country                                                               
Argentina  Americas     5911.315053     6856.856212     7133.166023   
Bolivia    Americas     2677.326347     2127.686326     2180.972546   
Brazil     Americas     2108.944355     2487.365989     3336.585802   

          gdpPercap_1967  gdpPercap_1972  gdpPercap_1977  gdpPercap_1982  \
country                                                                     
Argentina     8052.953021     9443.038526    10079.026740     8997.897412   
Bolivia       2586.886053     2980.331339     3548.097832     3156.510452   
Brazil        3429.864357     4985.711467     6660.118654     7030.835878   

          gdpPercap_1987  gdpPercap_1992  gdpPercap_1997  gdpPercap_2002  \
country                                                                     
Argentina     9139.671389     9308.418710    10967.281950     8797.640716   
Bolivia       2753.691490     2961.699694     3326.143191     3413.262690   
Brazil        7807.095818     6950.283021     7957.980824     8131.212843   

          gdpPercap_2007  
country                    
Argentina    12779.379640  
Bolivia       3822.137084  
Brazil        9065.800825 

1. Щоб перевірити останні три рядки americas, ми можемо використати команду, americas.tail(n=3), analogous to команді head() used, що застосовувалась вище. Однак тут ми хочемо переглянути останні три стовпці, отже, нам потрібно змінити подання інформації, а потім використати tail(). Для цього ми створюємо новий DataFrame, у якому рядки та стовпці транспонуються

americas_flipped = americas.T

Потім ми можемо переглянути останні три стовпці americas, переглянувши останні три рядки americas_flipped:

americas_flipped.tail(n=3)

Результат є таким:

country        Argentina  Bolivia   Brazil   Canada    Chile Colombia  \
gdpPercap_1997   10967.3  3326.14  7957.98  28954.9  10118.1  6117.36   
gdpPercap_2002   8797.64  3413.26  8131.21    33329  10778.8  5755.26   
gdpPercap_2007   12779.4  3822.14   9065.8  36319.2  13171.6  7006.58   

country        Costa Rica     Cuba Dominican Republic  Ecuador    ...     \
gdpPercap_1997    6677.05  5431.99             3614.1  7429.46    ...      
gdpPercap_2002    7723.45  6340.65            4563.81  5773.04    ...      
gdpPercap_2007    9645.06   8948.1            6025.37  6873.26    ...      

country          Mexico Nicaragua   Panama Paraguay     Peru Puerto Rico  \
gdpPercap_1997   9767.3   2253.02  7113.69   4247.4  5838.35     16999.4   
gdpPercap_2002  10742.4   2474.55  7356.03  3783.67  5909.02     18855.6   
gdpPercap_2007  11977.6   2749.32  9809.19  4172.84  7408.91     19328.7   

country        Trinidad and Tobago United States  Uruguay Venezuela  
gdpPercap_1997             8792.57       35767.4  9230.24   10165.5  
gdpPercap_2002             11460.6       39097.1     7727   8605.05  
gdpPercap_2007             18008.5       42951.7  10611.5   11415.8  

Примітка: ми могли б зробити вищезазначене в одному рядку коду, «поєднавши» команди:

americas.T.tail(n=3)

Читання файлів в інших каталогах

Дані вашого поточного проекту зберігаються у файлі під назвою microbes.csv, який знаходиться в каталозі під назвою field_data. Ви виконуєте аналіз у блокноті під назвою analysis.ipynb у спорідненому каталозі під назвою thesis:

Ваш_домашній_каталог
+-- field_data/
|   +-- microbes.csv
+-- thesis/
    +-- analysis.ipynb

Які значення потрібно передати в read_csv, щоб прочитати microbes.csv у analysis.ipynb?

Рішення

Нам потрібно вказати шлях до потрібного файлу як аргумент у виклику pd.read_csv. По-перше, потрібно «вистрибнути» з теки thesis за допомогою ‘../’, а потім зайти у теку field_data за допомогою ‘field_data/’. Після цього вказати назву файлу `microbes.csv. Результат є таким:

data_microbes = pd.read_csv('../field_data/microbes.csv')

Запис даних

Подібно функції read_csv для читання даних із файлу, Pandas має функцію to_csv для запису кадрів даних у файли. Застосовуючи те, що ви дізналися про читання з файлів, запишіть один із ваших фреймів даних у файл під назвою processed.csv. Ви можете скористатися help, щоб отримати інформацію про застосування to_csv.

Рішення

Щоб записати DataFrame americas у файл під назвою processed.csv, виконайте таку команду:

americas.to_csv('processed.csv')

Щоб отримати допомогу щодо to_csv, ви можете виконати, наприклад,

help(americas.to_csv)

Зверніть увагу, що help(to_csv) видає помилку! Це тонкощі, і це пов’язано з тим, що to_csv НЕ є функцією сама по собі а фактичним викликом є americas.to_csv.

Ключові моменти

• Використовуйте бібліотеку Pandas, щоб отримати базову статистику з табличних даних.

• Використовуйте index_col, щоб вказати, що значення стовпця мають використовуватися як заголовки рядків.

• Використовуйте DataFrame.info, щоб дізнатися більше про фрейм даних.

• Змінна DataFrame.columns зберігає інформацію про стовпці фрейму даних.

• Використовуйте DataFrame.T, щоб транспортувати фрейм даних.

• Використовуйте DataFrame.describe, щоб отримати підсумкову статистику даних.