首页 > 代码库 > 《Python For Data Analysis》学习笔记-1

《Python For Data Analysis》学习笔记-1

在引言章节里,介绍了MovieLens 1M数据集的处理示例。书中介绍该数据集来自GroupLens Research(http://www.groupLens.org/node/73),该地址会直接跳转到https://grouplens.org/datasets/movielens/,这里面提供了来自MovieLens网站的各种评估数据集,可以下载相应的压缩包,我们需要的MovieLens 1M数据集也在里面。

技术分享

下载解压后的文件夹如下:

技术分享

这三个dat表都会在示例中用到,但是我所阅读的《Python For Data Analysis》中文版(PDF)是2014年第一版的,里面所有示例都是基于Python 2.7和pandas 0.8.2所写的,而我安装的是Python 3.5.2与pandas 0.20.2,里面的一些函数与方法会有较大的不同,有些是新版本中参数改变了,而有些是新版本里弃用了某些旧版本的函数,这导致我运行按照书中示例代码时,会遇到一些Error和Warning。在测试MovieLens 1M数据集代码时,在和一样我的配置环境下,会遇到四次参数设置问题。

  • 在将dat数据读入到pandas DataFrame对象中时,书中给出代码为: 
    users = pd.read_table(ml-1m/users.dat, sep=::, header=None, names=unames)
    
    rnames = [user_id, movie_id, rating, timestamp]
    ratings = pd.read_table(ml-1m/ratings.dat, sep=::, header=None, names=rnames)
    
    mnames = [movie_id, title, genres]
    movies = pd.read_table(ml-1m/movies.dat, sep=::, header=None, names=mnames)

    直接运行会出现Warning:

    F:/python/HelloWorld/DataAnalysisByPython-1.py:4: ParserWarning: Falling back to the python engine because the c engine does not support regex separators (separators > 1 char and different from \s+ are interpreted as regex); you can avoid this warning by specifying engine=python.
      users = pd.read_table(ml-1m/users.dat, sep=::, header=None, names=unames)
    F:/python/HelloWorld/DataAnalysisByPython-1.py:7: ParserWarning: Falling back to the python engine because the c engine does not support regex separators (separators > 1 char and different from \s+ are interpreted as regex); you can avoid this warning by specifying engine=python.
      ratings = pd.read_table(ml-1m/ratings.dat, sep=::, header=None, names=rnames)
    F:/python/HelloWorld/DataAnalysisByPython-1.py:10: ParserWarning: Falling back to the python engine because the c engine does not support regex separators (separators > 1 char and different from \s+ are interpreted as regex); you can avoid this warning by specifying engine=python.
      movies = pd.read_table(ml-1m/movies.dat, sep=::, header=None, names=mnames)

    虽然也能运行,但是作为完美强迫症的我还是想要解决这个Warning。这个警告是说因为‘C‘引擎不支持,只能退回到‘Python‘引擎,而刚好pandas.read_table方法里有个engine参数,用来设置使用哪种解析引擎,有‘C‘和‘Python‘这两个选项。既然‘C‘引擎不支持,我们只需把engine设为‘Python‘就可以了。

    users = pd.read_table(ml-1m/users.dat, sep=::, header=None, names=unames, engine = python)
    
    rnames = [user_id, movie_id, rating, timestamp]
    ratings = pd.read_table(ml-1m/ratings.dat, sep=::, header=None, names=rnames, engine = python)
    
    mnames = [movie_id, title, genres]
    movies = pd.read_table(ml-1m/movies.dat, sep=::, header=None, names=mnames, engine = python)

     

  • 使用pivot_table方法来对聚合后的数据按性别计算每部电影的平均得分,书中给出的代码为:

    mean_ratings = data.pivot_table(rating, rows=title, cols=gender, aggfunc=mean)

     直接运行会报错,这段代码无法运行:

    Traceback (most recent call last):
      File "F:/python/HelloWorld/DataAnalysisByPython-1.py", line 19, in <module>
        mean_ratings = data.pivot_table(rating, rows=title, cols=gender, aggfunc=mean)
    TypeError: pivot_table() got an unexpected keyword argument rows

    TypeError说明这里的‘rows‘参数并不是方法里可用的关键字参数,这是这么回事呢?去官网上查了下pandas的API使用文档(http://pandas.pydata.org/pandas-docs/stable/api.html),发现是因为0.20.2版的pandas.pivot_table里关键字参数变了,为了实现同样效果,只需把rows换成index就可以了,同时也没有cols参数,要用columns来代替。

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

     

  • 为了了解女性观众最喜欢的电影,使用DataFrame的方法对F列进行降序排序,书中的示例代码为:

    top_female_ratings = mean_ratings.sort_index(by=F, ascending=False)

    这里也只是给出一个Warning,并不会干扰程序进行:

    F:/python/HelloWorld/DataAnalysisByPython-1.py:32: FutureWarning: by argument to sort_index is deprecated, pls use .sort_values(by=...)
      top_female_ratings = mean_ratings.sort_index(by=F, ascending=False)

    这里是说进行排序的sort_index方法在将来语言或者库中可能发生改变,建议改为使用sort_values。在API使用文档中,对pandas.DataFrame.sort_index的描述为“Sort object by labels (along an axis)”,而对pandas.DataFrame.sort_values的描述为“Sort by the values along either axis”,两者能达到同样效果,那我就直接替换成sort_values就可以了。在后面的“计算评分分歧”中也会用到sort_index,也可以替换成sort_values。

    top_female_ratings = mean_ratings.sort_values(by=F, ascending=False)

     

  • 最后一个错误还是和排序有关。在“计算评分分歧”中计算得分数据的标准差之后,根据过滤后的值对Series进行降序排序,书中的代码为:

    print(rating_std_by_title.order(ascending=False)[:10])

    这里的错误是:

    Traceback (most recent call last):
      File "F:/python/HelloWorld/DataAnalysisByPython-1.py", line 47, in <module>
        print(rating_std_by_title.order(ascending=False)[:10])
      File "E:\Program Files\Python35\lib\site-packages\pandas\core\generic.py", line 2970, in __getattr__
        return object.__getattribute__(self, name)
    AttributeError: Series object has no attribute order

    居然已经没有这个order的方法了,只好去API文档中找替代的方法用。有两个,sort_index和sort_values,这和DataFrame中的方法一样,为了保险起见,我选择使用sort_values:

    print(rating_std_by_title.sort_values(ascending=False)[:10]

    得到的结果和数据展示的结果一样,可以放心使用。

第三方库不同版本间的差异还是挺明显的,建议是使用最新的版本,在使用时配合官网网站上的API使用文档,轻松解决各类问题~

《Python For Data Analysis》学习笔记-1