Lab 01 - Pandas

Lab 01 - wstęp do pandas

W obrębie całego kursu do przechowywania i manipulacji danymi będziemy wykorzystywać narzędzia dostarczane przez bibliotekę pandas. Dla przypomnienia: pandas to biblioteka służąca do zarządzania i przetwarzania danych tabelarycznych. Pozwala na tworzenie dwuwymiarowych tabel z danymi wraz z nagłówkami i wygodną manipulację nimi: m.in. wycinanie określonych fragmentów, sklejanie wielu zestawów danych, interpolację czy import/eksport do wielu formatów plików. Biblioteka jest mocno powiązana z NumPy, chociaż przechowywane dane nie muszą być liczbami.

Stwórz projekt w PyCharm, utwórz nowy skrypt, w którym będziesz testować poznawane narzędzia. Zaimportuj bibliotekę pandas jako pd oraz numpy jako np. W przypadku tych biblbiotek zawsze trzymaj się tej konwencji importu.

Klasa DataFrame

Podstawową klasą przechowującą dane jest pd.DataFrame. Dane mają układ dwuwymiarowej tabeli, kolumny mogą mieć nagłówki, a wiersze indeks. Stwórzmy przykładowy DataFrame przechowujący losowe dane o pogodzie poprzez przekazanie macierzy numpy jako danych, listy napisów jako nagłówków kolumn oraz wygenerowanego zakresu dat jako indeksu wierszy.

num_days = 20
temperature = np.random.uniform(20, 28, size=(num_days, 1))
pressure = np.random.uniform(990, 1010, size=(num_days, 1))
rain = np.random.uniform(0, 20, size=(num_days, 1))
random_data = np.hstack((temperature, pressure, rain))
df_weather = pd.DataFrame(index=pd.date_range("20200501", periods=num_days, freq="1D"),
                          data=random_data, columns=["Temperature", "Pressure", "Rain"])

Przekazanie DataFrame do funkcji print() wyświetli zawartość tabeli (jeśli wierszy/kolumn jest dużo, zostaną wyświetlone tylko początkowe/końcowe):

print(df_weather)

Możliwe jest też tworzenie DataFrame na bazie słownika, którego klucze zostaną potraktowane jako nagłówki kolumn, a wartości jako dane w danej kolumnie:

df_people = pd.DataFrame({"Height": [180, 160, 195],
                          "Weight": [77, 52, 200]})
print(df_people)

Zauważ, że domyślne indeksy przyjmują wartości całkowite od 0 w górę.

Możliwe jest uzyskanie krótkiego podsumowania statystycznego tabeli metodą describe() (zwracany jest nowy DataFrame zawierający statystykę poszczególnych kolumn), a także podgląd początku (head()) i końca (tail()) tabeli.

df_weather_summary = df_weather.describe()

print(df_weather_summary)

Wyświetlanie danych na wykresie

Biblioteka pandas bardzo dobrze współpracuje z biblioteką do wyświetlania wykresów. Zaimportujmy matplotlib.pyplot jako plt, a następnie wywołajmy polecenia:

df_weather.plot()
plt.show()

Pandas automatycznie ustawi etykiety osi oraz wypełni legendę nagłówkami kolumn, a osią x będzie indeks wierszy.

Możemy również wykorzystać wykresy punktowe (kind=scatter), słupkowe (kind=bar) lub ręcznie podać kolumny dla osi:

df_weather.plot(kind='scatter', x='Temperature', y='Rain')
plt.show()

Do zaawansowanego wyświetlania danych na wykresach powrócimy w kolejnych laboratoriach.

Podgląd DataFrame w interfejsie graficznym - pandasgui

W większości przypadków w zupełności wystarczy nam podgląd danych bezpośrednio w konsoli lub w komórce Jupytera, czasem jednak wygodniej jest przejrzeć dane w trybie okienkowym.

Zainstaluj pakiet pandasgui i zaimportuj go do skryptu. Przykladowe użycie w trybie blokującym (wykonywanie programu zostanie wstrzymane do czasu zamknięcia okna):

pandasgui.show(df_weather, settings={'block': True})

Dostęp do danych, indeksowanie

Stwórzmy niewielki DataFrame do testów:

vals = np.random.randn(6, 4)
df = pd.DataFrame(vals, index=[0.0, 0.2, 0.3, 0.7, 1.0, 1.3], columns=["A", "B", "C", "D"])
print(df)

Dostęp do indeksów obiektu DataFrame możliwy jest przez właściwość index:

print(df.index)

Dostęp do zbioru kolumn poprzez właściwość columns:

print(df.columns)

Obie te metody zwracają specjalny obiekt *Index, w zależności od typu. Możliwa jest łatwa konwersja na Pythonową listę:

list_of_columns = list(df.columns)
for c in list_of_columns:
    print(c)

Korzystając z właściwości values uzyskamy dostęp do danych w przechowywanych tabeli w postaci macierzy NumPy:

df.values

Indeksowanie

Główną przewagą przechowywania danych w postaci DataFrame w stosunku do zwykłej tablicy dwuwymiarowej/macierzy jest możliwość dostępu do danych po przydzielonych etykietach kolumn/wieszy. Poniższe operatory w zależności od sytuacji zwracają nowy DataFrame będący fragmentem oryginalnego, obiekt Series (w przypadku pojedynczych wierszy lub kolumn) lub pojedynczy skalar.

Możliwe jest proste wybranie jednej lub kilku kolumn operatorem []:

df["B"]
df[["C", "D"]]

Lub wierszy:

df[0.2:1.0]

Dla uniknięcia możliwych pomyłek (w powyższych przykładach nie widać jednoznacznie czy wybór odbywa się po kolumnach czy po wierszach) zaleca się korzystanie z metod loc[] oraz iloc[]:

Indeksowanie po etykietach (loc)

Metoda loc[] pozwala wybrać fragment DataFrame korzystając z etykiet:

Wybór wiersza o etykiecie (indeksie) 0.7:

df.loc[0.7, :]

Wybór kolumn o etykietach "A" oraz "B" (lista etykiet):

df.loc[:, ["A", "B"]]

Możliwe jest podawanie również przedziałów i jednoczesny wybór po kolumnach i wierszach:

df.loc[0.2:0.3, "A":"C"]

Wybór pojedynczej wartości (skalar):

df.loc[0.2, ["B"]]
Indeksowanie po pozycjach (iloc)

Metoda iloc[] pozwala wybrać fragment DataFrame korzystając z pozycji opisanych liczbami całkowitymi - na identycznych zasadach jak w przypadku list czy macierzy NumPy:

Pojedyncze pozycje:

df.iloc[2, 3]

Zakresy pozycji:

df.iloc[3:5, 0:2] # wiersze 3,4; kolumny 0,1

Listy pozycji:

df.iloc[[1, 2, 4], :] # wiersze 1,2,4, wszystkie kolumny

Wybieranie co n-tego wiersza:

df.iloc[0::2, :] # co drugi wiersz, zaczynając od zerowego
Indeksowanie mieszanie ("loc + iloc")

Aby posługiwać się jednocześnie etykietami oraz indeksami porządkowymi (np. nazwami kolumn i numerami wierszy) najlepiej skonwertować etykiety na indeksy porządkowe i przekazać je do metody iloc. Przykładowo, jeśli chcemy wybrać wiersze od 0 do 2 włącznie, z kolumny C:

df.iloc[0:3, df.columns.get_loc('C')]

Uwaga!

Pojedyncze indeksowanie za pomocą loc lub iloc zwraca widok na oryginalny DataFrame, co oznacza, że jeśli zmodyfikujemy znajdujące się w nim dane, zostaną one zmodyfikowane również w oryginalnym obiekcie. W przypadku złożonych indeksowań (np. df.iloc[1:5, ].loc[: 'A']) nie ma takiej gwarancji i w konsoli zostanie wydrukowane związane z tym ostrzeżenie.

Wybór kolumn za pomocą wyrażenia regularnego

Metoda filter() pozwala na wybór kolumn (lub wierszy po podaniu opcjonalnego parametru axis) po etykietach, np. za pomocą dopasowania wyrażeniem regularnym:

df.filter(regex=r"[A-C]")
Indeksowanie logiczne

Indeksowanie logiczne pozwala w bardzo szybki sposób wybrać fragmenty tabeli, które spełniają określony warunek. Przykładowo:

df.loc[df["A"] > 0, :] # wybierz wszystkie wiersze, gdzie "A" jest większe od 0

Możliwe jest też budowanie bardziej złożonych warunków, na przykład:

df.loc[(df["A"] > -0.75) & (df["B"] < 0.25), :]

Modyfikacja zawartości

Po wyborze fragmentu DataFrame możliwe jest przypisanie nowych wartości wybranej części operatorem przypisania =.

Przygotujmy nowy zbiór danych:

alpha = np.array([0, np.pi/4, np.pi/2, np.pi*3/4, np.pi])

trig = pd.DataFrame({"sinus": np.round(np.sin(alpha), 10),
                     "cosinus" : np.round(np.cos(alpha), 10),
                     "x^2" : alpha**2,
                     "random" : np.random.randn(len(alpha))}, index=alpha)

Możliwe jest przypisanie skalara - wartość zostanie wpisana pod wszystkie pasujące elementy:

trig.loc[1:4, "random"] = 0

Lub zbioru nowych wartości, na przykład w postaci macierzy NumPy, przy czym należy pamiętać o podaniu macierzy o odpowiednim rozmiarze:

trig.loc[trig["cosinus"] >= 0, "random"] = np.array([1, 3, 5])
Dodawanie kolumn/wierszy

Najprostszym sposobem na dodanie kolumny/wiersza do struktury DataFrame jest przypisanie wartości do nieistniejącej kolumny/wiersza, przykładowo:

trig["New column"] = -1
trig.loc[1337, :] = -1
Zmiana indeksu

Możliwa jest zmiana wartości indeksu wierszy DataFrame poprzez użycie metody set_index. Przykładowo, jeśli chcemy wykorzystać wartości znajdujące się w kolumnie sinus jako indeks:

trig.set_index(trig["sinus"], inplace=True)

Zwróć uwagę na dodatkowy parametr inplace - wiele metod DataFrame domyślnie nie modyfikuje obiektu, na którym je wywołujemy, tylko zwraca nowy obiekt, co oznacza, że musielibyśmy zapisać wynik z powrotem do zmiennej:

trig = trig.set_index(trig["sinus"])

Dodanie parametru inplace=True powoduje, że operacja jest wykonywana "w miejscu". Przy korzystaniu z nowych metod modyfikujących DataFrame sprawdź w dokumentacji, jakie jest ich zachowanie.

Zmiana nazw kolumn

Zmiana nazw kolumn możliwa jest w wygodny sposób metodą rename na podstawie słownika ze zbiorem wpisów "stara_nazwa": "nowa_nazwa" przekazanego do parametru columns.

rename_dict = {"sinus": "sin", "cosinus": "cos"}

trig.rename(columns=rename_dict, inplace=True)

Analogicznie jak przy set_index metoda możliwa jest zmiana "w miejscu" lub zwrócenie nowego DataFrame.

Sortowanie

Sortowanie tabeli sprowadza się zazwyczaj do uruchomienia jednej metody, w której podajemy etykietę (lub listę etykiet), po których będą sortowane dane i opcjonalne dodatkowe parametry.

trig.sort_values("cos", axis=0, inplace=True, ascending=False)  # sortowanie wzdłuż osi 0 (po wierszach), w miejscu, malejąco

Odczyt i zapis do plików

Pandas obsługuje odczyt i zapis danych z wielu różnych formatów.

Jeśli chcemy przenosić dane pommiędzy różnymi programami lub publikować warto wykorzystać format CSV, ze względu na prostotę i przenośność.

Eksport do pliku CSV możliwy jest metodą to_csv(filename) na obiekcie DataFrame:

trig.to_csv("trig.csv")

Wczytanie istniejącego pliku odbywa się funkcją pd.read_csv(filename). Jeśli chcemy, aby kolumna w pliku została potraktowana jako indeks, musimy przekazać jej położenie do opcjonalnego argumentu index_col:

trig_from_csv = pd.DataFrame(pd.read_csv("trig.csv", index_col=0))  # read_csv() może zwracać nie tylko DataFrame przekazanie do konstruktora usprawni podpowiadanie składni w IDE

Jeśli planujemy zachować np. wstępnie przetworzone dane do dalszej analizy lub wykorzystania w innym programie obsługującym ten format, warto wykorzystać format HDF5 dedykowany do danych tabelarycznych. Pozwala on przechowywać bardziej zaawansowane typy danych, jest także szybszy w parsowaniu i pozwala na opcjonalną kompresję:

trig.to_hdf("trig.hdf5", "data", format="fixed", mode="w", complevel=5)  # zapis

trig_from_hdf = pd.DataFrame(pd.read_hdf("trig.hdf5"))

🔥 Zadanie końcowe 🔥

  1. Wczytaj dostarczony plik population_by_country_2019_2020.csv do DataFrame. (źródło: https://www.kaggle.com/tanuprabhu/population-by-country-2020).

  2. Zbadaj zawartość tabeli wyświetlając ją w GUI oraz wyświetlając podsumowanie w konsoli Pythona.

  3. Policz bezwzględną i względną zmianę populacji w 2020 w stosunku do roku 2019 i umieść w nowych kolumnach, odpowiednio Net population change i Population change [%].

  4. Posortuj dane pod kątem względnej zmiany populacji.

  5. Wygeneruj wykres typu "bar" 10 krajów, które miały największy procentowy przyrost populacji. Zawrzyj na nim populacje z 2019 i 2020. Do wyboru kolumn użyj filtra z wyrażeniem regularnym.

  6. Dodaj kolejną kolumnę Density (2020) i wpisz w niej słowo "Low".

  7. Policz gęstość zaludnienia i w krajach, gdzie przekracza 500 osób na km2 wpisz w kolumnie Density słowo "High".

  8. Wybierz co drugi kraj i zapisz do nowego pliku population_output.csv.

Autorzy: Jakub Tomczyński