五、表格

原文:Tables

译者:飞龙

协议:CC BY-NC-SA 4.0

自豪地采用谷歌翻译

表格是表示数据集的基本对象类型。 表格可以用两种方式查看:

  • 具名列的序列,每列都描述数据集中所有条目的一个方面,或者
  • 行的序列,每行都包含数据集中单个条目的所有信息。

为了使用表格,导入所有称为datascience的模块,这是为这篇文章创建的模块。

  1. from datascience import *

空表格可以使用Table创建。空表格是实用的,因为他可以扩展来包含新行和新列。

  1. Table()

表格上的with_columns方法使用带有附加标签的列,构造一个新表。 表格的每一列都是一个数组。 为了将一个新列添加到表中,请使用标签和数组调用with_columns。 (with_column方法具有相同的效果。)

下面,我们用一个没有列的空表开始每个例子。

  1. Table().with_columns('Number of petals', make_array(8, 34, 5))
Number of petals
8
34
5

为了添加两个(或更多)新列,请为每列提供一个数组和标签。 所有列必须具有相同的长度,否则会发生错误。

  1. Table().with_columns(
  2. 'Number of petals', make_array(8, 34, 5),
  3. 'Name', make_array('lotus', 'sunflower', 'rose')
  4. )
Number of petals Name
8 lotus
34 sunflower
5 rose

我们可以给这个表格一个名词,之后使用另外一列扩展表格。

  1. flowers = Table().with_columns(
  2. 'Number of petals', make_array(8, 34, 5),
  3. 'Name', make_array('lotus', 'sunflower', 'rose')
  4. )
  5. flowers.with_columns(
  6. 'Color', make_array('pink', 'yellow', 'red')
  7. )
Number of petals Name Color
8 lotus pink
34 sunflower yellow
5 rose red

with_columns方法每次调用时,都会创建一个新表,所以原始表不受影响。 例如,表an_example仍然只有它创建时的两列。

  1. flowers
Number of petals Name
8 lotus
34 sunflower
5 rose

通过这种方式创建表涉及大量的输入。 如果数据已经输入到某个地方,通常可以使用 Python 将其读入表格中,而不是逐个单元格地输入。

通常,表格从包含逗号分隔值的文件创建。这些文件被称为 CSV 文件。

下面,我们使用Tableread_table方法,来读取一个 CSV 文件,它包含了一些数据,Minard 在他的拿破仑的俄罗斯战役的图片中使用。 数据放在名为minard的表中。

  1. minard = Table.read_table('minard.csv')
  2. minard
Longitude Latitude City Direction Survivors
32 54.8 Smolensk Advance 145000
33.2 54.9 Dorogobouge Advance 140000
34.4 55.5 Chjat Advance 127100
37.6 55.8 Moscou Advance 100000
34.3 55.2 Wixma Retreat 55000
32 54.6 Smolensk Retreat 24000
30.4 54.4 Orscha Retreat 20000
26.8 54.3 Moiodexno Retreat 12000

我们将使用这个小的表格来演示一些有用的表格方法。 然后,我们将使用这些相同的方法,并在更大的数据表上开发其他方法。

表格的大小

num_columns方法提供了表中的列数量,num_rows是行数量。

  1. minard.num_columns
  2. 5
  3. minard.num_rows
  4. 8

列标签

labels方法可以用来列出所有列的标签。 对于minard,并不是特别有用,但是对于那些非常大的表格,并不是所有的列都在屏幕上可见。

  1. minard.labels
  2. ('Longitude', 'Latitude', 'City', 'Direction', 'Survivors')

我们使用relabeled修改列标签。这会创建新的表格,并保留minard不变。

  1. minard.relabeled('City', 'City Name')
Longitude Latitude City Name Direction Survivors
32 54.8 Smolensk Advance 145000
33.2 54.9 Dorogobouge Advance 140000
34.4 55.5 Chjat Advance 127100
37.6 55.8 Moscou Advance 100000
34.3 55.2 Wixma Retreat 55000
32 54.6 Smolensk Retreat 24000
30.4 54.4 Orscha Retreat 20000
26.8 54.3 Moiodexno Retreat 12000

但是,这个方法并不修改原始表。

  1. minard
Longitude Latitude City Direction Survivors
32 54.8 Smolensk Advance 145000
33.2 54.9 Dorogobouge Advance 140000
34.4 55.5 Chjat Advance 127100
37.6 55.8 Moscou Advance 100000
34.3 55.2 Wixma Retreat 55000
32 54.6 Smolensk Retreat 24000
30.4 54.4 Orscha Retreat 20000
26.8 54.3 Moiodexno Retreat 12000

常见的模式时将原始名称minard赋给新的表,以便minard未来的所有使用,都会引用修改标签的表格。

  1. minard = minard.relabeled('City', 'City Name')
  2. minard
Longitude Latitude City Name Direction Survivors
32 54.8 Smolensk Advance 145000
33.2 54.9 Dorogobouge Advance 140000
34.4 55.5 Chjat Advance 127100
37.6 55.8 Moscou Advance 100000
34.3 55.2 Wixma Retreat 55000
32 54.6 Smolensk Retreat 24000
30.4 54.4 Orscha Retreat 20000
26.8 54.3 Moiodexno Retreat 12000

访问列中的数据

我们可以使用列标签来访问列中的数据数组。

  1. minard.column('Survivors')
  2. array([145000, 140000, 127100, 100000, 55000, 24000, 20000, 12000])

五列的下标分别为0, 1, 2, 3, 4Survivors列也可以使用列下标来访问。

  1. minard.column(4)
  2. array([145000, 140000, 127100, 100000, 55000, 24000, 20000, 12000])

数组中的八个条目下标为0, 1, 2, ..., 7。列中的条目可以使用item访问,就像任何数组那样。

  1. minard.column(4).item(0)
  2. 145000
  3. minard.column(4).item(5)
  4. 24000

处理列中的数据

因为列是数组,所以我们可以使用数组操作来探索新的信息。 例如,我们可以创建一个新列,其中包含 Smolensk 之后每个城市的所有幸存者的百分比。

  1. initial = minard.column('Survivors').item(0)
  2. minard = minard.with_columns(
  3. 'Percent Surviving', minard.column('Survivors')/initial
  4. )
  5. minard
Longitude Latitude City Name Direction Survivors Percent Surviving
32 54.8 Smolensk Advance 145000 100.00%
33.2 54.9 Dorogobouge Advance 140000 96.55%
34.4 55.5 Chjat Advance 127100 87.66%
37.6 55.8 Moscou Advance 100000 68.97%
34.3 55.2 Wixma Retreat 55000 37.93%
32 54.6 Smolensk Retreat 24000 16.55%
30.4 54.4 Orscha Retreat 20000 13.79%
26.8 54.3 Moiodexno Retreat 12000 8.28%

要使新列中的比例显示为百分比,我们可以使用选项PercentFormatter调用set_format方法。 set_format方法接受Formatter对象,存在日期(DateFormatter),货币(CurrencyFormatter),数字和百分比。

  1. minard.set_format('Percent Surviving', PercentFormatter)
Longitude Latitude City Name Direction Survivors Percent Surviving
32 54.8 Smolensk Advance 145000 100.00%
33.2 54.9 Dorogobouge Advance 140000 96.55%
34.4 55.5 Chjat Advance 127100 87.66%
37.6 55.8 Moscou Advance 100000 68.97%
34.3 55.2 Wixma Retreat 55000 37.93%
32 54.6 Smolensk Retreat 24000 16.55%
30.4 54.4 Orscha Retreat 20000 13.79%
26.8 54.3 Moiodexno Retreat 12000 8.28%

选择列的集合

select方法创建一个新表,仅仅包含指定的列。

  1. minard.select('Longitude', 'Latitude')
Longitude Latitude
32 54.8
33.2 54.9
34.4 55.5
37.6 55.8
34.3 55.2
32 54.6
30.4 54.4
26.8 54.3

使用列索引而不是标签,也可以执行相同选择。

  1. minard.select(0, 1)
Longitude Latitude
32 54.8
33.2 54.9
34.4 55.5
37.6 55.8
34.3 55.2
32 54.6
30.4 54.4
26.8 54.3

select的结果是个新表,即使当你选择一列时也是这样。

  1. minard.select('Survivors')
Survivors
145000
140000
127100
100000
55000
24000
20000
12000

要注意结果是个表格,不像column的结果,它是个数组。

  1. minard.column('Survivors')
  2. array([145000, 140000, 127100, 100000, 55000, 24000, 20000, 12000])

另一种创建新表,包含列集合的方式,是drop你不想要的列。

  1. minard.drop('Longitude', 'Latitude', 'Direction')
City Name Survivors Percent Surviving
Smolensk 145000 100.00%
Dorogobouge 140000 96.55%
Chjat 127100 87.66%
Moscou 100000 68.97%
Wixma 55000 37.93%
Smolensk 24000 16.55%
Orscha 20000 13.79%
Moiodexno 12000 8.28%

selectdrop都不修改原始表格。 相反,他们创建了共享相同数据的新小型表格。 保留的原始表格是实用的! 你可以生成多个不同的表格,只考虑某些列,而不用担心会互相影响。

  1. minard
Longitude Latitude City Name Direction Survivors Percent Surviving
32 54.8 Smolensk Advance 145000 100.00%
33.2 54.9 Dorogobouge Advance 140000 96.55%
34.4 55.5 Chjat Advance 127100 87.66%
37.6 55.8 Moscou Advance 100000 68.97%
34.3 55.2 Wixma Retreat 55000 37.93%
32 54.6 Smolensk Retreat 24000 16.55%
30.4 54.4 Orscha Retreat 20000 13.79%
26.8 54.3 Moiodexno Retreat 12000 8.28%

我们用过的所有方法都可以用在任何表格上。

对行排序

CNN 在 2016 年 3 月报道说:“NBA 是全球薪水最高的职业体育联盟。”nba_salaries包含了 2015~2016 年间所有 NBA 球员的薪水。

每行表示一个球员。列为:

列标签 描述
PLAYER 球员名称
POSITION 球员在队里的位置
TEAM 队的明确
'15-'16 SALARY 2015~2016 年的球员薪水,单位是百万美元。

位置代码是 PG(控球后卫),SG(得分后卫),PF(大前锋),SF(小前锋)和 C(中锋)。 但接下来的内容并不涉及篮球运动的细节。

第一行显示,亚特兰大老鹰队(Atlanta Hawks)的大前锋保罗·米尔萨普(Paul Millsap)在 2015~2016 年间的薪水接近 1870 万美元。

  1. # This table can be found online: https://www.statcrunch.com/app/index.php?dataid=1843341
  2. nba_salaries = Table.read_table('nba_salaries.csv')
  3. nba_salaries
PLAYER POSITION TEAM '15-'16 SALARY
Paul Millsap PF Atlanta Hawks 18.6717
Al Horford C Atlanta Hawks 12
Tiago Splitter C Atlanta Hawks 9.75625
Jeff Teague PG Atlanta Hawks 8
Kyle Korver SG Atlanta Hawks 5.74648
Thabo Sefolosha SF Atlanta Hawks 4
Mike Scott PF Atlanta Hawks 3.33333
Kent Bazemore SF Atlanta Hawks 2
Dennis Schroder PG Atlanta Hawks 1.7634
Tim Hardaway Jr. SG Atlanta Hawks 1.30452

(省略了 407 行)

该表包含 417 行,每个球员一行。 只显示了 10 行。show方法允许我们指定行数,缺省值(没有指定)是表的所有行。

  1. nba_salaries.show(3)
PLAYER POSITION TEAM '15-'16 SALARY
Paul Millsap PF Atlanta Hawks 18.6717
Al Horford C Atlanta Hawks 12
Tiago Splitter C Atlanta Hawks 9.75625

(省略了 414 行)

通过浏览大约 20 行左右,你会看到行按字母顺序排列。 也可以使用sort方法,按球员姓名的字母顺序列出相同的行。 sort的参数是列标签或索引。

  1. nba_salaries.sort('PLAYER').show(5)
PLAYER POSITION TEAM '15-'16 SALARY
Aaron Brooks PG Chicago Bulls 2.25
Aaron Gordon PF Orlando Magic 4.17168
Aaron Harrison SG Charlotte Hornets 0.525093
Adreian Payne PF Minnesota Timberwolves 1.93884
Al Horford C Atlanta Hawks 12

(省略了 412 行)

440/5000
为了检查球员的薪水,如果数据是按薪水排序的话,会更有帮助。

为了实现它,我们首先简化薪水列的标签(只是为了方便),然后用新的标签SALARY进行排序。

这会按照薪水的升序排列表中的所有行,最低的薪水在最前面。 输出是一个新表,列与原始表格相同,但行是重新排列的。

  1. nba = nba_salaries.relabeled("'15-'16 SALARY", 'SALARY')
  2. nba.sort('SALARY')
PLAYER POSITION TEAM '15-'16 SALARY
Thanasis Antetokounmpo SF New York Knicks 0.030888
Jordan McRae SG Phoenix Suns 0.049709
Cory Jefferson PF Phoenix Suns 0.049709
Elliot Williams SG Memphis Grizzlies 0.055722
Orlando Johnson SG Phoenix Suns 0.055722
Phil Pressey PG Phoenix Suns 0.055722
Keith Appling PG Orlando Magic 0.061776
Sean Kilpatrick SG Denver Nuggets 0.099418
Erick Green PG Utah Jazz 0.099418
Jeff Ayres PF Los Angeles Clippers 0.111444

(省略了 407 行)

这些数字有些难以比较,因为这些球员中的一些,在赛季中改变了球队,并从不止一支球队获得了薪水。 只有最后一支球队的薪水出现在表中。 控球后卫菲尔·普莱西(Phil Pressey)在年内从费城搬到了凤凰城,可能会再次转到金州勇士队(Golden State Warriors)。

CNN 的报道是薪酬水平的另一端 - 那些在世界上薪水最高的球员。

为了按照薪水的降序对表格的行排序,我们必须以descending=True调用sort函数。

  1. nba.sort('SALARY', descending=True)
PLAYER POSITION TEAM '15-'16 SALARY
Kobe Bryant SF Los Angeles Lakers 25
Joe Johnson SF Brooklyn Nets 24.8949
LeBron James SF Cleveland Cavaliers 22.9705
Carmelo Anthony SF New York Knicks 22.875
Dwight Howard C Houston Rockets 22.3594
Chris Bosh PF Miami Heat 22.1927
Chris Paul PG Los Angeles Clippers 21.4687
Kevin Durant SF Oklahoma City Thunder 20.1586
Derrick Rose PG Chicago Bulls 20.0931
Dwyane Wade SG Miami Heat 20

(省略了 407 行)

科比(Kobe Bryant)在湖人队(Lakers)的最后一个赛季是薪水最高的,2500 万美元。 请注意,MVP 斯蒂芬·库里(Stephen Curry)并没有出现在前 10 名之列。他排在后面,我们将在后面看到。

具名参数

这个调用表达式的descending = True部分称为具名参数。 调用一个函数或方法时,每个参数都有一个位置和一个名字。 从函数或方法的帮助文本中都可以看出它们。

  1. help(nba.sort)
  2. Help on method sort in module datascience.tables:
  3. sort(column_or_label, descending=False, distinct=False) method of datascience.tables.Table instance
  4. Return a Table of rows sorted according to the values in a column.
  5. Args:
  6. ``column_or_label``: the column whose values are used for sorting.
  7. ``descending``: if True, sorting will be in descending, rather than
  8. ascending order.
  9. ``distinct``: if True, repeated values in ``column_or_label`` will
  10. be omitted.
  11. Returns:
  12. An instance of ``Table`` containing rows sorted based on the values
  13. in ``column_or_label``.
  14. >>> marbles = Table().with_columns(
  15. ... "Color", make_array("Red", "Green", "Blue", "Red", "Green", "Green"),
  16. ... "Shape", make_array("Round", "Rectangular", "Rectangular", "Round", "Rectangular", "Round"),
  17. ... "Amount", make_array(4, 6, 12, 7, 9, 2),
  18. ... "Price", make_array(1.30, 1.30, 2.00, 1.75, 1.40, 1.00))
  19. >>> marbles
  20. Color | Shape | Amount | Price
  21. Red | Round | 4 | 1.3
  22. Green | Rectangular | 6 | 1.3
  23. Blue | Rectangular | 12 | 2
  24. Red | Round | 7 | 1.75
  25. Green | Rectangular | 9 | 1.4
  26. Green | Round | 2 | 1
  27. >>> marbles.sort("Amount")
  28. Color | Shape | Amount | Price
  29. Green | Round | 2 | 1
  30. Red | Round | 4 | 1.3
  31. Green | Rectangular | 6 | 1.3
  32. Red | Round | 7 | 1.75
  33. Green | Rectangular | 9 | 1.4
  34. Blue | Rectangular | 12 | 2
  35. >>> marbles.sort("Amount", descending = True)
  36. Color | Shape | Amount | Price
  37. Blue | Rectangular | 12 | 2
  38. Green | Rectangular | 9 | 1.4
  39. Red | Round | 7 | 1.75
  40. Green | Rectangular | 6 | 1.3
  41. Red | Round | 4 | 1.3
  42. Green | Round | 2 | 1
  43. >>> marbles.sort(3) # the Price column
  44. Color | Shape | Amount | Price
  45. Green | Round | 2 | 1
  46. Red | Round | 4 | 1.3
  47. Green | Rectangular | 6 | 1.3
  48. Green | Rectangular | 9 | 1.4
  49. Red | Round | 7 | 1.75
  50. Blue | Rectangular | 12 | 2
  51. >>> marbles.sort(3, distinct = True)
  52. Color | Shape | Amount | Price
  53. Green | Round | 2 | 1
  54. Red | Round | 4 | 1.3
  55. Green | Rectangular | 9 | 1.4
  56. Red | Round | 7 | 1.75
  57. Blue | Rectangular | 12 | 2

help文本的最上面,出现了sort方法的签名。

  1. sort(column_or_label, descending=False, distinct=False)

这描述了sort的三个参数的位置,名称和默认值。 调用此方法时,可以使用位置参数或具名参数,因此以下三个调用完全相同。

  1. sort('SALARY', True)
  2. sort('SALARY', descending=True)
  3. sort(column_or_label='SALARY', descending=True)

当一个参数只是TrueFalse时,包含参数名称是实用的约定,以便更明显地说明参数值的含义。

行的选取

通常,我们只想提取那些行,它们对应具有特定特征的条目。 例如,我们可能只需要对应勇士的行,或者获得超过一千万美元的球员。 或者我们可能只想要薪水前五名的人。

指定行

Table的方法就是干这个的 - 它需要一组指定的行。 它的参数是行索引或索引数组,它创建一个只包含这些行的新表。

例如,如果我们只想要nba的第一行,我们可以这样使用take

  1. nba
PLAYER POSITION TEAM '15-'16 SALARY
Paul Millsap PF Atlanta Hawks 18.6717
Al Horford C Atlanta Hawks 12
Tiago Splitter C Atlanta Hawks 9.75625
Jeff Teague PG Atlanta Hawks 8
Kyle Korver SG Atlanta Hawks 5.74648
Thabo Sefolosha SF Atlanta Hawks 4
Mike Scott PF Atlanta Hawks 3.33333
Kent Bazemore SF Atlanta Hawks 2
Dennis Schroder PG Atlanta Hawks 1.7634
Tim Hardaway Jr. SG Atlanta Hawks 1.30452

(省略了 407 行)

  1. nba.take(0)
PLAYER POSITION TEAM '15-'16 SALARY
Paul Millsap PF Atlanta Hawks 18.6717

这是一个新表,只拥有我们指定的单个行。

通过指定一系列索引作为参数,我们还可以获得第四,第五和第六行。

  1. nba.take(np.arange(3, 6))
PLAYER POSITION TEAM '15-'16 SALARY
Jeff Teague PG Atlanta Hawks 8
Kyle Korver SG Atlanta Hawks 5.74648
Thabo Sefolosha SF Atlanta Hawks 4

如果我们想要前五个最高薪球员的表格,我们可以先按薪水排序,然后取前五行:

  1. nba.sort('SALARY', descending=True).take(np.arange(5))
PLAYER POSITION TEAM '15-'16 SALARY
Kobe Bryant SF Los Angeles Lakers 25
Joe Johnson SF Brooklyn Nets 24.8949
LeBron James SF Cleveland Cavaliers 22.9705
Carmelo Anthony SF New York Knicks 22.875
Dwight Howard C Houston Rockets 22.3594

对应指定特征的行

更常见的情况是,我们打算访问一组行中的数据,它们具有某种特征,但是我们并不知道其索引。 例如,我们可能想要所有薪水大于一千万美元的球员的数据,但我们不希望花费时间,对已排序的表中的行进行计数。

where方法可以做到。 它的输出是一个表格,列与原始表格相同,但只有特征出现的行。

where的第一个参数是列标签,列中包含信息,有关某行是否具有我们想要的特征。 如果特征是“薪水超过一千万美元”,那么列就是SALARY

where的第二个参数是用于指定特征的方式。 一些例子会使指定的一般方式更容易理解。

在第一个例子中,我们提取了所有薪水超过一千万美元的人的数据。

  1. nba.where('SALARY', are.above(10))
PLAYER POSITION TEAM '15-'16 SALARY
Paul Millsap PF Atlanta Hawks 18.6717
Al Horford C Atlanta Hawks 12
Joe Johnson SF Brooklyn Nets 24.8949
Thaddeus Young PF Brooklyn Nets 11.236
Al Jefferson C Charlotte Hornets 13.5
Nicolas Batum SG Charlotte Hornets 13.1253
Kemba Walker PG Charlotte Hornets 12
Derrick Rose PG Chicago Bulls 20.0931
Jimmy Butler SG Chicago Bulls 16.4075
Joakim Noah C Chicago Bulls 13.4

(省略了 59 行)

are.above(10)的参数的确保了,每个选择的行的SALARY大于 10。

新的表格有 69 行,相当于 69 个球员的薪水是一千万美元。 按顺序排列这些行使数据更易于分析。 多伦多猛龙队(Toronto Raptors)的德玛尔·德罗赞(DeMar DeRozan)是这个分组(薪水超过一千万美元)中“最穷”的一个。

  1. nba.where('SALARY', are.above(10)).sort('SALARY')
PLAYER POSITION TEAM '15-'16 SALARY
DeMar DeRozan SG Toronto Raptors 10.05
Gerald Wallace SF Philadelphia 76ers 10.1059
Luol Deng SF Miami Heat 10.1516
Monta Ellis SG Indiana Pacers 10.3
Wilson Chandler SF Denver Nuggets 10.4494
Brendan Haywood C Cleveland Cavaliers 10.5225
Jrue Holiday PG New Orleans Pelicans 10.5955
Tyreke Evans SG New Orleans Pelicans 10.7346
Marcin Gortat C Washington Wizards 11.2174
Thaddeus Young PF Brooklyn Nets 11.236

(省略了 59 行)

斯蒂芬·库里(Stephen Curry)挣了多少? 对于答案,我们必须访问PLAYER的值等于Stephen Curry的行。 这是一个只包含一行的表格:

  1. nba.where('PLAYER', are.equal_to('Stephen Curry'))
PLAYER POSITION TEAM '15-'16 SALARY
Stephen Curry PG Golden State Warriors 11.3708

库里只有不到 1140 万美元。 这是很多钱,但还不到勒布朗·詹姆斯(LeBron James)薪水的一半。 你可以在本节前面的“前 5 名”表中找到薪水,或者你可以在上面的代码中找到它,将'Stephen Curry换成'LeBron James'

代码中再次使用了are,但这次是谓词equal_to而不是上面那个。 因此,例如,你可以得到包含所有的勇士的表格:

  1. nba.where('TEAM', are.equal_to('Golden State Warriors')).show()
PLAYER POSITION TEAM '15-'16 SALARY
Klay Thompson SG Golden State Warriors 15.501
Draymond Green PF Golden State Warriors 14.2609
Andrew Bogut C Golden State Warriors 13.8
Andre Iguodala SF Golden State Warriors 11.7105
Stephen Curry PG Golden State Warriors 11.3708
Jason Thompson PF Golden State Warriors 7.00847
Shaun Livingston PG Golden State Warriors 5.54373
Harrison Barnes SF Golden State Warriors 3.8734
Marreese Speights C Golden State Warriors 3.815
Leandro Barbosa SG Golden State Warriors 2.5
Festus Ezeli C Golden State Warriors 2.00875
Brandon Rush SF Golden State Warriors 1.27096
Kevon Looney SF Golden State Warriors 1.13196
Anderson Varejao PF Golden State Warriors 0.289755

这部分表格已经按薪水排序,因为原始的表格按薪水排序,列出了同一个球队中球员。 行尾的.show()确保显示所有行,而不仅仅是前 10 行。

请求某列等于某值的行非常普遍,因此are.equal_to调用是可选的。 相反,仅仅使用列名和值来调用where方法,以达到相同的效果。

  1. nba.where('TEAM', 'Denver Nuggets')
  2. # equivalent to nba.where('TEAM', are.equal_to('Denver Nuggets'))
PLAYER POSITION TEAM '15-'16 SALARY
Danilo Gallinari SF Denver Nuggets 14
Kenneth Faried PF Denver Nuggets 11.236
Wilson Chandler SF Denver Nuggets 10.4494
JJ Hickson C Denver Nuggets 5.6135
Jameer Nelson PG Denver Nuggets 4.345
Will Barton SF Denver Nuggets 3.53333
Emmanuel Mudiay PG Denver Nuggets 3.10224
Darrell Arthur PF Denver Nuggets 2.814
Jusuf Nurkic C Denver Nuggets 1.842
Joffrey Lauvergne C Denver Nuggets 1.70972

(省略了 4 行)

多个属性

通过重复使用where,你可以访问具有多个指定特征的行。 例如,这是一种方法,提取薪水超过一千五百万美元的所有控球后卫。

  1. nba.where('POSITION', 'PG').where('SALARY', are.above(15))
PLAYER POSITION TEAM '15-'16 SALARY
Derrick Rose PG Chicago Bulls 20.0931
Kyrie Irving PG Cleveland Cavaliers 16.4075
Chris Paul PG Los Angeles Clippers 21.4687
Russell Westbrook PG Oklahoma City Thunder 16.7442
John Wall PG Washington Wizards 15.852

一般形式

现在你已经意识到,通过选择具有给定特征的行,来创建新表的一般方法,是使用whereare,以及适当的条件:

  1. original_table_name.where(column_label_string, are.condition)
  2. nba.where('SALARY', are.between(10, 10.3))
PLAYER POSITION TEAM '15-'16 SALARY
Luol Deng SF Miami Heat 10.1516
Gerald Wallace SF Philadelphia 76ers 10.1059
Danny Green SG San Antonio Spurs 10
DeMar DeRozan SG Toronto Raptors 10.05

请注意,上面的表格包括赚一千万美元的 Danny Green,而不包括一千三百万美元的 Monta Ellis。 与 Python 中的其他地方一样,范围包括左端但不包括右端。

如果我们指定一个任何行都不满足的条件,我们得到一个带有列标签但没有行的表。

  1. nba.where('PLAYER', are.equal_to('Barack Obama'))
PLAYER POSITION TEAM SALARY

更多条件

这里有一些谓词,你可能会觉得有用。 请注意,xy是数字,STRING是一个字符串,Z是数字或字符串;你必须指定这些,取决于你想要的特征。

谓词 描述
are.equal_to(Z) 等于Z
are.above(x) 大于x
are.above_or_equal_to(x) 大于等于x
are.below(x) 小于x
are.below_or_equal_to(x) 小于等于x
are.between(x, y) 大于等于x,小于y
are.strictly_between(x, y) 大于x,小于y
are.between_or_equal_to(x, y) 大于等于x,小于等于y
are.containing(S) 包含字符串S

你也可以指定任何这些条件的否定,通过在条件前面使用.not_

谓词 描述
are.not_equal_to(Z) 不等于Z
are.not_above(x) 不大于x

以及其他。通常的逻辑规则是适用的,例如,“不大于x”等价于“小于等于x”。

我们以一系列示例结束这一节。

are.containing的使用有助于少打一些字。 例如,你可以指定Warriors而不是Golden State Warriors

  1. nba.where('TEAM', are.containing('Warriors')).show()
PLAYER POSITION TEAM '15-'16 SALARY
Klay Thompson SG Golden State Warriors 15.501
Draymond Green PF Golden State Warriors 14.2609
Andrew Bogut C Golden State Warriors 13.8
Andre Iguodala SF Golden State Warriors 11.7105
Stephen Curry PG Golden State Warriors 11.3708
Jason Thompson PF Golden State Warriors 7.00847
Shaun Livingston PG Golden State Warriors 5.54373
Harrison Barnes SF Golden State Warriors 3.8734
Marreese Speights C Golden State Warriors 3.815
Leandro Barbosa SG Golden State Warriors 2.5
Festus Ezeli C Golden State Warriors 2.00875
Brandon Rush SF Golden State Warriors 1.27096
Kevon Looney SF Golden State Warriors 1.13196
Anderson Varejao PF Golden State Warriors 0.289755

你可以提取所有后卫的数据,包括控球后卫和得分后卫。

  1. nba.where('POSITION', are.containing('G'))
PLAYER POSITION TEAM '15-'16 SALARY
Jeff Teague PG Atlanta Hawks 8
Kyle Korver SG Atlanta Hawks 5.74648
Dennis Schroder PG Atlanta Hawks 1.7634
Tim Hardaway Jr. SG Atlanta Hawks 1.30452
Jason Richardson SG Atlanta Hawks 0.947276
Lamar Patterson SG Atlanta Hawks 0.525093
Terran Petteway SG Atlanta Hawks 0.525093
Avery Bradley PG Boston Celtics 7.73034
Isaiah Thomas PG Boston Celtics 6.91287
Marcus Smart PG Boston Celtics 3.43104

(省略了 171 行)

你可以获取所有不是克利夫兰骑士队的球员,并且薪水不低于两千万美元:

  1. other_than_Cavs = nba.where('TEAM', are.not_equal_to('Cleveland Cavaliers'))
  2. other_than_Cavs.where('SALARY', are.not_below(20))
PLAYER POSITION TEAM '15-'16 SALARY
Joe Johnson SF Brooklyn Nets 24.8949
Derrick Rose PG Chicago Bulls 20.0931
Dwight Howard C Houston Rockets 22.3594
Chris Paul PG Los Angeles Clippers 21.4687
Kobe Bryant SF Los Angeles Lakers 25
Chris Bosh PF Miami Heat 22.1927
Dwyane Wade SG Miami Heat 20
Carmelo Anthony SF New York Knicks 22.875
Kevin Durant SF Oklahoma City Thunder 20.1586

有很多方式可以创建相同的表格。这里是另一种,并且显然你可以想出来更多。

  1. other_than_Cavs.where('SALARY', are.above_or_equal_to(20))
PLAYER POSITION TEAM '15-'16 SALARY
Joe Johnson SF Brooklyn Nets 24.8949
Derrick Rose PG Chicago Bulls 20.0931
Dwight Howard C Houston Rockets 22.3594
Chris Paul PG Los Angeles Clippers 21.4687
Kobe Bryant SF Los Angeles Lakers 25
Chris Bosh PF Miami Heat 22.1927
Dwyane Wade SG Miami Heat 20
Carmelo Anthony SF New York Knicks 22.875
Kevin Durant SF Oklahoma City Thunder 20.1586

你可以看到,where的使用提供了很大的灵活性,来访问你感兴趣的特征。 不要犹豫,尝试它吧!

示例:人口趋势

美国人口的趋势

现在我们做好了处理大量的数据表的准备。 下面的文件包含“美国居民人口的年度估计,按年龄和性别分列”。 请注意,read_table可以直接从 URL 读取数据。

  1. # As of Jan 2017, this census file is online here:
  2. data = 'http://www2.census.gov/programs-surveys/popest/datasets/2010-2015/national/asrh/nc-est2015-agesex-res.csv'
  3. # A local copy can be accessed here in case census.gov moves the file:
  4. # data = 'nc-est2015-agesex-res.csv'
  5. full_census_table = Table.read_table(data)
  6. full_census_table
SEX AGE CENSUS2010POP ESTIMATESBASE2010 POPESTIMATE2010 POPESTIMATE2011 POPESTIMATE2012 POPESTIMATE2013 POPESTIMATE2014 POPESTIMATE2015
0 0 3944153 3944160 3951330 3963087 3926540 3931141 3949775 3978038
0 1 3978070 3978090 3957888 3966551 3977939 3942872 3949776 3968564
0 2 4096929 4096939 4090862 3971565 3980095 3992720 3959664 3966583
0 3 4119040 4119051 4111920 4102470 3983157 3992734 4007079 3974061
0 4 4063170 4063186 4077551 4122294 4112849 3994449 4005716 4020035
0 5 4056858 4056872 4064653 4087709 4132242 4123626 4006900 4018158
0 6 4066381 4066412 4073013 4074993 4097605 4142916 4135930 4019207
0 7 4030579 4030594 4043046 4083225 4084913 4108349 4155326 4148360
0 8 4046486 4046497 4025604 4053203 4093177 4095711 4120903 4167887
0 9 4148353 4148369 4125415 4035710 4063152 4104072 4108349 4133564

(已省略 296 行)

只显示了表格的前 10 行。稍后我们将看到如何显示整个表格;但是,这通常不适用于大型表格。

表格的描述一起出现。SEX列包含数字代码:0代表总体,1代表男性,2代表女性。 AGE列包含完整年份为单位的年龄,但特殊值999是人口的总和。 其余的列包含美国人口的估计。

通常,公共表格将包含更多的信息,不仅仅是特定调查或分析所需的信息。 在这种情况下,我们假设我们只对 2010 年到 2014 年的人口变化感兴趣。让我们选择相关的列。

  1. partial_census_table = full_census_table.select('SEX', 'AGE', 'POPESTIMATE2010', 'POPESTIMATE2014')
  2. partial_census_table
SEX AGE POPESTIMATE2010 POPESTIMATE2014
0 0 3951330 3949775
0 1 3957888 3949776
0 2 4090862 3959664
0 3 4111920 4007079
0 4 4077551 4005716
0 5 4064653 4006900
0 6 4073013 4135930
0 7 4043046 4155326
0 8 4025604 4120903
0 9 4125415 4108349

(已省略 296 行)

我们也可以简化所选列的标签。

  1. us_pop = partial_census_table.relabeled('POPESTIMATE2010', '2010').relabeled('POPESTIMATE2014', '2014')
  2. us_pop
SEX AGE 2010 2014
0 0 3951330 3949775
0 1 3957888 3949776
0 2 4090862 3959664
0 3 4111920 4007079
0 4 4077551 4005716
0 5 4064653 4006900
0 6 4073013 4135930
0 7 4043046 4155326
0 8 4025604 4120903
0 9 4125415 4108349

(已省略 296 行)

我们现在有了一个易于使用的表格。 表中的每一列都是一个等长的数组,因此列可以使用算术进行组合。 这是 2010 年至 2014 年的人口变化。

  1. us_pop.column('2014') - us_pop.column('2010')
  2. array([ -1555, -8112, -131198, ..., 6443, 12950, 4693244])

让我们使用包含这些变化的列来扩展us_pop,一列是绝对数值,另一列是相对于 2010 年数值的百分比。

  1. change = us_pop.column('2014') - us_pop.column('2010')
  2. census = us_pop.with_columns(
  3. 'Change', change,
  4. 'Percent Change', change/us_pop.column('2010')
  5. )
  6. census.set_format('Percent Change', PercentFormatter)
SEX AGE 2010 2014 Change Percent Change
0 0 3951330 3949775 -1555 -0.04%
0 1 3957888 3949776 -8112 -0.20%
0 2 4090862 3959664 -131198 -3.21%
0 3 4111920 4007079 -104841 -2.55%
0 4 4077551 4005716 -71835 -1.76%
0 5 4064653 4006900 -57753 -1.42%
0 6 4073013 4135930 62917 1.54%
0 7 4043046 4155326 112280 2.78%
0 8 4025604 4120903 95299 2.37%
0 9 4125415 4108349 -17066 -0.41%

(已省略 296 行)

将数据排序。让我们按照人口绝对变化的降序排序表格。

  1. census.sort('Change', descending=True)
SEX AGE 2010 2014 Change Percent Change
0 999 309346863 318907401 9560538 3.09%
1 999 152088043 156955337 4867294 3.20%
2 999 157258820 161952064 4693244 2.98%
0 67 2693707 3485241 791534 29.38%
0 64 2706055 3487559 781504 28.88%
0 66 2621335 3347060 725725 27.69%
0 65 2678525 3382824 704299 26.29%
0 71 1953607 2519705 566098 28.98%
0 34 3822189 4364748 542559 14.19%
0 23 4217228 4702156 484928 11.50%

毫不奇怪,排序后表格的第一行对应整个人口:所有年龄和性别的分组。 从 2010 年到 2014 年,美国人口增加了约 950 万人,仅为 3%。

接下来的两行分别对应所有的男性和所有的女性。 以绝对数量和百分比来衡量,男性人口的增长高于女性人口。 百分比变化都在 3% 左右。

现在看看接下来的几行。 百分比变化从总人口的 3% 左右,上升到 60 年代末和 70 年代初的近 30%。 这个惊人的变化称为美国的老龄化。

到目前为止,2014 年 64~67 岁年龄段的绝对变化最大。什么可以解释这一大幅增长的原因? 我们可以通过考察相关分组的出生年份,来探索这个问题。

那些 2010 年在 64~67 岁年龄段的人,在 1943 年到 1946 年间出生。珍珠港的袭击是在 1941 年底,美军在 1942 年发动了一场大规模战争,结束于 1945 年。

2014 年 64 岁到 67 岁的人生于 1947 年到 1950 年,是美国二战后的生育高峰。

战后的生育高峰,是我们观察到的巨大变化的主要原因。

示例:性别趋势

性别比例的趋势

我们现在拥有了足够的编码技能,足以检查美国人群中的特征和趋势。在这个例子中,我们将查看不同年龄的男性和女性的分布情况。我们将继续使用上一节中的us_pop表。

  1. us_pop
SEX AGE 2010 2014
0 0 3951330 3949775
0 1 3957888 3949776
0 2 4090862 3959664
0 3 4111920 4007079
0 4 4077551 4005716
0 5 4064653 4006900
0 6 4073013 4135930
0 7 4043046 4155326
0 8 4025604 4120903
0 9 4125415 4108349

(已省略 296 行)

我们从之前对这个数据集的检查得知,表格的描述一起出现。 它提醒了表中包含的内容。

每一行表示一个年龄。SEX列包含数字代码:0代表总数,1代表男性,2代表女性。 年龄栏包含以完整年份为单位的年龄,但特殊值999代表整个人口,不论年龄是什么。其余的列包含美国人口的估计。

理解AGE=100

作为一个初步的例子,我们来解释一下表中最后的年龄的数据,其中年龄是100岁。下面的代码提取了男性和女性(性别代码0)的组合分组,年龄最大的行。

  1. us_pop.where('SEX', are.equal_to(0)).where('AGE', are.between(97, 101))
SEX AGE 2010 2014
0 97 68893 83089
0 98 47037 59726
0 99 32178 41468
0 100 54410 71626

不足为奇的是,年龄越大,人数越少,例如 99 岁的人数少于 98 岁。

然而,令人吃惊的是,100 岁的数值比 99 岁的数值要大得多。仔细查看文件,这是因为人口普查局使用 100 作为 100 或岁以上的每个人的代码。

年龄为 100 岁的人不仅仅代表 100 岁的人,还包括年龄在 100 岁以上的人。这就是为什么那一行的数字大于 99 岁的人的数字。

男性和女性的整体比例

我们现在开始考察 2014 年的性别比例。首先,我们一起来看看所有的年龄。 请记住,这意味着查看AGE编码为999的行。all_ages表包含此信息。其中有三行:一个是两种性别总体,一个是男性(SEX代码为1),一个是女性(SEX代码为2)。

  1. us_pop_2014 = us_pop.drop('2010')
  2. all_ages = us_pop_2014.where('AGE', are.equal_to(999))
  3. all_ages
SEX AGE 2014
0 999 318907401
1 999 156955337
2 999 161952064

all_ages的第 0 行包含两年中每年的美国总人口。2014 年,美国人口刚刚少于 3.19 亿。

第 1 行包含男性的计数,女性是第 2 行。 比较这两行可以看到,在 2014 年,美国的女性比男性多。

第 1 行和第 2 行的人口数加起来为第 0 行的总人口数。

为了与其他数量进行比较,我们需要将这些数字转换为总人口中的百分比。 让我们访问 2014 年的总数并命名。 然后,我们将显示带有比例列的人口表格。 与我们先前观察到的,女性人数多于男性的情况一致,2014 年约有 50.8% 的人口是女性,两年的每年中,约有 49.2% 的人口是男性。

  1. pop_2014 = all_ages.column('2014').item(0)
  2. all_ages.with_column(
  3. 'Proportion', all_ages.column('2014')/pop_2014
  4. ).set_format('Proportion', PercentFormatter)
SEX AGE 2014 Proportion
0 999 318907401 100.00%
1 999 156955337 49.22%
2 999 161952064 50.78%

新生儿中男孩和女孩的比例

但是,当我们查看婴儿时,情况正好相反。 让我们将婴儿定义为还没有完整一年的人,对应年龄为 0 的行。这里是他们的人口数量。 你可以看到男婴比女婴多。

  1. infants = us_pop_2014.where('AGE', are.equal_to(0))
  2. infants
SEX AGE 2014
0 0 3949775
1 0 2020326
2 0 1929449

像以前一样,我们可以将这些数字转换成婴儿总数中的百分比。 所得表格显示,2014 年,美国超过 51% 的婴儿是男性。

  1. infants_2014 = infants.column('2014').item(0)
  2. infants.with_column(
  3. 'Proportion', infants.column('2014')/infants_2014
  4. ).set_format('Proportion', PercentFormatter)
SEX AGE 2014 Proportion
0 0 3949775 100.00%
1 0 2020326 51.15%
2 0 1929449 48.85%

事实上,长期以来,新生儿中男孩的比例略高于 1/2。 这个原因还没有得到彻底的理解,科学家们还在努力

每个年龄的男女比例

我们已经看到,虽然男婴比女婴多,但女性总数比男性多。 所以很显然,性别之间的分隔在不同年龄之间必须有所不同。

为了研究这个变化,我们将女性和男性的数据分开,并消除所有年龄的组合,年龄编码为 999 的行。

femalesmale表格分别包含两个性别的数据。

  1. females_all_rows = us_pop_2014.where('SEX', are.equal_to(2))
  2. females = females_all_rows.where('AGE', are.not_equal_to(999))
  3. females
SEX AGE 2014
2 0 1929449
2 1 1931375
2 2 1935991
2 3 1957483
2 4 1961199
2 5 1962561
2 6 2024870
2 7 2032494
2 8 2015285
2 9 2010659

(省略了 91 行)

  1. males_all_rows = us_pop_2014.where('SEX', are.equal_to(1))
  2. males = males_all_rows.where('AGE', are.not_equal_to(999))
  3. males
SEX AGE 2014
1 0 2020326
1 1 2018401
1 2 2023673
1 3 2049596
1 4 2044517
1 5 2044339
1 6 2111060
1 7 2122832
1 8 2105618
1 9 2097690

(省略了 91 行)

现在的计划是,比较两年中每一年的,每个年龄的女性人数和男性人数。 数组和表格的方法为我们提供了直接的方式。 这两个表格中,每个年龄都有一行。

  1. males.column('AGE')
  2. array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12,
  3. 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25,
  4. 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38,
  5. 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51,
  6. 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64,
  7. 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77,
  8. 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90,
  9. 91, 92, 93, 94, 95, 96, 97, 98, 99, 100])
  10. females.column('AGE')
  11. array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12,
  12. 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25,
  13. 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38,
  14. 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51,
  15. 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64,
  16. 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77,
  17. 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90,
  18. 91, 92, 93, 94, 95, 96, 97, 98, 99, 100])

对于任何特定年龄,我们都可以通过将女性人数除以男性人数,获的女性:男性性别比例。 为了一步完成它,我们可以使用列来提取女性数量的数组,和相应的男性数量的数组,然后简单地将一个数组除以另一个数组。 逐元素相除将为所有年份创建性别比例的数组。

  1. ratios = Table().with_columns(
  2. 'AGE', females.column('AGE'),
  3. '2014 F:M RATIO', females.column('2014')/males.column('2014')
  4. )
  5. ratios
AGE 2014 F:M RATIO
0 0.955019
1 0.956884
2 0.956672
3 0.955058
4 0.959248
5 0.959998
6 0.959172
7 0.957445
8 0.957099
9 0.958511

(省略了 91 行)

从输出中可以看出,九岁以下儿童的比例都在 0.96 左右。 当男女比例小于 1 时,女性比男性少。 因此,我们所看到的是,在 0~9 岁的年龄段中,女孩比男孩少。此外,在每个年龄中,每 100 个男孩大约对应 96 个女孩。

那么人口中女性的整体比例为什么高于男性呢?

当我们检查年龄的另一端时,会发现一些非同寻常的事情。 以下是 75 岁以上的男女比例。

  1. ratios.where('AGE', are.above(75)).show()
AGE 2014 F:M RATIO
76 1.23487
77 1.25797
78 1.28244
79 1.31627
80 1.34138
81 1.37967
82 1.41932
83 1.46552
84 1.52048
85 1.5756
86 1.65096
87 1.72172
88 1.81223
89 1.91837
90 2.01263
91 2.09488
92 2.2299
93 2.33359
94 2.52285
95 2.67253
96 2.87998
97 3.09104
98 3.41826
99 3.63278
100 4.25966

不仅所有这些比例大于 1,在所有这些年龄段中,女性比男性多,其中许多比例大于 1。

  • 在 89 岁和 90 岁中,比例接近 2,这意味着 2014 年这些年龄的女性约为男性的两倍。
  • 在 98 岁和 99 岁中,女性约为男性的 3.5 至 4 倍。

如果你想知道有多少高龄的人,你可以使用 Python 来发现:

  1. males.where('AGE', are.between(98, 100))
SEX AGE 2014
1 98 13518
1 99 8951
  1. females.where('AGE', are.between(98, 100))
SEX AGE 2014
2 98 46208
2 99 32517

下图展示了年龄相关的性别比率。 蓝色曲线显示 2014 年的比例与年龄。

从 0 岁到 60 岁,这个比例差不多是 1(表示男性和女性差不多相等),但从 65 岁开始,比例开始急剧上升(女性多于男性)。

美国女性人数多于男性,部分原因是老年妇女的显着的性别不平衡。

  1. ratios.plot('AGE')

五、表格 - 图1