מדריך ניתוח נתונים בשפת פייתון – חלק א

איך אפשר לתרגל עבודה עם שפת פייתון

על מנת לתרגל שפת פייתון אפשר להתקין סביבת עבודה בשם אנקונדה. סביבת העבודה זו כוללת את שפת פייתון, חבילות תוכנה לניתוח נתונים (כמו Pandas) שיעזרו לכם בניתוח הנתונים וכלי ליצירת מחברות עבודה בשם Jupiter.

מחברות עבודה (Notebooks) הן אופן העבודה המומלץ לעבודה בניתוח נתונים בשפת פייתון.

ישנה גם אפשרות לבצע תרגול של שפת פייתון אונליין בחינם. באתר strata scratch אפשר למצוא ממשק של שפת פייתון ובו טבלאות ושאלות מראיונות עבודה שאפשר לתרגל ללא עלות כל עוד משתמשים ברמה הבסיסית של האתר
(גילוי נאות – רישום לאתר דרך הקישור מתגמל אותי בעמלה קטנה, וגולשים המגיעים דרך הקישור יכולים להשתמש בקוד קופון yuval20 על מנת לקבל 20% הנחה).

הערות כלליות על שפת פייתון שחשוב לדעת

• שפת פייתון היא case-sensitive כלומר יש משמעות לאותיות גדולות וקטנות.
• בעזרת הסימון # אפשר לרשום הערות (כמו הסימן — בשפת SQL)
• בניגוד לשפתSQL שפת פייתון מאד רגישה לעימוד של השורות. אם תרשמו בצורה שהשפה לא אוהבת תקבלו שגיאת ריצה.
• פקודת print יכולה להדפיס פלט של כמעט כל משתנה.
• כל פלט אפשר להכניס לתוך משתנה אחר ולבצע בו מניפולציות.

יבוא של חבילות תוכנה לסביבת פייתון

על מנת להשתמש בחבילות לניתוח נתונים עלינו לייבא אותם. פעולת היבוא מתבצעת באמצעות פקודת import ולכן יש לכתוב לפני כתיבת התוכנית את השורות הבאות:

import numpy as np
import pandas as pd

לחבילה של pandas העוסקת בניתוח נתונים קראנו pd והיא תשמש אותנו בהמשך כאשר נעבוד עם הפונקציות של החבילה.

משתנה מסוג DataFrame

סוג המשתנה ש- Pandas מאחסן בתוכו טבלאות נקרא DataFrame ולכן ב- Pandas המונחDataFrame שקול למילה טבלה. טבלה מסוג DataFrame היא למעשה אוסף של שדות מסוג Series וחשוב לדעת את זה כי לפעמים נרצה לעבוד רק על עמודה של טבלה נצטרך לעבוד עם פונקציות שעובדות על משתנה מסוג Series.

יבוא דאטה לתוך פייתון

ישנן מספר דרכים לייבא טבלאות לסביבה של פייתון. בדוגמאות הבאות אסביר כיצד לבצע זאת. יתכן שבעת הריצה של הקוד דברים לא יעבדו חלק ויהיה צורך לשנות את הפקודות הבסיסיות.

קליטת קובץ CSV

path=r"C:\data.csv"

data = pd.read_csv(path)

הסבר

במשתנה Path ציינו את הנתיב אשר בו מופיע קובץ ה- CSV שנרצה לייבא. ובפקודה אחרי ביקשנו מהחבילה של Pandas לקלוט הטבלה בקובץ CSV ולהכניס אותה למשתנה data.
אפשר כמובן לבחור גם שם אחר. למשל, אם מדובר בטבלה של הלוואות היינו יכולים לרשום

loans = pd.read_csv(path)

קליטה של קובץ אקסל

path=r"C:\data.xlsx"
data = pd.read_excel(path)

שליפת נתונים מדאטה בייס

כל דאטה בייס עובד קצת אחרת ולכן צריך לחפש את האופן שבו ניתן להתחבר אליו בעזרת Pandas. בדוגמה הבאה אני מראה כיצד ניתן להתחבר לדאטה בייס מסוג MySQL, ומבצע שאילתה בסיסית לשליפת טבלה אותה אני רושם במשתנה SQL.

שימו לב – ניתן לבצע שליפות מורכבות יותר מהשליפה בדוגמה בעת קליטת הנתונים מהדאטה בייס.

engine = create_engine("mysql://root:root@localhost/ecommerce?host=localhost?port=3306")

#root – user
#root – password
#ecommerce- the name of default db

sql="'
select * from customers;
"' 

sql_table=pd.read_sql_query(sql,engine)

עבודה בסיסית עם DataFrame ב- Pandas

שליפה של טבלה

כדי לצפות בטבלה שקלטנו בסעיף הקודם מספיק לרשום את שם הטבלה ולהריץ

Data

אם נרצה לראות רק את 10 השורות הראשונות נרשום:

data.head(10)

אם נרצה לראות רק את 10 השורות האחרונות נרשום:

data.tail(10)

שליפה של שדות מ- DataFrame

יש כמה דרכים לבחור שדות ב- DataFrame של Pandas:
אפשר לרשום את שם השדה בעזרת נקודה כמו בשפת SQL

data.CustomerID

או בעזרת סוגריים מרובעים ומרכאות:

data["CustomerID"]

אם רוצים לבחור יותר ממשתנה אחד צריך להשתמש בסוגריים מרובעים כפולים:

data[["CustomerID","Country"]]

 ניתן גם לבחור משתנים פי המיקום שלהם בעזרת פונקציית iloc:

data.iloc[:,2:4]

הערה על הפלט של השליפה:

כאשר משתמשים בסוגריים מרובעים יחידים data["CustomerID"] או משתמשים בנקודה data.CustomerID הפלט שמתקבל הוא מסוג Series. כאשר משתמשים בשני סוגריים מרובעים data[["CustomerID"]] או בפונקציית iloc מקבלים פלט מסוג DataFrame.

הנושא הזה חשוב כיוון שניתן לבצע פעולות על הפלט לפי סוג המשתנה שלו. ישנן פונקציות היכולות לעבוד רק על DataFrame ואחרות יכולות לעבוד רק על Series.

שימוש בפרמטר inplace

פרמטר inplace בפונקציות של Pandas מורה ל- Pandas לבצע שינוי על ה- DataFrame שלנו. אם לא נוסיף את הפרמטר הזה, לא יתבצע השינוי והוא יהיה קיים רק בפלט של הפונקציה (ראו דוגמה בסעיף הבא).

הסרת שדה מ- DataFrame

בדוגמה הבאה יצרתי DataFrame חדש בשם a שיהיה זהה לטבלה data אך יהיה ללא השדה CustomerID. ב- data השדה CustomerID עדיין יופיע.

a=data.drop('CustomerID', axis=1)

באופן דומה, בדוגמה הנ"ל שינתי את טבלת data בעזרת שימוש בפרמטר inplace=True

data.drop('CustomerID', axis=1, inplace=True)

שינו שם שדה

בשביל לבצע שינוי שם שדה ב- DataFrame, חבילת Pandas נעזרת במבנה נתונים של פייתון שנקרא dictionary, ולכן שינוי שם שדה יראה כך:

renamed_table=data.rename(
index=str,
columns=
 {"CustomerID": "CustomerID_new",
  "Country": "Country_new",
 }
)

מניפולציה על שדות והוספת שדות חדשים ב- DataFrame

data["UnitPrice_with_vat"]=data["UnitPrice"]*1.17

שדה UnitPrice_with_vat הוא שדה חדש. על השדה החדש עשיתי מניפוציה והוספתי 17% (מע"מ). באופן דומה אפשר לבצע מניפולציות עם פונקציות מתמטיות ופונקציות על מחרוזות.

מיון DataFrame

מיון ב- Pandas יבוצע בעזרת פונקציית sort_value

data.sort_values('age')

אפשר גם למיין מהגדול לקטן

data.sort_values('age',ascending=False)