Tabulky

S tabulkami se pracuje pomocí knihovny Pandas. Narozdíl od Excelu při práci data v tabulce nevidíme, dokud si je nenecháme vypsat. To ale nevadí. A při rozsáhlých tabulkách to je stejně jedno.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

Tabulky z externího souboru

Častým zdrojem dat je externí soubor. Je možné importovat sešity Excelu, ale nejrychlejší a nejphodlnější je pracovat s csv soubory, což jsou textové soubory s daty oddělenými čárkami. Mohou být na lokálním disku nebo je možné je stáhnout z URL. Po stažení je vhodné si prohlédnout, co máme za data.

zdroj = "https://raw.githubusercontent.com/robert-marik/dmp/main/data/hudson_bay_lynx_hare.csv"
df = pd.read_csv(
    zdroj,
    skiprows = 2
)
df

	Year	Lynx	Hare
0	1900	4.0	30.0
1	1901	6.1	47.2
2	1902	9.8	70.2
3	1903	35.2	77.4
4	1904	59.4	36.3
5	1905	41.7	20.6
6	1906	19.0	18.1
7	1907	13.0	21.4
8	1908	8.3	22.0
9	1909	9.1	25.4
10	1910	7.4	27.1
11	1911	8.0	40.3
12	1912	12.3	57.0
13	1913	19.5	76.6
14	1914	45.7	52.3
15	1915	51.1	19.5
16	1916	29.7	11.2
17	1917	15.8	7.6
18	1918	9.7	14.6
19	1919	10.1	16.2
20	1920	8.6	24.7

Používáme náhled na začátek souboru, konec souboru, nebo náhodný vzorek. Málokdy nás zajímá celá tabulka, protože může mít tisíce řádků.

df.head() # podobne tail a sample pro konec a nahodny vyber

	Year	Lynx	Hare
0	1900	4.0	30.0
1	1901	6.1	47.2
2	1902	9.8	70.2
3	1903	35.2	77.4
4	1904	59.4	36.3

Často nás zajímají základní statistiky pro sloupce tabulky, rozměry tabulky a zda tabulka obdahuje nedefinované hodnoty.

df.describe()

	Year	Lynx	Hare
count	21.000000	21.000000	21.000000
mean	1910.000000	20.166667	34.080952
std	6.204837	16.656000	21.413982
min	1900.000000	4.000000	7.600000
25%	1905.000000	8.600000	19.500000
50%	1910.000000	12.300000	25.400000
75%	1915.000000	29.700000	47.200000
max	1920.000000	59.400000	77.400000

# počet řádků a sloupců
df.shape

(21, 3)

# True, pokud nějaká hodnota v tabulce chybí
df.isnull().values.any()

False

Grafy

Dobrý přehled o datech v tabulce dávají grafy. Zpravidla jeden sloupec tabulky obsahuje data pro vodorovnou osu a další sloupce pro svislou osu.

df.plot(x="Year")

<Axes: xlabel='Year'>

Někdy je vhodné ručně nastavit typ dat ve sloupcích. Například roky neni vhodné brát jako čísla, ale jako časový údaj. Popisky os jsou potom rozumnější.

df.dtypes

Year      int64
Lynx    float64
Hare    float64
dtype: object

# Převod čísel pro letopočty na datový typ datetime.
df.Year = pd.to_datetime(df.Year, format='%Y')
df.dtypes

Year    datetime64[ns]
Lynx           float64
Hare           float64
dtype: object

df.plot(x="Year")

<Axes: xlabel='Year'>

from matplotlib.ticker import MultipleLocator

ax = df.plot(x="Year", subplots = True)
for a in ax:
    a.set(ylim=(0,None))
    a.grid(which='both')
    a.yaxis.set_minor_locator(MultipleLocator(5))

Tvorba tabulek

Možností jak vytvořit tabulku je celá řada. Taždá možnost se hodí v jiné situaci. V zásadě můžeme buď přidávat sloupec po sloupci, nebo sestavit nějakou strukturu obsahující všechna data a z nich poté sestavit tabulku. Pokud uvedená struktura neumí pracovat se jmény sloupců. je nutné jména sloupců nastavit po vytvoření tabulky.

Možnost 1

Je možné nejprve vytvořit prázdnou tabulku a po sloupcích připojovat data. Sloupce musí být stejně dlouhé. Jméno sloupce definujeme při jeho vzniku.

x = np.linspace(0,2*np.pi,100)
df = pd.DataFrame()
df["x"] = x
df["sin"] = np.sin(x)
df["cos"] = np.cos(x)
df["soucet mocnin"] = ( df["sin"] )**2 + ( df["cos"] )**2
df.plot(x="x", grid=True)
df.sample(5)

	x	sin	cos	soucet mocnin
61	3.871458	-0.666769	-0.745264	1.0
87	5.521587	-0.690079	0.723734	1.0
83	5.267721	-0.849725	0.527225	1.0
93	5.902386	-0.371662	0.928368	1.0
2	0.126933	0.126592	0.991955	1.0

Možnost 2

Další možnost je načíst data ze seznamu. Pokud jsou v seznamu data po řádcích, je nutné je převést do sloupců transponováním. Poté nastavíme jména sloupců.

x = np.linspace(0,2*np.pi,100)
data = [
    np.sin(x),
    np.cos(x),
    np.sin(x)**2+np.cos(x)**2
    ]
df = pd.DataFrame(np.array(data).T, 
        index=x,
        columns = ["sin","cos","soucet mocnin"]
                 )
df.plot(grid=True)
df.sample(5)

	sin	cos	soucet mocnin
3.998391	-0.755750	-0.654861	1.0
4.886922	-0.984808	0.173648	1.0
3.554125	-0.400931	-0.916108	1.0
0.951998	0.814576	0.580057	1.0
2.094395	0.866025	-0.500000	1.0

Možnost 3

Jiná možnost je použitím datového typu dictionary. Jména sloupců nastavujeme při tvorbě dictionary. Data do dictionary je možné nastavit najednou, nebo položku po položce.

x = np.linspace(0,2*np.pi,100)
data = {    
    "sin":np.sin(x),
    "cos":np.cos(x),
    "soucet mocnin":np.sin(x)**2+np.cos(x)**2
}
df = pd.DataFrame(data, index=x)
df.plot(grid=True)
df.sample(5)

	sin	cos	soucet mocnin
3.871458	-0.666769	-0.745264	1.0
1.015464	0.849725	0.527225	1.0
1.903996	0.945001	-0.327068	1.0
4.315723	-0.922354	-0.386345	1.0
2.665594	0.458227	-0.888835	1.0

x = np.linspace(0,2*np.pi,100)
data = {}
data["sin"] = np.sin(x)
data["cos"] = np.cos(x)
data["soucet mocnin"]=np.sin(x)**2+np.cos(x)**2
df = pd.DataFrame(data, index=x)
df.plot(grid=True)

df.sample(5)

	sin	cos	soucet mocnin
0.000000	0.000000	1.000000	1.0
0.063467	0.063424	0.997987	1.0
4.696522	-0.999874	-0.015866	1.0
3.871458	-0.666769	-0.745264	1.0
4.759989	-0.998867	0.047582	1.0