mirror of
https://github.com/adambard/learnxinyminutes-docs.git
synced 2024-12-18 04:42:32 +03:00
dd532a4666
The tool name should not be translated, otherwise, it'll appear as a new tool on the web page.
249 lines
8.8 KiB
Markdown
249 lines
8.8 KiB
Markdown
---
|
|
category: tool
|
|
tool: Statistical Computing with Python
|
|
contributors:
|
|
- ["e99n09", "https://github.com/e99n09"]
|
|
translators:
|
|
- ["waltercjunior", "https://github.com/waltercjunior"]
|
|
filename: pythonstatcomp.py
|
|
---
|
|
|
|
Este é um tutorial sobre como fazer algumas tarefas típicas de programação estatística usando Python.
|
|
É destinado basicamente à pessoas familizarizadas com Python e experientes com programação estatística em linguagens como R,
|
|
Stata, SAS, SPSS ou MATLAB.
|
|
|
|
```python
|
|
|
|
|
|
|
|
# 0. Preparando-se ====
|
|
|
|
""" Para começar, instale o seguinte : jupyther, numpy, scipy, pandas,
|
|
matplotlib, seaborn, requests.
|
|
Certifique-se de executar este tutorial utilizando o Jupyther notebook para
|
|
que você utilize os gráficos embarcados e ter uma fácil consulta à
|
|
documentação.
|
|
O comando para abrir é simplesmente '`jupyter notebook`, quando abrir então
|
|
clique em 'New -> Python'.
|
|
"""
|
|
|
|
# 1. Aquisição de dados ====
|
|
|
|
""" A única razão das pessoas optarem por Python no lugar de R é que pretendem
|
|
interagir com o ambiente web, copiando páginas diretamente ou solicitando
|
|
dados utilizando uma API. Você pode fazer estas coisas em R, mas no
|
|
contexto de um projeto já usando Python, há uma vantagem em se ater uma
|
|
linguágem única.
|
|
"""
|
|
|
|
import requests # para requisições HTTP (web scraping, APIs)
|
|
import os
|
|
|
|
# web scraping
|
|
r = requests.get("https://github.com/adambard/learnxinyminutes-docs")
|
|
r.status_code # se retornou código 200, a requisição foi bem sucedida
|
|
r.text # código fonte bruto da página
|
|
print(r.text) # formatado bonitinho
|
|
# salve a o código fonte d apágina em um arquivo:
|
|
os.getcwd() # verifique qual é o diretório de trabalho
|
|
with open("learnxinyminutes.html", "wb") as f:
|
|
f.write(r.text.encode("UTF-8"))
|
|
|
|
# Baixar um arquivo csv
|
|
fp = "https://raw.githubusercontent.com/adambard/learnxinyminutes-docs/master/"
|
|
fn = "pets.csv"
|
|
r = requests.get(fp + fn)
|
|
print(r.text)
|
|
with open(fn, "wb") as f:
|
|
f.write(r.text.encode("UTF-8"))
|
|
|
|
""" para mais informações sobre o módulo de solicitações, incluindo API's, veja em
|
|
http://docs.python-requests.org/en/latest/user/quickstart/
|
|
"""
|
|
|
|
# 2. Lendo um arquivo formato CSV ====
|
|
|
|
""" Um pacote de pandas da Wes McKinney lhe dá um objeto 'DataFrame' em Python.
|
|
Se você já usou R, já deve estar familiarizado com a ideia de "data.frame".
|
|
"""
|
|
|
|
import pandas as pd
|
|
import numpy as np
|
|
import scipy as sp
|
|
pets = pd.read_csv(fn)
|
|
pets
|
|
# name age weight species
|
|
# 0 fluffy 3 14 cat
|
|
# 1 vesuvius 6 23 fish
|
|
# 2 rex 5 34 dog
|
|
|
|
""" Usuários R: observe que o Python, como a maioria das linguagens de programação
|
|
influenciada pelo C, a indexação começa de 0. Em R, começa a indexar em 1
|
|
devido à influência do Fortran.
|
|
"""
|
|
|
|
# duas maneiras diferentes de imprimir uma coluna
|
|
pets.age
|
|
pets["age"]
|
|
|
|
pets.head(2) # imprima as 2 primeiras linhas
|
|
pets.tail(1) # imprima a última linha
|
|
|
|
pets.name[1] # 'vesuvius'
|
|
pets.species[0] # 'cat'
|
|
pets["weight"][2] # 34
|
|
|
|
# Em R, você esperaria obter 3 linhas fazendo isso, mas aqui você obtem 2:
|
|
pets.age[0:2]
|
|
# 0 3
|
|
# 1 6
|
|
|
|
sum(pets.age) * 2 # 28
|
|
max(pets.weight) - min(pets.weight) # 20
|
|
|
|
""" Se você está fazendo alguma álgebra linear séria e processamento de
|
|
números você pode desejar apenas arrays, não DataFrames. DataFrames são
|
|
ideais para combinar colunas de diferentes tipos de dados.
|
|
"""
|
|
|
|
# 3. Gráficos ====
|
|
|
|
import matplotlib as mpl
|
|
import matplotlib.pyplot as plt
|
|
%matplotlib inline
|
|
|
|
# Para fazer a visualiação de dados em Python, use matplotlib
|
|
|
|
plt.hist(pets.age);
|
|
|
|
plt.boxplot(pets.weight);
|
|
|
|
plt.scatter(pets.age, pets.weight)
|
|
plt.xlabel("age")
|
|
plt.ylabel("weight");
|
|
|
|
# seaborn utiliza a biblioteca do matplotlib e torna os enredos mais bonitos
|
|
|
|
import seaborn as sns
|
|
|
|
plt.scatter(pets.age, pets.weight)
|
|
plt.xlabel("age")
|
|
plt.ylabel("weight");
|
|
|
|
# também existem algumas funções de plotagem específicas do seaborn
|
|
# observe como o seaborn automaticamenteo o eixto x neste gráfico de barras
|
|
sns.barplot(pets["age"])
|
|
|
|
# Veteranos em R ainda podem usar o ggplot
|
|
from ggplot import *
|
|
ggplot(aes(x="age",y="weight"), data=pets) + geom_point() + labs(title="pets")
|
|
# fonte: https://pypi.python.org/pypi/ggplot
|
|
|
|
# há até um d3.js veja em: https://github.com/mikedewar/d3py
|
|
|
|
# 4. Limpeza de dados simples e análise exploratória ====
|
|
|
|
""" Aqui está um exemplo mais complicado que demonstra dados básicos
|
|
fluxo de trabalho de limpeza levando à criação de algumas parcelas
|
|
e a execução de uma regressão linear.
|
|
O conjunto de dados foi transcrito da Wikipedia à mão. Contém
|
|
todos os sagrados imperadores romanos e os marcos importantes em suas vidas
|
|
(birth, death, coronation, etc.).
|
|
O objetivo da análise será explorar se um relacionamento existe
|
|
entre o ano de nascimento (birth year) e a expectativa de vida (lifespam)
|
|
do imperador.
|
|
Fonte de dados: https://en.wikipedia.org/wiki/Holy_Roman_Emperor
|
|
"""
|
|
|
|
# carregue alguns dados dos sagrados imperadores romanos
|
|
url = "https://raw.githubusercontent.com/adambard/learnxinyminutes-docs/master/hre.csv"
|
|
r = requests.get(url)
|
|
fp = "hre.csv"
|
|
with open(fp, "wb") as f:
|
|
f.write(r.text.encode("UTF-8"))
|
|
|
|
hre = pd.read_csv(fp)
|
|
|
|
hre.head()
|
|
"""
|
|
Ix Dynasty Name Birth Death
|
|
0 NaN Carolingian Charles I 2 April 742 28 January 814
|
|
1 NaN Carolingian Louis I 778 20 June 840
|
|
2 NaN Carolingian Lothair I 795 29 September 855
|
|
3 NaN Carolingian Louis II 825 12 August 875
|
|
4 NaN Carolingian Charles II 13 June 823 6 October 877
|
|
|
|
Coronation 1 Coronation 2 Ceased to be Emperor
|
|
0 25 December 800 NaN 28 January 814
|
|
1 11 September 813 5 October 816 20 June 840
|
|
2 5 April 823 NaN 29 September 855
|
|
3 Easter 850 18 May 872 12 August 875
|
|
4 29 December 875 NaN 6 October 877
|
|
"""
|
|
|
|
# limpar as colunas Birth e Death
|
|
|
|
import re # módulo para expressões regulares
|
|
|
|
rx = re.compile(r'\d+$') # conincidir com os códigos finais
|
|
|
|
""" Esta função aplia a expressão reguar a uma coluna de entrada (here Birth,
|
|
Death), nivela a lista resultante, converte-a em uma lista de objetos, e
|
|
finalmente converte o tipo do objeto da lista de String para inteiro. para
|
|
mais informações sobre o que as diferentes partes do código fazer, veja em:
|
|
- https://docs.python.org/2/howto/regex.html
|
|
- http://stackoverflow.com/questions/11860476/how-to-unlist-a-python-list
|
|
- http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.html
|
|
"""
|
|
|
|
from functools import reduce
|
|
|
|
def extractYear(v):
|
|
return(pd.Series(reduce(lambda x, y: x + y, map(rx.findall, v), [])).astype(int))
|
|
|
|
hre["BirthY"] = extractYear(hre.Birth)
|
|
hre["DeathY"] = extractYear(hre.Death)
|
|
|
|
# faça uma coluna infomrnado a idade estimada ("EstAge")
|
|
hre["EstAge"] = hre.DeathY.astype(int) - hre.BirthY.astype(int)
|
|
|
|
# gráfico de dispersão simples, sem linha de tendência, cor representa dinastia
|
|
sns.lmplot("BirthY", "EstAge", data=hre, hue="Dynasty", fit_reg=False)
|
|
|
|
# use o scipy para executar uma regrassão linear
|
|
from scipy import stats
|
|
(slope, intercept, rval, pval, stderr) = stats.linregress(hre.BirthY, hre.EstAge)
|
|
# código fonte: http://wiki.scipy.org/Cookbook/LinearRegression
|
|
|
|
# varifique o declive (slope)
|
|
slope # 0.0057672618839073328
|
|
|
|
# varifique o valor R^2:
|
|
rval**2 # 0.020363950027333586
|
|
|
|
# varifique o valor p-value
|
|
pval # 0.34971812581498452
|
|
|
|
# use o seaborn para fazer um gráfico de dispersão e traçar a linha de tendência de regrassão linear
|
|
sns.lmplot("BirthY", "EstAge", data=hre)
|
|
|
|
""" Para mais informações sobre o seaborn, veja
|
|
- http://web.stanford.edu/~mwaskom/software/seaborn/
|
|
- https://github.com/mwaskom/seaborn
|
|
Para mais informações sobre o SciPy, veja
|
|
- http://wiki.scipy.org/SciPy
|
|
- http://wiki.scipy.org/Cookbook/
|
|
Para ver uma versão da análise dos sagrados imperadores romanos usando R, consulte
|
|
- http://github.com/e99n09/R-notes/blob/master/holy_roman_emperors_dates.R
|
|
"""
|
|
|
|
```
|
|
|
|
Se você quiser saber mais, obtenha o Python para análise de dados de Wes McKinney. É um excelente recurso e usei-o como referência ao escrever este tutorial.
|
|
|
|
Você também pode encontrar muitos tutoriais interativos de IPython sobre assuntos específicos de seus interesses, como Cam Davidson-Pilon's <a href="http://camdavidsonpilon.github.io/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/" Title="Programação Probabilística e Métodos Bayesianos para Hackers">Programação Probabilística e Métodos Bayesianos para Hackers</a>.
|
|
|
|
Mais alguns módulos para pesquisar:
|
|
- análise de texto e processamento de linguagem natural: nltk, http://www.nltk.org
|
|
- análise de rede social: igraph, http://igraph.org/python/
|