本章节以及后续章节的源码，当然也可以从我的github下载，在源码中我自己加了一些中文注释。
来自Bitly的USA.gov数据 ，文件中各行的格式为JSON（即JavaScript Object Notation，这是一种常用的Web数据格式）。例如，如果我们只读取某个文件中的第一行，那么所看到的结果应该是下面这样：
Python有内置或第三方模块可以将JSON字符串转换成Python字典对象。这里，我将使用json模块及其loads函数逐行加载已经下载好的数据文件，records对象就成为一组Python字典了：
一、用纯Python代码对时区进行计数
假设我们想要知道该数据集中最常出现的是哪个时区（即tz字段）
计数的办法是在遍历时区的过程中将计数值保存在字典中：
这样写会使get_counts函数更简洁
得到前10位的时区及其计数值：
另一种更快捷的方法:
二、用pandas对时区进行计数
1、把数据建成表
下图是DataFrame格式的frame表：
2、计算时区数量
frame['tz']所返回的Series对象有一个value_counts方法，计算每个时区出现的数量，从大到小排列：
3、填充缺失值
fillna函数可以替换缺失值NA，而未知值（空字符串）可以通过布尔型数组索引加以替换
4、常出现的10个时区进行绘图
usa.gov示例数据中最常出现的时区
usa.gov示例数据中最常出现的时区
5、分离出浏览器
a字段含有执行URL短缩操作的浏览器、设备、应用程序的相关信息：
6、统计各个浏览器出现的数量
7、按照Windows和非Windows用户对时区统计信息进行分解
（1）由于有的agent缺失，所以首先将他们从数据中移除，其次根据a值计算出各行是否是Windows
（2）根据时区和新得到的操作系统列表对数据进行分组
（3）分组计数，通过size()对分组结果进行计数，并利用unstack对计数结果进行重塑
（4）我们来选取最常出现的时区。为了达到这个目的，我根据agg_counts中的行数构造了一个间接索引数组：
（5）通过take按照这个顺序截取了最后10行最大值：
（6）做柱状图
最常出现时区的Windows和非Windows用户
（7）上图不太容易看清楚较小分组中Windows用户的相对比例，因此标准化分组百分比之和为1：
快速学习：
网友评论