数据分析day1:json数据处理

数据来自《利用python进行数据分析》附加数据文件，本篇使用采集的用户匿名数据

读取一行数据

很乱，很难看懂

利用第三方转换为易读模式
每一行都是一个json格式数据，里面有不少数据，目前我能看出来几个：时区，国家，浏览器，URL啥的

从第二行开始解释一下：
列表推导式是经常使用的，后半句for line in open(path)一行一行读取这个文件每一行为一个元素，最后输出为一个列表
而json.loads(line)又对每一行的json数据进行了处理转换为了dict（字典）
所以最终的输出是一个列表（当然这是毋庸置疑的列表推导式肯定返回列表），里面的每一个元素都是字典。

可以看到输出的第一个元素：一个字典

报错keyerror

这里抛出了一个错误，咋一看语句没啥错误，但是为什么抛出这个错误呢，这里我直接说了：这个列表中的每一个字典并不是都有(时区)tz字段，所以有的就会找不到key啊，所以会抛出keyerror

如何解决：列表推导式加判断

可以看到这次可以了，下面再来解释下这个列表推导式：
首先明确records是一个列表，for rec in records这里的rec是records中的元素：字典
这里就是遍历records中的每一个字典
原先是直接将每一个字典中的时区字段取出来组成一个新的列表
但是并不是每一个字典中都有时区字段，所有加了个判断if 'tz' in rec如果这个字典存在这个key'tz'再将它取出来
综上希望能完全理解这个列表推导式，会对我们后面的学习有很大帮助
最后输出为一个列表可以切片操作取出前十个看一下

先用笨方法进行计数：

两种方法
两种方法都能实现，第二种可以记一下，生成了一个字典，但是其中的所有value存在切默认为0
美国纽约
第二个函数生成的字典很神奇，一个没有设置的key，依然存在，且value为0
美国纽约的记录数为1251
前十位时区及其计数值
count_dict.items()返回一个可以遍历的元组数组，然后计数和时区换下位置，最后输出一个列表
sort()方法对列表进行升序排序（默认升序，可自己设定）

当然有简单的方法

简单方法
标准库collections.Counter类
使用Counter类直接对这个列表进行了计数
使用most_common(int)函数直接进行排序与取值

下面要学的是今天的重头戏，利用科学计算库pandas来对时区进行计数

首先了解一下DataFrame

DataFrame是pandas中最重要的数据结构，它用于将数据表示为一个表格先看一个简单的例子

DataFrame

内容太多，最好自己尝试一下，这里的参数紧接上文，是上文中的参数

这里输出的是摘要视图，主要用于比较大的DataFrame对象

这个时候就已经快要完工了，直接取时区就可以了

计数完成

这种通过字段查找返回的是一个Series对象，又一个自带的value_counts函数可以自动计数排序,返回的依然是Series对象，并且可以进行切片操作

替换操作
fillna这里将值为NA的替换为missing，下面执行了一个相当于查找赋值语句（这一行想深究什么意思建议查资料），将值为空的赋值Unknow， 绘图
这样就绘制出了常见时区的条形图，这里利用的是matplotlib库，可能你没有看到我导入这个库，这是因为我启动Ipython的时候使用了--pylab指令，或者你也可以用--matplotlib指令 获取浏览器数据
可以看出来索引为a的是浏览器相关信息，下面解释下第56行的列表推导式是如何拿到浏览器数据的
首先frame.a.dropna()取到了所有的浏览器相关数据并删除了为空的数据，之后遍历这些数据并利用空格切割字符串拿到索引为0的也就是浏览器字段 排序

这里解释一下where的用法，where接收三个参数，第一个是条件，第二个是满足条件后的输出，第三个是不满足条件的输出，也就是查找a字段并区分为两种，一种为windows一种为not windows，最后并利用时区和操作系统排序生成一个新的DataFrame

转载请注明出处

python自学技术互助扣扣群：670402334