#（1）怎样对数值列按照分组的归一化
#（2）怎样取每个分组的TOP N数据
‘’’
X的归一化：
X(normalized) = (X当前值-最小值)/（X最大值-X最小值）

‘’’

import pandas as pd 
import os 
os.chdir(r"C:\Users\Hans\Desktop\data_analysis\test_data\movie")
ratings = pd.read_csv("ratings.dat",sep = "::",engine = "python",names = "UserID::MovieID::Rating::Timestamp".split("::"))
ratings.head()

	UserID	MovieID	Rating	Timestamp
0	1	1193	5	978300760
1	1	661	3	978302109
2	1	914	3	978301968
3	1	3408	4	978300275
4	1	2355	5	978824291

def ratings_norm(df):#函数的参数是一个DataFramemin_value = df["Rating"].min()max_value = df["Rating"].max()df["Rating_norm"] = df["Rating"].apply(lambda x:(x-min_value)/(max_value-min_value))return df

a = ratings.groupby("UserID").apply(ratings_norm)

a.head()

	UserID	MovieID	Rating	Timestamp	Rating_norm
0	1	1193	5	978300760	1.0
1	1	661	3	978302109	0.0
2	1	914	3	978301968	0.0
3	1	3408	4	978300275	0.5
4	1	2355	5	978824291	1.0

ratings["Rating"].unique()#注意unique函数需要（）

array([5, 3, 4, 2, 1], dtype=int64)

b = ratings.loc[ratings["UserID"]==1]
b.tail()

	UserID	MovieID	Rating	Timestamp
48	1	2028	5	978301619
49	1	531	4	978302149
50	1	3114	4	978302174
51	1	608	4	978301398
52	1	1246	4	978302091

b["Rating"].unique()

array([5, 3, 4], dtype=int64)

ratings.groupby("UserID").apply(ratings_norm).head()

	UserID	MovieID	Rating	Timestamp	Rating_norm
0	1	1193	5	978300760	1.0
1	1	661	3	978302109	0.0
2	1	914	3	978301968	0.0
3	1	3408	4	978300275	0.5
4	1	2355	5	978824291	1.0

#这里注意，按照UserID分组后，UserID==1的组，对应的RatIng只有三个值，5，3，4

#（2）怎么取每一个分组的TOP N数据
file_path = r"C:\Users\Hans\Desktop\data_analysis\test_data\Beijing_2014.csv"
df = pd.read_csv(file_path)
df.head()

	Date	Temperature(Celsius)(high)	Temperature(Celsius)(avg)	Temperature(Celsius)(low)	Dew Point(Celsius)(high)	Dew Point(Celsius)(avg)	Dew Point(Celsius)(low)	Humidity(%)(high)	Humidity(%)(avg)	Humidity(%)(low)	...	Visibility(km)(high)	Visibility(km)(avg)	Visibility(km)(low)	Wind(km/h)(high)	Wind(km/h)(avg)	Precipitation(mm)(high)	Precipitation(mm)(sum)	weather1	weather2	weather3
0	2014-1-1	12	4	-2	-12	-17	-20	44	19	7	...	31	11	5	32	16	47	0.0	NaN	NaN	NaN
1	2014-1-2	7	0	-6	-6	-9	-13	74	50	28	...	18	7	3	18	5	-	0.0	NaN	NaN	NaN
2	2014-1-3	9	3	-2	-7	-13	-18	64	32	9	...	31	13	5	18	8	-	0.0	NaN	NaN	NaN
3	2014-1-4	2	-2	-6	-4	-7	-9	80	68	44	...	10	5	2	11	5	-	0.0	NaN	NaN	NaN
4	2014-1-5	7	0	-7	-5	-11	-15	80	51	15	...	31	7	3	18	10	-	0.0	NaN	NaN	NaN

5 rows × 23 columns

#增加新的一列“月份”
from datetime import datetime
m = pd.to_datetime(df["Date"])#将时间格式转换下，都是双数字
m.head()

0   2014-01-01
1   2014-01-02
2   2014-01-03
3   2014-01-04
4   2014-01-05
Name: Date, dtype: datetime64[ns]

df["month"] = pd.to_datetime(df["Date"])#添加一列
df.head()
#month列不是str，怎么将DataFrame的某一列改变格式？？？？？？

	Date	Temperature(Celsius)(high)	Temperature(Celsius)(avg)	Temperature(Celsius)(low)	Dew Point(Celsius)(high)	Dew Point(Celsius)(avg)	Dew Point(Celsius)(low)	Humidity(%)(high)	Humidity(%)(avg)	Humidity(%)(low)	...	Visibility(km)(avg)	Visibility(km)(low)	Wind(km/h)(high)	Wind(km/h)(avg)	Precipitation(mm)(high)	Precipitation(mm)(sum)	weather1	weather2	weather3	month
0	2014-1-1	12	4	-2	-12	-17	-20	44	19	7	...	11	5	32	16	47	0.0	NaN	NaN	NaN	2014-01-01
1	2014-1-2	7	0	-6	-6	-9	-13	74	50	28	...	7	3	18	5	-	0.0	NaN	NaN	NaN	2014-01-02
2	2014-1-3	9	3	-2	-7	-13	-18	64	32	9	...	13	5	18	8	-	0.0	NaN	NaN	NaN	2014-01-03
3	2014-1-4	2	-2	-6	-4	-7	-9	80	68	44	...	5	2	11	5	-	0.0	NaN	NaN	NaN	2014-01-04
4	2014-1-5	7	0	-7	-5	-11	-15	80	51	15	...	7	3	18	10	-	0.0	NaN	NaN	NaN	2014-01-05

5 rows × 24 columns

type(df["Date"][0])

str

type(df["month"][0])

pandas._libs.tslibs.timestamps.Timestamp

df = df.astype({'month':'str'})#将month列数据格式转换为字符串类型
df.head()

	Date	Temperature(Celsius)(high)	Temperature(Celsius)(avg)	Temperature(Celsius)(low)	Dew Point(Celsius)(high)	Dew Point(Celsius)(avg)	Dew Point(Celsius)(low)	Humidity(%)(high)	Humidity(%)(avg)	Humidity(%)(low)	...	Visibility(km)(avg)	Visibility(km)(low)	Wind(km/h)(high)	Wind(km/h)(avg)	Precipitation(mm)(high)	Precipitation(mm)(sum)	weather1	weather2	weather3	month
0	2014-1-1	12	4	-2	-12	-17	-20	44	19	7	...	11	5	32	16	47	0.0	NaN	NaN	NaN	2014-01-01
1	2014-1-2	7	0	-6	-6	-9	-13	74	50	28	...	7	3	18	5	-	0.0	NaN	NaN	NaN	2014-01-02
2	2014-1-3	9	3	-2	-7	-13	-18	64	32	9	...	13	5	18	8	-	0.0	NaN	NaN	NaN	2014-01-03
3	2014-1-4	2	-2	-6	-4	-7	-9	80	68	44	...	5	2	11	5	-	0.0	NaN	NaN	NaN	2014-01-04
4	2014-1-5	7	0	-7	-5	-11	-15	80	51	15	...	7	3	18	10	-	0.0	NaN	NaN	NaN	2014-01-05

5 rows × 24 columns

#新增一列，年月不包括日，这样方便按照月份分组
df["nian_yue"] = df["month"].str[0:7]
df.head()

	Date	Temperature(Celsius)(high)	Temperature(Celsius)(avg)	Temperature(Celsius)(low)	Dew Point(Celsius)(high)	Dew Point(Celsius)(avg)	Dew Point(Celsius)(low)	Humidity(%)(high)	Humidity(%)(avg)	Humidity(%)(low)	...	Visibility(km)(low)	Wind(km/h)(high)	Wind(km/h)(avg)	Precipitation(mm)(high)	Precipitation(mm)(sum)	weather1	weather2	weather3	month	nian_yue
0	2014-1-1	12	4	-2	-12	-17	-20	44	19	7	...	5	32	16	47	0.0	NaN	NaN	NaN	2014-01-01	2014-01
1	2014-1-2	7	0	-6	-6	-9	-13	74	50	28	...	3	18	5	-	0.0	NaN	NaN	NaN	2014-01-02	2014-01
2	2014-1-3	9	3	-2	-7	-13	-18	64	32	9	...	5	18	8	-	0.0	NaN	NaN	NaN	2014-01-03	2014-01
3	2014-1-4	2	-2	-6	-4	-7	-9	80	68	44	...	2	11	5	-	0.0	NaN	NaN	NaN	2014-01-04	2014-01
4	2014-1-5	7	0	-7	-5	-11	-15	80	51	15	...	3	18	10	-	0.0	NaN	NaN	NaN	2014-01-05	2014-01

5 rows × 25 columns

df.groupby("nian_yue")

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001C565FB0E80>

def getTopN(df,topn):return df.sort_values(by = "Temperature(Celsius)(high)")[["nian_yue","Temperature(Celsius)(high)"]][-topn:]
#sort_values默认是升序，所以最高的排在最后，直接按照切片取出最高的。

df.groupby("nian_yue").apply(getTopN,topn=2).head()
#为什么会报错？？？？？

pd.read_csv(filepath_or_buffer,#文件名称sep=',',指定分隔符。如果不指定参数，默认逗号分隔delimiter=None,#定界符，备选分隔符（如果指定该参数，则sep参数失效）header='infer',names=None,index_col=None,usecols=None,squeeze=False,prefix=None,mangle_dupe_cols=True,dtype=None,engine=None,converters=None,true_values=None,false_values=None,skipinitialspace=False,skiprows=None,skipfooter=0,nrows=None,na_values=None,keep_default_na=True,na_filter=True,verbose=False,skip_blank_lines=True,parse_dates=False,infer_datetime_format=False,keep_date_col=False,date_parser=None,dayfirst=False,iterator=False,chunksize=None,compression='infer',thousands=None,decimal=b'.',lineterminator=None,quotechar='"',quoting=0,doublequote=True,escapechar=None,comment=None,encoding=None,dialect=None,tupleize_cols=None,error_bad_lines=True,warn_bad_lines=True,delim_whitespace=False,low_memory=True,memory_map=False,float_precision=None,
)
filepath_or_buffer : str，pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such as a file handle or StringIO)
可以是URL，可用URL类型包括：http, ftp, s3和文件。对于多文件正在准备中
本地文件读取实例：://localhost/path/to/table.csvsep : str, default ‘,’
指定分隔符。如果不指定参数，则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘\s+’,将使用python的语法分析器。并且忽略数据中的逗号。正则表达式例子：'\r\t'delimiter : str, default None
定界符，备选分隔符（如果指定该参数，则sep参数失效）delim_whitespace : boolean, default False.
指定空格(例如’ ‘或者’ ‘)是否作为分隔符使用，等效于设定sep='\s+'。如果这个参数设定为Ture那么delimiter 参数失效。
在新版本0.18.1支持header : int or list of ints, default ‘infer’
指定行数用来作为列名，数据开始行数。如果文件中没有列名，则默认为0，否则设置为None。如果明确设定header=0 就会替换掉原来存在列名。header参数可以是一个list例如：[0,1,3]，这个list表示将文件中的这些行作为列标题（意味着每一列有多个标题），介于中间的行将被忽略掉（例如本例中的2；本例中的数据1,2,4行将被作为多级标题出现，第3行数据将被丢弃，dataframe的数据从第5行开始。）。
注意：如果skip_blank_lines=True 那么header参数忽略注释行和空行，所以header=0表示第一行数据而不是文件的第一行。names : array-like, default None
用于结果的列名列表，如果数据文件中没有列标题行，就需要执行header=None。默认列表中不能出现重复，除非设定参数mangle_dupe_cols=True。index_col : int or sequence or False, default None
用作行索引的列编号或者列名，如果给定一个序列则有多个行索引。
如果文件不规则，行尾有分隔符，则可以设定index_col=False 来是的pandas不适用第一列作为行索引。usecols : array-like, default None
返回一个数据子集，该列表中的值必须可以对应到文件中的位置（数字可以对应到指定的列）或者是字符传为文件中的列名。例如：usecols有效参数可能是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用这个参数可以加快加载速度并降低内存消耗。as_recarray : boolean, default False
不赞成使用：该参数会在未来版本移除。请使用pd.read_csv(...).to_records()替代。
返回一个Numpy的recarray来替代DataFrame。如果该参数设定为True。将会优先squeeze参数使用。并且行索引将不再可用，索引列也将被忽略。squeeze : boolean, default False
如果文件值包含一列，则返回一个Seriesprefix : str, default None
在没有列标题时，给列添加前缀。例如：添加‘X’ 成为 X0, X1, ...mangle_dupe_cols : boolean, default True
重复的列，将‘X’...’X’表示为‘X.0’...’X.N’。如果设定为false则会将所有重名列覆盖。dtype : Type name or dict of column -> type, default None
每列数据的数据类型。例如 {‘a’: np.float64, ‘b’: np.int32}engine : {‘c’, ‘python’}, optional
Parser engine to use. The C engine is faster while the python engine is currently more feature-complete.
使用的分析引擎。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。converters : dict, default None
列转换函数的字典。key可以是列名或者列的序号。true_values : list, default None
Values to consider as Truefalse_values : list, default None
Values to consider as Falseskipinitialspace : boolean, default False
忽略分隔符后的空白（默认为False，即不忽略）.skiprows : list-like or integer, default None
需要忽略的行数（从文件开始处算起），或需要跳过的行号列表（从0开始）。skipfooter : int, default 0
从文件尾部开始忽略。 (c引擎不支持)skip_footer : int, default 0
不推荐使用：建议使用skipfooter ，功能一样。nrows : int, default None
需要读取的行数（从文件头开始算起）。na_values : scalar, str, list-like, or dict, default None
一组用于替换NA/NaN的值。如果传参，需要制定特定列的空值。默认为‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.keep_default_na : bool, default True
如果指定na_values参数，并且keep_default_na=False，那么默认的NaN将被覆盖，否则添加。na_filter : boolean, default True
是否检查丢失值（空字符串或者是空值）。对于大文件来说数据集中没有空值，设定na_filter=False可以提升读取速度。verbose : boolean, default False
是否打印各种解析器的输出信息，例如：“非数值列中缺失值的数量”等。skip_blank_lines : boolean, default True
如果为True，则跳过空行；否则记为NaN。parse_dates : boolean or list of ints or names or list of lists or dict, default False
boolean. True -> 解析索引
list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作为独立的日期列；
list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用
dict, e.g. {‘foo’ : [1, 3]} -> 将1,3列合并，并给合并后的列起名为"foo"infer_datetime_format : boolean, default False
如果设定为True并且parse_dates 可用，那么pandas将尝试转换为日期类型，如果可以转换，转换方法并解析。在某些情况下会快5~10倍。keep_date_col : boolean, default False
如果连接多列解析日期，则保持参与连接的列。默认为False。date_parser : function, default None
用于解析日期的函数，默认使用dateutil.parser.parser来做转换。Pandas尝试使用三种不同的方式解析，如果遇到问题则使用下一种方式。
1.使用一个或者多个arrays（由parse_dates指定）作为参数；
2.连接指定多列字符串作为一个列作为参数；
3.每行调用一次date_parser函数来解析一个或者多个字符串（由parse_dates指定）作为参数。dayfirst : boolean, default False
DD/MM格式的日期类型iterator : boolean, default False
返回一个TextFileReader 对象，以便逐块处理文件。chunksize : int, default None
文件块的大小，  See IO Tools docs for more informationon iterator and chunksize.compression : {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’
直接使用磁盘上的压缩文件。如果使用infer参数，则使用 gzip, bz2, zip或者解压文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’这些为后缀的文件，否则不解压。如果使用zip，那么ZIP包中国必须只包含一个文件。设置为None则不解压。
新版本0.18.1版本支持zip和xz解压thousands : str, default None
千分位分割符，如“，”或者“."decimal : str, default ‘.’
字符中的小数点 (例如：欧洲数据使用’，‘).float_precision : string, default None
Specifies which converter the C engine should use for floating-point values. The options are None for the ordinary converter, high for the high-precision converter, and round_trip for the round-trip converter.
指定lineterminator : str (length 1), default None
行分割符，只在C解析器下使用。quotechar : str (length 1), optional
引号，用作标识开始和解释的字符，引号内的分割符将被忽略。quoting : int or csv.QUOTE_* instance, default 0
控制csv中的引号常量。可选 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)doublequote : boolean, default True
双引号，当单引号已经被定义，并且quoting 参数不是QUOTE_NONE的时候，使用双引号表示引号内的元素作为一个元素使用。escapechar : str (length 1), default None
当quoting 为QUOTE_NONE时，指定一个字符使的不受分隔符限值。comment : str, default None
标识着多余的行不被解析。如果该字符出现在行首，这一行将被全部忽略。这个参数只能是一个字符，空行（就像skip_blank_lines=True）注释行被header和skiprows忽略一样。例如如果指定comment='#' 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那么返回结果将是以’a,b,c'作为header。encoding : str, default None
指定字符集类型，通常指定为'utf-8'.  List of Python standard encodingsdialect : str or csv.Dialect instance, default None
如果没有指定特定的语言，如果sep大于一个字符则忽略。具体查看csv.Dialect 文档tupleize_cols : boolean, default False
Leave a list of tuples on columns as is (default is to convert to a Multi Index on the columns)error_bad_lines : boolean, default True
如果一行包含太多的列，那么默认不会返回DataFrame ，如果设置成false，那么会将改行剔除（只能在C解析器下使用）。warn_bad_lines : boolean, default True
如果error_bad_lines =False，并且warn_bad_lines =True 那么所有的“bad lines”将会被输出（只能在C解析器下使用）。low_memory : boolean, default True
分块加载到内存，再低内存消耗中解析。但是可能出现类型混淆。确保类型不被混淆需要设置为False。或者使用dtype 参数指定类型。注意使用chunksize 或者iterator 参数分块读入会将整个文件读入到一个Dataframe，而忽略类型（只能在C解析器中有效）buffer_lines : int, default None
不推荐使用，这个参数将会在未来版本移除，因为他的值在解析器中不推荐使用compact_ints : boolean, default False
不推荐使用，这个参数将会在未来版本移除
如果设置compact_ints=True ，那么任何有整数类型构成的列将被按照最小的整数类型存储，是否有符号将取决于use_unsigned 参数use_unsigned : boolean, default False
不推荐使用：这个参数将会在未来版本移除
如果整数列被压缩(i.e. compact_ints=True)，指定被压缩的列是有符号还是无符号的。
memory_map : boolean, default False
如果使用的文件在内存内，那么直接map文件使用。使用这种方式可以避免文件再次进行IO操作。