Python e Pandas - Nozioni e operazioni base¶

questo notebook è utile come riferimento -cassetta degli attrezzi- per le attività formative del DataLifeLab e per le esercitazioni in classe del corso di Open Notebook Science del dell'Università di Firenze

Python - nozioni base¶

Assegnazione variabili, stampa e indentificazione tipo di dati della variabile
tipi di dati
- Numeri e operatori
- Stringhe
- Liste
- Dictionari
- Valori Booleani
- Tuple
- Set
Operatori di comparazione
Condizioni (if, elif, else, try-except)
Cicli For
Cicli While
range()
list comprehension
funzioni
expressioni lambda
metodi

Python - operazioni su file¶

aprire un file in lettura
aprire un file in scrittura

Pandas - nozioni base¶

Importare correttamente la libreria
Crare un DataFrame
DataFrame e Serie
Filtrare DataFrame e Serie
Concatenazione e Merge
Tabella Pivot
Formato Wide e Long (melt)
Applicare una funzione alle celle
Aprire e creare un file
- excel

Pandas - funzioni statistiche di base¶

Describe
media
deviazione standard
correlazione

Pandas - grafici di base¶

Python¶

Assegnazione variabili, stampa e indentificazione tipo di dati della variabile¶

In [112]:

variabile = "qualsiasi cosa in python è un oggetto"

In [113]:

variabile

Out[113]:

'qualsiasi cosa in python è un oggetto'

In [114]:

print(variabile)

qualsiasi cosa in python è un oggetto

In [115]:

type(variabile)

Out[115]:

str

tipi di dati¶

Numeri¶

In [116]:

# interi
1

Out[116]:

In [117]:

# numeri con virgola (float)
1.4

Out[117]:

1.4

In [118]:

# operazioni
1 + 1

Out[118]:

In [119]:

1 * 3

Out[119]:

In [120]:

1 / 2

Out[120]:

0.5

In [121]:

2 ** 4

Out[121]:

In [122]:

# modulo o resto
4 % 2

Out[122]:

In [123]:

5 % 2

Out[123]:

In [124]:

(2 + 3) * (5 + 5)

Out[124]:

Stringhe¶

In [125]:

'testo compreso fra apostrofi'

Out[125]:

'testo compreso fra apostrofi'

In [126]:

"virgolette"

Out[126]:

'virgolette'

In [127]:

" testo che contiene apostrofi '   "

Out[127]:

" testo che contiene apostrofi '   "

Liste¶

In [128]:

[1,2,3]

Out[128]:

[1, 2, 3]

In [129]:

['ciao',1,[1,2]]

Out[129]:

['ciao', 1, [1, 2]]

In [130]:

la_mia_lista = ['a','b','c']

In [131]:

la_mia_lista.append('d')

In [132]:

la_mia_lista

Out[132]:

['a', 'b', 'c', 'd']

In [133]:

la_mia_lista[0]

Out[133]:

'a'

In [134]:

la_mia_lista[1]

Out[134]:

'b'

In [135]:

la_mia_lista[1:]

Out[135]:

['b', 'c', 'd']

In [136]:

la_mia_lista[:1]

Out[136]:

['a']

In [137]:

la_mia_lista[0] = "modifico l'elemento zero"

In [138]:

la_mia_lista

Out[138]:

["modifico l'elemento zero", 'b', 'c', 'd']

In [139]:

lista_nested = [1,2,3,[4,5,['secondo livello del terzo elemento']]] 

In [140]:

lista_nested

Out[140]:

[1, 2, 3, [4, 5, ['secondo livello del terzo elemento']]]

In [141]:

lista_nested[3]

Out[141]:

[4, 5, ['secondo livello del terzo elemento']]

In [142]:

lista_nested[3][2]

Out[142]:

['secondo livello del terzo elemento']

Dizionari¶

In [143]:

d = {'chiave1':'elemento1','chiave2':'elemento2'}

In [144]:

Out[144]:

{'chiave1': 'elemento1', 'chiave2': 'elemento2'}

In [145]:

d['chiave1']

Out[145]:

'elemento1'

In [146]:

d.keys()

Out[146]:

dict_keys(['chiave1', 'chiave2'])

Valori Booleani¶

In [147]:

True

Out[147]:

True

In [148]:

False

Out[148]:

False

In [149]:

## Turple

In [150]:

t = (1,2,3)

In [151]:

t[0]

Out[151]:

In [152]:

# t[0] = 'NEW'
# TypeError: 'tuple' object does not support item assignment

In [153]:

## Sets

In [154]:

{1,2,3}

Out[154]:

{1, 2, 3}

In [155]:

{1,2,3,1,2,1,2,3,3,3,3,2,2,2,1,1,2}

Out[155]:

{1, 2, 3}

Operatori di comparazione¶

In [156]:

1 > 2

Out[156]:

False

In [157]:

1 < 2

Out[157]:

True

In [158]:

1 >= 1

Out[158]:

True

In [159]:

1 <= 4

Out[159]:

True

In [160]:

1 == 1

Out[160]:

True

In [161]:

'hi' == 'bye'

Out[161]:

False

Operatori Logici¶

In [162]:

(1 > 2) and (2 < 3)

Out[162]:

False

In [163]:

(1 > 2) or (2 < 3)

Out[163]:

True

In [164]:

(1 == 2) or (2 == 3) or (4 == 4)

Out[164]:

True

In [165]:

#Gestione eccezioni

In [166]:

if 1 < 2:
    print('bene!')

bene!

In [167]:

if 1 < 2:
    print('bene')
else:
    print('altrimenti')

bene

In [168]:

if 1 > 2:
    print('bene')
else:
    print('altrimenti')

altrimenti

In [169]:

if 1 == 2:
    print('primo')
elif 3 == 3:
    print('intermedio')
else:
    print('ultimo')

intermedio

In [170]:

try:
    print("10")
except:
    print("fai qualcosa in caso di errore")

In [171]:

#print(int("mamma"))
#ValueError: invalid literal for int() with base 10: 'mamma'

In [172]:

try:
    print(int("mamma"))
except:
    print("fai qualcosa in caso di errore")

fai qualcosa in caso di errore

Cicli Loop¶

In [173]:

seq = [1,2,3,4,5]

In [174]:

for item in seq:
    print(item)

In [175]:

for item in seq:
    print('Bene!')

Bene!
Bene!
Bene!
Bene!
Bene!

In [176]:

for nome_a_caso in seq:
    print(nome_a_caso+nome_a_caso)

In [177]:

## Ciclo while

In [178]:

i = 1
while i < 10:
    print('i is: {}'.format(i))
    i = i+1

i is: 1
i is: 2
i is: 3
i is: 4
i is: 5
i is: 6
i is: 7
i is: 8
i is: 9

In [179]:

## range()

In [180]:

range(10)

Out[180]:

range(0, 10)

In [181]:

for i in range(5):
    print(i)

In [182]:

list(range(5))

Out[182]:

[0, 1, 2, 3, 4]

Metodi¶

In [183]:

st = 'Marco saluta il Mondo'

In [184]:

# lista di metodi e attributi
dir(st)

Out[184]:

['__add__',
 '__class__',
 '__contains__',
 '__delattr__',
 '__dir__',
 '__doc__',
 '__eq__',
 '__format__',
 '__ge__',
 '__getattribute__',
 '__getitem__',
 '__getnewargs__',
 '__gt__',
 '__hash__',
 '__init__',
 '__init_subclass__',
 '__iter__',
 '__le__',
 '__len__',
 '__lt__',
 '__mod__',
 '__mul__',
 '__ne__',
 '__new__',
 '__reduce__',
 '__reduce_ex__',
 '__repr__',
 '__rmod__',
 '__rmul__',
 '__setattr__',
 '__sizeof__',
 '__str__',
 '__subclasshook__',
 'capitalize',
 'casefold',
 'center',
 'count',
 'encode',
 'endswith',
 'expandtabs',
 'find',
 'format',
 'format_map',
 'index',
 'isalnum',
 'isalpha',
 'isdecimal',
 'isdigit',
 'isidentifier',
 'islower',
 'isnumeric',
 'isprintable',
 'isspace',
 'istitle',
 'isupper',
 'join',
 'ljust',
 'lower',
 'lstrip',
 'maketrans',
 'partition',
 'replace',
 'rfind',
 'rindex',
 'rjust',
 'rpartition',
 'rsplit',
 'rstrip',
 'split',
 'splitlines',
 'startswith',
 'strip',
 'swapcase',
 'title',
 'translate',
 'upper',
 'zfill']

In [185]:

st.lower()

Out[185]:

'marco saluta il mondo'

In [186]:

st.upper()

Out[186]:

'MARCO SALUTA IL MONDO'

In [187]:

st.split()

Out[187]:

['Marco', 'saluta', 'il', 'Mondo']

In [188]:

post = 'si parla di scienza! #DataLifeLab'

In [189]:

post.split('#')

Out[189]:

['si parla di scienza! ', 'DataLifeLab']

In [190]:

post.split('#')[1]

Out[190]:

'DataLifeLab'

In [191]:

Out[191]:

{'chiave1': 'elemento1', 'chiave2': 'elemento2'}

In [192]:

d.keys()

Out[192]:

dict_keys(['chiave1', 'chiave2'])

In [193]:

d.items()

Out[193]:

dict_items([('chiave1', 'elemento1'), ('chiave2', 'elemento2')])

In [194]:

'x' in [1,2,3]

Out[194]:

False

In [195]:

'x' in ['x','y','z']

Out[195]:

True

Operazioni su file¶

In [196]:

# aprire un file di testo in sola lettura
# il file si trova nella cartella Esercizio_1 all'interno della cartella esercizi e il nome del file è albert.txt
with open("./esercizi/Esercizio_1/albert.txt" , "r") as miofile:
    contenuto_mio_file = miofile.read()
    
print(contenuto_mio_file)

## deve essere raccolta ogni informazione ed inserita in un dizionario python 

Albert Einstein è stato un fisico e filosofo tedesco naturalizzato svizzero e statunitense. Oltre a essere uno dei più celebri fisici della storia della scienza, che mutò in maniera radicale il paradigma ... Wikipedia
Nascita: 14 marzo 1879, Ulma, Germania
Decesso: 18 aprile 1955, Princeton, New Jersey, Stati Uniti
Altezza: 1,75 m
Figli: Eduard Einstein, Hans Albert Einstein, Lieserl Einstein
Coniuge: Elsa Einstein (s. 1919–1936), Mileva Marić (s. 1903–1919)

In [197]:

# aprire un file di testo in scrittura
# il file si trova nella cartella Esercizio_2 all'interno della cartella esercizi e il nome del file è Luigino.txt

contenuto = '''
Luigino è stato uno dei più grandi artisti lirici della storia di San Marino   
Nascita: 14 marzo 1945, San Marino, San Marino.
Decesso: 18 aprile 2015, San Marino, San Marino.
Altezza: 1,75 m
Peso: 205 KG

'''

with open("./esercizi/Esercizio_2/Luigino.txt", "w") as miofile:
    contenuto_mio_file = miofile.write(contenuto)
    

Funzioni¶

In [198]:

def mia_funzione(parametro='default'):
    """
    documentazione della funzione va qui.
    """
    return(parametro)

In [199]:

mia_funzione

Out[199]:

<function __main__.mia_funzione(parametro='default')>

In [200]:

mia_funzione()

Out[200]:

'default'

In [201]:

mia_funzione("marco")

Out[201]:

'marco'

In [202]:

def area_triangolo(base, altezza):
    return base * altezza / 2

In [203]:

area_triangolo(10,15)

Out[203]:

75.0

In [204]:

## Espressioni Lambda

In [205]:

def la_variabile_per_2(var):
    return var*2

In [206]:

la_variabile_per_2(10)

Out[206]:

In [207]:

a = lambda var: var*2

In [208]:

a(10)

Out[208]:

Pandas - nozioni base¶

In [209]:

import numpy as np
import pandas as pd


#costruzione di un dataframe
df = pd.DataFrame({'col1':[1,2,3,4],'col2':[444,800,1200,444],'col3':['abc','abc','ghi','xyz']})
df

Out[209]:

	col1	col2	col3
0	1	444	abc
1	2	800	abc
2	3	1200	ghi
3	4	444	xyz

"DataFrame"

In [210]:

## filtrare i dati con **loc**

In [211]:

# filtrare passando i valori di indice e colonna
df.loc[3,"col3"] 

Out[211]:

'xyz'

In [212]:

df.loc[2,["col2", "col3"]] 

Out[212]:

col2    1200
col3     ghi
Name: 2, dtype: object

In [213]:

df.loc[[2,1],["col2", "col3"]] 

Out[213]:

	col2	col3
2	1200	ghi
1	800	abc

In [214]:

(df['col2']==444) # filtrare passando un vettore boleano

Out[214]:

0     True
1    False
2    False
3     True
Name: col2, dtype: bool

In [215]:

df.loc[(df['col1']>3) & (df['col2']==444), :]

Out[215]:

	col1	col2	col3
3	4	444	xyz

In [216]:

#oppure
filtro1 = df['col1']>2
filtro2 = df['col2']==444

df.loc[filtro1 & filtro2, :]

Out[216]:

	col1	col2	col3
3	4	444	xyz

In [217]:

df.loc[(df['col1']>2) | (df['col2']==444), :]

Out[217]:

	col1	col2	col3
0	1	444	abc
2	3	1200	ghi
3	4	444	xyz

In [218]:

# assegnazione di valori

In [219]:

#assegnazione ad un intera riga
df.loc[(df['col1']>2) & (df['col2']==444), :] = 10 
df

Out[219]:

	col1	col2	col3
0	1	444	abc
1	2	800	abc
2	3	1200	ghi
3	10	10	10

In [220]:

#filtro tramite isin
#si passa una lista di valori su cui effettuare il filtro

df[df["col3"].isin(["ghi", "abc"])]

Out[220]:

	col1	col2	col3
0	1	444	abc
1	2	800	abc
2	3	1200	ghi

In [221]:

#certe volte può essere utile filtrare "stile battaglia navale", passando per il numero di riga e di colonna 
# questo si può fare con iloc
df.iloc[0:1,1:3] #prendo la seconda e terza colonna e la prima riga (indipendentemente dal valore del'indice)

Out[221]:

	col2	col3
0	444	abc

In [222]:

## Operazioni fra colonne e righe
# creazione di una nuova colonna

nuova_colonna = df["col1"] + df["col2"]

In [223]:

df["nuova_colonna"] = nuova_colonna
df

Out[223]:

	col1	col2	col3	nuova_colonna
0	1	444	abc	445
1	2	800	abc	802
2	3	1200	ghi	1203
3	10	10	10	20

In [224]:

#sommare interi con stringa porta ad errore
#df["col1"] + df["col3"]
#TypeError: unsupported operand type(s) for +: 'int' and 'str'

In [225]:

df[["col1", "col2", "nuova_colonna"]].div(df["nuova_colonna"], axis = 0) * 100

Out[225]:

	col1	col2	nuova_colonna
0	0.224719	99.775281	100.0
1	0.249377	99.750623	100.0
2	0.249377	99.750623	100.0
3	50.000000	50.000000	100.0

In [226]:

#per approfondire https://pandas.pydata.org/pandas-docs/stable/api.html#id4

In [227]:

altezze = pd.DataFrame({'Nome':["Marco","Luigi","Nino","Ugo", "Marino" ],'Altezza':[175,173,178,182,160]})
pesi = pd.DataFrame({'Nome':["Marco","Luigi","Vittorio","Ugo", "Marino" ],'Peso':[75,70,100,97,50]})

In [228]:

#concatenazione verticale
# https://pandas.pydata.org/pandas-docs/stable/generated/pandas.concat.html
pd.concat([altezze, pesi])

Out[228]:

	Altezza	Nome	Peso
0	175.0	Marco	NaN
1	173.0	Luigi	NaN
2	178.0	Nino	NaN
3	182.0	Ugo	NaN
4	160.0	Marino	NaN
0	NaN	Marco	75.0
1	NaN	Luigi	70.0
2	NaN	Vittorio	100.0
3	NaN	Ugo	97.0
4	NaN	Marino	50.0

In [229]:

#concatenazione orizzonate

pd.concat([altezze, pesi], axis = 1)

## i dati sono disallineati

Out[229]:

	Altezza	Nome	Nome	Peso
0	175	Marco	Marco	75
1	173	Luigi	Luigi	70
2	178	Nino	Vittorio	100
3	182	Ugo	Ugo	97
4	160	Marino	Marino	50

In [230]:

# join dei dati
# https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.merge.html
pd.merge(altezze, pesi, how = "outer", left_on = "Nome", right_on = "Nome")

Out[230]:

	Altezza	Nome	Peso
0	175.0	Marco	75.0
1	173.0	Luigi	70.0
2	178.0	Nino	NaN
3	182.0	Ugo	97.0
4	160.0	Marino	50.0
5	NaN	Vittorio	100.0

In [231]:

# aggiunto Gabriele e la sua altezza
altezze = altezze.append([{"Nome": "Gabriele", "Altezza": 213}], )

In [232]:

pd.merge(altezze, pesi, how = "right", left_on = "Nome", right_on = "Nome")

Out[232]:

	Altezza	Nome	Peso
0	175.0	Marco	75
1	173.0	Luigi	70
2	182.0	Ugo	97
3	160.0	Marino	50
4	NaN	Vittorio	100

In [233]:

pd.merge(altezze, pesi, how = "left", left_on = "Nome", right_on = "Nome")

Out[233]:

	Altezza	Nome	Peso
0	175	Marco	75.0
1	173	Luigi	70.0
2	178	Nino	NaN
3	182	Ugo	97.0
4	160	Marino	50.0
5	213	Gabriele	NaN

In [ ]:

In [234]:

# da formato wide a long
# https://pandas.pydata.org/pandas-docs/stable/generated/pandas.melt.html
wide = pd.merge(altezze, pesi, how = "left", left_on = "Nome", right_on = "Nome")

In [235]:

#calcolo un indice di massa corporea
wide["Imc"] =  wide["Peso"] / (wide["Altezza"] / 100) ** 2 

In [236]:

wide

Out[236]:

	Altezza	Nome	Peso	Imc
0	175	Marco	75.0	24.489796
1	173	Luigi	70.0	23.388687
2	178	Nino	NaN	NaN
3	182	Ugo	97.0	29.283903
4	160	Marino	50.0	19.531250
5	213	Gabriele	NaN	NaN

In [237]:

long = pd.melt(wide, id_vars = "Nome", 
               value_vars=['Altezza', 'Peso', "Imc"], 
               var_name='Variabile', 
               value_name= "Valori")

In [238]:

long

Out[238]:

	Nome	Variabile	Valori
0	Marco	Altezza	175.000000
1	Luigi	Altezza	173.000000
2	Nino	Altezza	178.000000
3	Ugo	Altezza	182.000000
4	Marino	Altezza	160.000000
5	Gabriele	Altezza	213.000000
6	Marco	Peso	75.000000
7	Luigi	Peso	70.000000
8	Nino	Peso	NaN
9	Ugo	Peso	97.000000
10	Marino	Peso	50.000000
11	Gabriele	Peso	NaN
12	Marco	Imc	24.489796
13	Luigi	Imc	23.388687
14	Nino	Imc	NaN
15	Ugo	Imc	29.283903
16	Marino	Imc	19.531250
17	Gabriele	Imc	NaN

In [239]:

# tabella pivot
# https://pandas.pydata.org/pandas-docs/stable/generated/pandas.pivot_table.html
pd.pivot_table(long, values = "Valori",
               index = "Variabile",
               aggfunc = np.mean)

Out[239]:

	Valori
Variabile
Altezza	180.166667
Imc	24.173409
Peso	73.000000

In [240]:

#operazioni di riga e di cella

wide.loc[:, ["Altezza", "Peso"]].apply(np.mean, axis = 0) # asse 0, vuol dire esegue l'operazione per colonna, asse 1 vuol dire per riga

Out[240]:

Altezza    180.166667
Peso        73.000000
dtype: float64

In [241]:

# operazione lambda
def recode_altezza(altezza):
    if altezza >= 185:
        return "Alto"
    elif altezza < 185 and altezza > 165:
        return "Medio"
    else:
        return "Basso"

wide["Altezza"].apply(recode_altezza)

Out[241]:

0    Medio
1    Medio
2    Medio
3    Medio
4    Basso
5     Alto
Name: Altezza, dtype: object

In [242]:

wide.loc[:, ["Altezza", "Peso"]].applymap(lambda cella: str(cella) + "_ciao")

Out[242]:

	Altezza	Peso
0	175_ciao	75.0_ciao
1	173_ciao	70.0_ciao
2	178_ciao	nan_ciao
3	182_ciao	97.0_ciao
4	160_ciao	50.0_ciao
5	213_ciao	nan_ciao

In [243]:

#Da long a wide
long.pivot(index='Nome', columns='Variabile', values='Valori')

Out[243]:

Variabile	Altezza	Imc	Peso
Nome
Gabriele	213.0	NaN	NaN
Luigi	173.0	23.388687	70.0
Marco	175.0	24.489796	75.0
Marino	160.0	19.531250	50.0
Nino	178.0	NaN	NaN
Ugo	182.0	29.283903	97.0

In [ ]:

Creare o aprire file excel¶

In [244]:

#Creare un file excel
long.to_excel("excel_di_exempio.xlsx")

In [245]:

#Leggere un file excel
pd.read_excel("excel_di_exempio.xlsx")

Out[245]:

	Nome	Variabile	Valori
0	Marco	Altezza	175.000000
1	Luigi	Altezza	173.000000
2	Nino	Altezza	178.000000
3	Ugo	Altezza	182.000000
4	Marino	Altezza	160.000000
5	Gabriele	Altezza	213.000000
6	Marco	Peso	75.000000
7	Luigi	Peso	70.000000
8	Nino	Peso	NaN
9	Ugo	Peso	97.000000
10	Marino	Peso	50.000000
11	Gabriele	Peso	NaN
12	Marco	Imc	24.489796
13	Luigi	Imc	23.388687
14	Nino	Imc	NaN
15	Ugo	Imc	29.283903
16	Marino	Imc	19.531250
17	Gabriele	Imc	NaN

In [246]:

# Creare un file excel con più tab
writer = pd.ExcelWriter('excel_di_esempio2.xlsx')
long.loc[long["Variabile"] == "Altezza"].to_excel(writer,'Altezza')
long.loc[long["Variabile"] == "Peso"].to_excel(writer,'Peso')
long.loc[long["Variabile"] == "Imc"].to_excel(writer,'Imc')
writer.save()

In [247]:

# Leggere un file excel con più tab
tab_multiple = pd.read_excel('excel_di_esempio2.xlsx', sheetname = None)
tab_multiple

Out[247]:

OrderedDict([('Altezza',        Nome Variabile  Valori
              0     Marco   Altezza     175
              1     Luigi   Altezza     173
              2      Nino   Altezza     178
              3       Ugo   Altezza     182
              4    Marino   Altezza     160
              5  Gabriele   Altezza     213),
             ('Peso',         Nome Variabile  Valori
              6      Marco      Peso    75.0
              7      Luigi      Peso    70.0
              8       Nino      Peso     NaN
              9        Ugo      Peso    97.0
              10    Marino      Peso    50.0
              11  Gabriele      Peso     NaN),
             ('Imc',         Nome Variabile     Valori
              12     Marco       Imc  24.489796
              13     Luigi       Imc  23.388687
              14      Nino       Imc        NaN
              15       Ugo       Imc  29.283903
              16    Marino       Imc  19.531250
              17  Gabriele       Imc        NaN)])

In [248]:

# accedere ad una tab
tab_multiple["Altezza"]

Out[248]:

	Nome	Variabile	Valori
0	Marco	Altezza	175
1	Luigi	Altezza	173
2	Nino	Altezza	178
3	Ugo	Altezza	182
4	Marino	Altezza	160
5	Gabriele	Altezza	213

Pandas - funzioni statistiche¶

In [249]:

wide.describe()

Out[249]:

	Altezza	Peso	Imc
count	6.000000	4.000000	4.000000
mean	180.166667	73.000000	24.173409
std	17.724747	19.304576	4.015913
min	160.000000	50.000000	19.531250
25%	173.500000	65.000000	22.424327
50%	176.500000	72.500000	23.939241
75%	181.000000	80.500000	25.688323
max	213.000000	97.000000	29.283903

In [250]:

# media
wide["Altezza"].mean()

Out[250]:

180.16666666666666

In [251]:

# deviazione standard # indice di dispersione
wide["Altezza"].std()

Out[251]:

17.72474729486056

In [252]:

# correlazione
wide.corr()

Out[252]:

	Altezza	Peso	Imc
Altezza	1.000000	0.975857	0.966893
Peso	0.975857	1.000000	0.999277
Imc	0.966893	0.999277	1.000000

In [253]:

# iterazione con lambda per eseguire operazioni complesse fra colonne

wide.apply(lambda x: (x['Altezza'] / x["Peso"]) , axis=1)

Out[253]:

0    2.333333
1    2.471429
2         NaN
3    1.876289
4    3.200000
5         NaN
dtype: float64

In [254]:

# iterazione classica sui dati di un dataframe di pandas
#Può essere molto utile quando si deve eseguire calcoli che è difficile rappresentare in lambda e si vuole adoperare (difetto principale: richiede maggiore tempo di esecuzione)

for i, v in wide.items(): # qui prendo indice e valori
    print(i, v)

Altezza 0    175
1    173
2    178
3    182
4    160
5    213
Name: Altezza, dtype: int64
Nome 0       Marco
1       Luigi
2        Nino
3         Ugo
4      Marino
5    Gabriele
Name: Nome, dtype: object
Peso 0    75.0
1    70.0
2     NaN
3    97.0
4    50.0
5     NaN
Name: Peso, dtype: float64
Imc 0    24.489796
1    23.388687
2          NaN
3    29.283903
4    19.531250
5          NaN
Name: Imc, dtype: float64

In [255]:

# iterazione classica sui dati di una serie di pandas
for i, v in wide["Altezza"].items(): # qui prendo indice e valori
    print(i, v)

Pandas - grafici di base¶

In [256]:

serie_dati = {"Italia": {2010: 35, 2011: 30, 2012: 25}, "Spagna": {2010: 25, 2011: 27, 2012: 34}}

In [257]:

df_serie_dati = pd.DataFrame(serie_dati)

In [258]:

df_serie_dati

Out[258]:

	Italia	Spagna
2010	35	25
2011	30	27
2012	25	34

In [259]:

%matplotlib inline

import matplotlib
import matplotlib.pyplot as plt

In [260]:

df_serie_dati.plot(kind = "line", grid = True, rot=45, figsize = (10,5))

Out[260]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fba1c796fd0>

In [261]:

df_serie_dati.index = pd.to_datetime(df_serie_dati.index, format="%Y")

In [262]:

df_serie_dati

Out[262]:

	Italia	Spagna
2010-01-01	35	25
2011-01-01	30	27
2012-01-01	25	34

In [263]:

df_serie_dati.plot(kind = "line", grid = True, rot=45, figsize = (10,5))

Out[263]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fba1483ee10>

In [264]:

Altezza = tab_multiple["Altezza"]

In [265]:

Altezza

Out[265]:

	Nome	Variabile	Valori
0	Marco	Altezza	175
1	Luigi	Altezza	173
2	Nino	Altezza	178
3	Ugo	Altezza	182
4	Marino	Altezza	160
5	Gabriele	Altezza	213

In [266]:

Altezza.plot(y= "Valori", kind = "box", grid = True, rot=45, figsize = (10,5))

Out[266]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fba147cd860>

In [267]:

Altezza.plot(x="Nome", y= "Valori", kind = "bar", grid = True, rot=45, figsize = (10,5))

Out[267]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fba147b4518>

In [268]:

ax = Altezza.plot(x="Nome", y= "Valori", kind = "bar", grid = True, rot=45, figsize = (10,5))
ax.set_ylabel('Infant mort. rate')
ax.set_xlabel('Country')
for riga in range(Altezza.shape[0]):
    ax.annotate(Altezza["Valori"][riga],
             (Altezza.index[riga], Altezza["Valori"][riga]),
             xytext=(15, 15), 
             textcoords='offset points',
             arrowprops=dict(arrowstyle='-|>'))
plt.show()

In [ ]: