Udacity——数据处理入门——数据分析过程

我先评价一下这门课,总体来说,这门课难度的确不高,会一些简单的字符串处理和哈希表知识就可以上手了,实现的主要语言是python,也是比较流行的大数据处理语言。闲话不多说,开始入门。
进行数据处理编程的时候,我最大的感受就是一定要做好原始数据的预处理。一是可以减少之后面对具体问题的代码量,同时可以将数据有效化,筛去坏数据。因此我们要先做几件事情。


首先读取csv数据,需要引入unicodecsv的库,然后我们打开csv文件,rb表示文件可以被读取,with open的好处是可以自动关闭文件。unicodecsv.DictReader()函数使每一行都是一个字典,键是列名,值是相应列的值;并且函数的返回值为一个迭代器。迭代器转化为list进行储存从而方便处理,具体代码如下:

import unicodecsv 
def read_csv(filename):
    with open(filename, 'rb') as f:
        reader = unicodecsv.DictReader(f)
        return list(reader)

enrollments = read_csv("enrollments.csv")
daily_engagement = read_csv("daily_engagement.csv")
project_submissions = read_csv("project_submissions.csv")
print enrollments[0]
print daily_engagement[0]
print project_submissions[0]

此时我们已经将数据存入列表并输出每一个列表第一个值,如下:

{u'status': u'canceled', u'is_udacity': u'True', u'is_canceled': u'True', u'join_date': u'2014-11-10', u'account_key': u'448', u'cancel_date': u'2015-01-14', u'days_to_cancel': u'65'}
{u'lessons_completed': u'0.0', u'num_courses_visited': u'1.0', u'total_minutes_visited': u'11.6793745', u'projects_completed': u'0.0', u'acct': u'0', u'utc_date': u'2015-01-09'}
{u'lesson_key': u'3176718735', u'processing_state': u'EVALUATED', u'account_key': u'256', u'assigned_rating': u'UNGRADED', u'completion_date': u'2015-01-16', u'creation_date': u'2015-01-14'}

不难发现,无论键还是值都是字符串。因此我们要对数据进行预处理。


对日期对象进行预处理函数如下:

from datetime import datetime as dt
def parse_date(date):
    if date =='':
        return None
    else:
        return dt.strptime(data,"%Y-%m-%d")

对整型对象进行预处理函数如下(简化版):

def parse_maybe_int(i):
    return None if string == '' else int(i)

我们发现在不同的csv文件中,account_key和acct都表示账号ID,为了数据的统一从而方便处理,我们将用acct表示账号ID的值转换为accout_key表示。代码如下:

def acct_to_account_key():
    for engagement_record in daily_engagement:
        engagement_record['account_key'] = engagement_record['acct']
        del[engagement_record['acct']]

预处理结束后,我们就开始真正的数据处理了,我们先做第一件事情,就是统计一共注册过多少人(也就是有多少'account_key'),并验证注册和参与课程活动的人数是否相符合。

def get_unique_students(data):
    unique_students = set()
    for data_point in data:
        unique_students.add(data_point['account_key'])
    return unique_students

acct_to_account_key()
unique_students_enrollments = get_unique_students(enrollments)
unique_students_engagement = get_unique_students(daily_engagement)
print len(unique_students_enrollments)
print len(unique_students_engagement)

我们得到的输出如下:

1302
1237

那么问题来了,为什么两个数值不相等呢?代表我们的数据是存在缺陷的,所以我们要审核这两份数据。


我们审核的方法是某一个学员注册了账号但在参与数据中并没有体现,具体代码如下:

def find_problem():
    for enrollment in enrollments:
        if enrollment["account_key"] not in unique_students_engagement:
            print enrollment
            break
find_problem()

我们得到如下数据:

{u'status': u'canceled', u'is_udacity': u'False', u'is_canceled': u'True', u'join_date': u'2014-11-12', u'account_key': u'1219', u'cancel_date': u'2014-11-12', u'days_to_cancel': u'0'}

我们会发现这位学员注册日期与取消日期相等。经核实,当学员当日注销,则在参与数据中不体现。那么除了这部分数据无法匹配,是否还有其他数据有问题呢?我们继续审查。

def find_problem2():
    num_problem_students = 0
    for enrollment in enrollments:
        if (enrollment['account_key'] not in unique_students_engagement \
            and enrollment['join_date'] != enrollment['cancel_date']):
            print enrollment
            num_problem_students += 1
find_problem2()

我们得到如下的输出:

{u'status': u'canceled', u'is_udacity': u'True', u'is_canceled': u'True', u'join_date': u'2015-01-10', u'account_key': u'1304', u'cancel_date': u'2015-03-10', u'days_to_cancel': u'59'}
{u'status': u'canceled', u'is_udacity': u'True', u'is_canceled': u'True', u'join_date': u'2015-03-10', u'account_key': u'1304', u'cancel_date': u'2015-06-17', u'days_to_cancel': u'99'}
{u'status': u'current', u'is_udacity': u'True', u'is_canceled': u'False', u'join_date': u'2015-02-25', u'account_key': u'1101', u'cancel_date': u'', u'days_to_cancel': u''}

这三个数据的问题在于它们同属于测试账号,也就是u'is_udacity': u'True',这些测试账号并不一定会在参与数据当中。此时,我们就已经找到了注册数据与参与数据不匹配的两个原因。


由于测试账号对于数据分析毫无意义,下面我们需要将这些测试账号从注册数据的列表中删除。
首先,我们创建测试账号的集合,函数如下:

def test_set():
    data_test_set = set()
    for enrollment in enrollments:
        if enrollment["is_udacity"] == "True" :     
            data_test_set.add(enrollment['account_key']) 
    return data_test_set
enrollments_test_set = test_set()

然后,我们将账号数据列表和参与数据列表中的测试账号相关信息删去,函数如下:

def remove_udacity_accounts(data):
    non_udacity_accounts = []
    for data_point in data:
        if data_point["account_key"] not in enrollments_test_set:
            non_udacity_accounts.append(data_point)
    return non_udacity_accounts
enrollments_remove_udacity_accounts = remove_udacity_accounts(enrollments)
engagement_remove_udacity_accounts = remove_udacity_accounts(daily_engagement)
print len(enrollments_remove_udacity_accounts)
print len(engagement_remove_udacity_accounts)

输出结果如下:

1622
135656

此时,我们已经将测试账号从我们需要处理的数据列表中删除。


现在我们开始做第二件事情:统计付费学员在其注册开始后的第一周时间内的参与数据。
首先,我们要创建一个函数,满足如下要求:
(1)返回一个哈希表,哈希表内的学生账号ID来自于enrollments_remove_udacity_accounts(也就是将测试账号删除的数据列表)
(2)学生要满足还没有注销账号,或者超过7天才注销账号。
(3)哈希表的键为学生ID,值为学生最近的一次注册日期。
函数如下:

def paid_student_dict():
    paid_student = {}
    for student in enrollments_remove_udacity_accounts:
        if student["is_canceled"] != "True" or parse_maybe_int(student["days_to_cancel"]) > 7:
            account_key = student["account_key"]
            join_date = student["join_date"]
            if account_key not in paid_student or join_date > paid_student[account_key]:
                paid_student[account_key] = join_date
    return paid_student
paid_student_in_enrollments = paid_student_dict()
print len(paid_student_in_enrollments)

输出结果如下:

995

我们现在所得到的哈希表也就是所有付费学生的ID以及其相应的注册日期。所以根据这个哈希表,我们处理以下三个数据,删去那些不符合条件的学生记录:

enrollments_remove_udacity_accounts
engagement_remove_udacity_accounts
project_remove_udacity_accounts

函数如下:

def remove_free_trial_cancels(data):
    new_data = []
    for data_point in data:
        if data_point['account_key'] in paid_students:
            new_data.append(data_point)
    return new_data

paid_enrollments = remove_free_trial_cancels(enrollments_remove_udacity_accounts)
paid_engagement = remove_free_trial_cancels(engagement_remove_udacity_accounts)
paid_project = remove_free_trial_cancels(project_remove_udacity_accounts)
print len(paid_enrollments)
print len(paid_engagement)
print len(paid_project)

输出结果如下:

1293
134549
3618

这样,我们最新的三个数据内的学生均为付费学生。之后我们要做的就是获取这些学生第一周的参与数据。

def within_one_week(join_date, engagement_date):
    time_delta = parse_date(engagement_date) - parse_date(join_date)
    return time_delta.days < 7

def first_paid_week():
    paid_engagement_in_first_week = []
    for engagement_record in paid_engagement:
        account_key = engagement_record['account_key']
        join_date = paid_students[account_key]
        engagement_record_date = engagement_record['utc_date']
        if within_one_week(join_date, engagement_record_date):
            paid_engagement_in_first_week.append(engagement_record)
    return paid_engagement_in_first_week
paid_engagement_in_first_week = first_paid_week()
print len(paid_engagement_in_first_week)

输出结果如下:

21508


第三件事情就是得到付费学员第一周上课的平均时间。所以我们首先将付费学员与付费学员的参与课程记录建立相对应的哈希表。

def division_by_account():
    engagement_by_account = defaultdict(list)
    for engagement_record in paid_engagement_in_first_week:
        account_key = engagement_record['account_key']
        engagement_by_account[account_key].append(engagement_record)
    return engagement_by_account
engagement_by_account = division_by_account()

然后统计每一名学员和与之对应的参与课堂时间,从而得到学员们参与课程的平均时间,这里用到了numpy函数库。

def minutes_by_account():
    total_minutes_by_account = {}
    for account_key, engagement_for_students in engagement_by_account.items():
        total_minutes = 0
        for engagement_record in engagement_for_students:
            total_minutes += float(engagement_record['total_minutes_visited'])
        total_minutes_by_account[account_key] = total_minutes
    return total_minutes_by_account
total_minutes_by_account = minutes_by_account()
print 'Mean:', np.mean(total_minutes_by_account.values())
print 'Std:', np.std(total_minutes_by_account.values())
print 'Min:', np.min(total_minutes_by_account.values())
print 'Max:', np.max(total_minutes_by_account.values())

输出结果:

Mean: 647.590173826
Std: 1129.27121042
Min: 0.0
Max: 10568.1008673

发现Max值问题很大,因为时间的单位是min。所以我们要找到max对应的这位学员的参与课堂记录:

def find_max_minutes_student():
    student_with_max_minutes = None
    max_minutes = 0
    for student, total_minutes in total_minutes_by_account.items():
        if total_minutes > max_minutes:
            max_minutes = total_minutes
            student_with_max_minutes = student
    return student_with_max_minutes

def max_minutes_student_enagement():
    for engagement_record in paid_engagement_in_first_week:
        if engagement_record["account_key"] == student_with_max_minutes:
            print engagement_record
student_with_max_minutes = find_max_minutes_student()
#print total_minutes_by_account[student_with_max_minutes]
max_minutes_student_enagement()

输出结果(由于数据量大我只取首位两个):

{u'lessons_completed': u'0.0', u'num_courses_visited': u'1.0', u'total_minutes_visited': u'50.9938951667', u'projects_completed': u'0.0', 'account_key': u'108', u'utc_date': u'2015-01-07'}
{u'lessons_completed': u'0.0', u'num_courses_visited': u'0.0', u'total_minutes_visited': u'0.0', u'projects_completed': u'0.0', 'account_key': u'108', u'utc_date': u'2015-04-26'}

我们会发现时间跨度远超1周,我首先想到是不是注册时间有问题。因此我调用如下函数:

print paid_students[student_with_max_minutes]

得到的结果是:

2015-07-09

所以问题出在了我们within_one_week()函数不够完整,我们只记录了学员最后一次注册时间,那么原有函数将7天及所有7天以前的记录(学员之前注册过的信息)都考虑进去了,这是明显不对的,修正后的函数为:

def within_one_week(join_date, engagement_date):
    time_delta = parse_date(engagement_date) - parse_date(join_date)
    return time_delta.days < 7 and time_delta.days >=0

print 'Mean:', np.mean(total_minutes_by_account.values())
print 'Max:', np.max(total_minutes_by_account.values())

得到如下结果:

Mean: 306.708326753
Max: 3564.7332645

为了能够处理类似数据,我们将上面函数进行改写,新的函数如下:

def group_data(data,key_name):
    grouped_data = defaultdict(list)
    for data_point in data:
        key = data_point[key_name]
        grouped_data[key].append(data_point)
    return grouped_data

def sum_grouped_items(grouped_data,field_name):
    summed_data = {}
    for key, data_points in grouped_data.items():
        total = 0
        for data_point in data_points:
            total += data_point[field_name]
        summed_data[key] = total
    return summed_data

def describe_data(data):
    print 'Mean:', np.mean(data)
    print 'Std:', np.std(data)
    print 'Min:', np.min(data)
    print 'Max:', np.max(data)

这样我们用同一函数既能够获得关于学员上课总分钟数的统计也能获得学员上课数量的统计信息。

engagement_by_account = group_data(paid_engagement_in_first_week,'account_key')

for engagement_record in paid_engagement_in_first_week:
    engagement_record['total_minutes_visited'] = float(engagement_record['total_minutes_visited'])
total_minutes_by_account = sum_grouped_items(engagement_by_account,'total_minutes_visited')
#describe_data(total_minutes_by_account.values())
for engagement_record in paid_engagement_in_first_week:
    engagement_record['lessons_completed'] = float(engagement_record['lessons_completed'])
lessons_completed_by_account = sum_grouped_items(engagement_by_account,'lessons_completed')
describe_data(lessons_completed_by_account.values())

输出结果结果为:

Mean: 1.63618090452
Std: 3.00256129983
Min: 0.0
Max: 36.0


得到付费学员第一周上课的平均时间和课程数后,我们可以利用类似的方法求得每周付费学员的上课天数。但是我们要在原数据中加入了一个参数'has_visited',也就是统计某天真正的参与课堂而不是只在网站闲逛。

def has_visited_update():
    for engagement_record in paid_engagement:
        if float(engagement_record['num_courses_visited']) > 0:
            engagement_record['has_visited'] = 1
        else:
            engagement_record['has_visited'] = 0

has_visited_update()
days_visited_by_account = sum_grouped_items(engagement_by_account,'has_visited')
describe_data(days_visited_by_account.values())

下面开始划分及格学员,所谓的及格学员就是某课程pass的,反之是不及格学员,我们统计的课号为:['746169184', '3176718735']。我们会将及格学员的学号放在一个集合中。

def find_pass_subway():
    subway_project_lesson_keys = ['746169184', '3176718735']
    pass_subway_project = set()
    for submission in paid_project:
        project = submission['lesson_key']
        rating = submission['assigned_rating']
        if ((project in subway_project_lesson_keys) and(rating == 'PASSED' or rating == 'DISTINCTION')):
            pass_subway_project.add(submission['account_key'])
    return pass_subway_project
print len(find_pass_subway())

输出结果为:

647

我们将及格与不及格学员的第一周参与课堂记录分别存在两个列表中。

def devision_engagement():
    passing_engagement = []
    non_passing_engagement = []
    for engagement_record in paid_engagement_in_first_week:
        if engagement_record['account_key'] in pass_subway_project:
            passing_engagement.append(engagement_record)
        else:
            non_passing_engagement.append(engagement_record)
    return passing_engagement,non_passing_engagement
print len(passing_engagement)
print len(non_passing_engagement)

输出结果为:

4527
2392

然后我们比较两组学员的情况。比较的内容分别为(第一周内的):访问分钟数,完成课程数和参与课堂天数。

passing_engagement_by_account = group_data(passing_engagement,'account_key')
non_passing_engagement_by_account = group_data(non_passing_engagement,'account_key')

print 'non-passing students:'
non_passing_minutes = sum_grouped_items(non_passing_engagement_by_account,'total_minutes_visited')
describe_data(non_passing_minutes.values())
print 'passing students:'
passing_minutes = sum_grouped_items(passing_engagement_by_account,'total_minutes_visited')
describe_data(passing_minutes.values())

print 'non-passing students:'
non_passing_lessons = sum_grouped_items(non_passing_engagement_by_account,'lessons_completed')
describe_data(non_passing_lessons.values())
print 'passing students:'
passing_lessons = sum_grouped_items(passing_engagement_by_account,'lessons_completed')
describe_data(passing_lessons.values())

print 'non-passing students:'
non_passing_visits = sum_grouped_items(non_passing_engagement_by_account,'has_visited')
describe_data(non_passing_visits.values())

print 'passing students:'
passing_visits = sum_grouped_items(passing_engagement_by_account,'has_visited')
describe_data(passing_visits.values())

得到如下结果:

non-passing students:
Mean: 143.326474267
Std: 269.538619011
Min: 0.0
Max: 1768.52274933
passing students:
Mean: 394.586046484
Std: 448.499519327
Min: 0.0
Max: 3564.7332645
non-passing students:
Mean: 0.862068965517
Std: 2.54915994183
Min: 0.0
Max: 27.0
passing students:
Mean: 2.05255023184
Std: 3.14222705558
Min: 0.0
Max: 36.0
non-passing students:
Mean: 1.90517241379
Std: 1.90573144136
Min: 0
Max: 7
passing students:
Mean: 3.38485316847
Std: 2.25882147092
Min: 0
Max: 7


最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 160,108评论 4 364
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,699评论 1 296
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 109,812评论 0 244
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,236评论 0 213
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,583评论 3 288
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,739评论 1 222
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,957评论 2 315
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,704评论 0 204
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,447评论 1 246
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,643评论 2 249
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,133评论 1 261
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,486评论 3 256
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,151评论 3 238
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,108评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,889评论 0 197
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,782评论 2 277
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,681评论 2 272

推荐阅读更多精彩内容