Dieses Notebook ist ein Skript (Drehbuch) zur Vorstellung grundlegender Funktionen von Jupyter, Python, Pandas und matplotlib, um ein Gefühl für die Arbeit mit den Bibliotheken zu bekommen. Daher ist das gewählte Beispiel so gewählt, dass wir typische Aufgaben während einer Datenanalyse bearbeiten.

Jupyter

Das hier ist Jupyter, die interaktive Notebook-Umgebung zum Programmieren. Wir sehen hier eine Zelle, in der wir Python-Code eingeben können. Geben wir einfach einmal einen String namens "Hello World" ein. Mit der Tastenkombination Strg + Enter.


In [1]:
"Hello World"


Out[1]:
'Hello World'

Git-Historienanalyse

In diesem Notebook wollen wir uns die Entwicklungsgeschichte des Open-Source-Projekts "Linux" anhand der Historie des dazugehörigen Git-Repositories ein wenig genauer ansehen.

Das GitHub-Repository https://github.com/torvalds/linux/ wurde dafür über den Befehl

git clone https://github.com/torvalds/linux.git

auf die lokale Festplatte geklont.

Die für diese Auswertung relevanten Teile der Historie wurde mittels

git log --pretty="%ad,%aN" --no-merges > git_demo_timestamp_linux.csv

exportiert. Dieser Befehl liefert pro Commit des Git-Repositories den Zeitstempel des Commits (%ad) sowie den Namen des Autors (%aN). Die jeweiligen Werte sind kommasepariert. Wir geben zusätzlich mit an, dass wir reine Merge-Commits nicht erhalten wollen (über --no-merges). Das Ergebnis der Ausgabe speichern wir in die Datei git_demo_timestamp_linux.csv.

Hinweis: Für eine optimierte Demo wurden manuell noch Header und das Trennzeichen geändert, um schneller durch die Analyse zu kommen. Die Unterschiede sind unter https://www.feststelltaste.de/developers-habits-linux-edition/ zu sehen, welcher mit dem Original-Datensatz durchgeführt wurde.

Pandas

Nun können wir diese Daten mit Hilfe des Datenanalyse-Frameworks Pandas einlesen. Wir importieren dazu pandas mit der gängigen Abkürzung pd mittels der import ... as ... Syntax von Pyhton.


In [2]:
import pandas as pd

Ob das Importieren des Moduls auch wirklich funktioniert hat, können wir prüfen, in dem wir mit dem pd-Modul arbeiten. Dazu hängen wir an die pd-Variable den ? Operator an und führen die Zelle aus. Es erscheint die Dokumentation des Moduls im unteren Bereich des Notebooks. Diesen Bereich können wir durchlesen und mit der Taste ESC auch wieder verschwinden lassen.


In [3]:
pd?

Danach lesen wir die oben beschriebene und gepackte CSV-Datei git_demo_timestamp_linux.gz im Verzeichnis ../dataset ein und speichern das Ergebnis in der Variable git_log.

Als Ergebnis haben wir nun die Daten in einen DataFrame (so etwas ähnliches wie ein programmierbares Excel-Arbeitsblatt) geladen, der in unserem Fall aus zwei Series (in etwa Spalten) besteht. Auf den DataFrame können wir nun Operationen ausführen. Z. B. können wir uns mittels head() die fünf ersten Einträge anzeigen lassen.


In [4]:
git_log = pd.read_csv("../dataset/git_demo_timestamp_linux.gz")
git_log.head()


Out[4]:
timestamp author
0 2017-12-31 14:47:43 Linus Torvalds
1 2017-12-31 13:13:56 Linus Torvalds
2 2017-12-31 13:03:05 Linus Torvalds
3 2017-12-31 12:30:34 Linus Torvalds
4 2017-12-31 12:29:02 Linus Torvalds

Als nächstes rufen wir info() auf den DataFrame auf, um einige Eckdaten über die eingelesenen Daten zu erhalten.


In [5]:
git_log.info()


<class 'pandas.core.frame.DataFrame'>
RangeIndex: 723214 entries, 0 to 723213
Data columns (total 2 columns):
timestamp    723214 non-null object
author       723213 non-null object
dtypes: object(2)
memory usage: 11.0+ MB

Den Zugriff auf die einzelnen Series können wir mittels der Schreibeweise [<spaltenname>] oder (in den meisten Fällen) per direkter Nutzung des Namens der Series erreichen.


In [6]:
git_log.author.head()


Out[6]:
0    Linus Torvalds
1    Linus Torvalds
2    Linus Torvalds
3    Linus Torvalds
4    Linus Torvalds
Name: author, dtype: object

Auch auf einer Series selbst können wir verschiedene Operationen ausführen. Z. B. können wir mit value_counts() die in einer Series enthaltenen Werte zählen und nach gleichzeitig nach ihrer Häufigkeit sortieren lassen. Das Ergebnis ist wieder eine Series, diesmal aber mit den zusammengezählten und sortieren Werten. Auf diese Series können wir zusätzlich ein head(10) aufrufen. So erhalten wir eine schnelle Möglichkeit, die TOP-10-Werte einer Series anzeigen zu lassen. Das Ergebnis können wir dann in einer Variable top10 festhalten und ausgeben lassen, in dem wir die Variable in die nächste Zellenzeile schreiben.


In [7]:
top10 = git_log.author.value_counts().head(10)
top10


Out[7]:
Linus Torvalds           24259
David S. Miller           9563
Mark Brown                6917
Takashi Iwai              6293
Al Viro                   6064
H Hartley Sweeten         5942
Ingo Molnar               5462
Mauro Carvalho Chehab     5384
Arnd Bergmann             5305
Greg Kroah-Hartman        4687
Name: author, dtype: int64

Plotten/Visualisierung

Als nächstes wollen wir das Ergebnis visualisieren bzw. plotten. Um die das Plot-Ergebnis der intern verwendeten Plotting-Bibliothek matplotlib direkt im Notebook anzuzeigen, müssen wir Jupyter dies mit dem Magic-Kommando

%matplotlib inline

vor dem Aufruf der plot() Methode mitteilen.

Standardmäßig wird beim Aufruf von plot() auf einen DataFrame oder einer Series ein Liniendiagramm erstellt.


In [8]:
%matplotlib inline
top10.plot()


Out[8]:
<matplotlib.axes._subplots.AxesSubplot at 0x133beca3cc0>

Für diese Daten bietet sich eher eine Visualisierung als Tortendiagramm an. Hierfür rufen wir die Untermethode pie() von plot auf.


In [9]:
top10.plot.pie()


Out[9]:
<matplotlib.axes._subplots.AxesSubplot at 0x133bedadd68>

Das Diagramm sieht hier jedoch nicht sehr schön aus.

Mit den optionalen Styling-Parametern können wir erreichen, dass wir eine schönere Grafik angezeigt bekommen. Wir verwenden dazu

  • figsize=[7,7] als Größenangabe
  • title="Top 10 Autoren" als Titel
  • `label="", um die überflüssige Beschriftung nicht anzuzeigen.

In [10]:
top10.plot.pie(
    figsize=[7,7],
    title="Top 10 Autoren",
    label="")


Out[10]:
<matplotlib.axes._subplots.AxesSubplot at 0x133bee4de80>

Zusatz (nicht Teil der Demo)

Arbeiten mit Datumsangaben

Nun widmen wir uns den Zeitstempelangaben. Wir wollen herausfinden, zu welcher Tageszeit die Entwickler committen.


In [11]:
git_log.timestamp.head()


Out[11]:
0    2017-12-31 14:47:43
1    2017-12-31 13:13:56
2    2017-12-31 13:03:05
3    2017-12-31 12:30:34
4    2017-12-31 12:29:02
Name: timestamp, dtype: object

Bevor wir in die Welt der Zeitreihenverarbeitung einsteigen können, müssen wir unsere Spalte mit den Datumsangabe zuerst in den passenden Datentyp umwandeln. Zurzeit ist unsere Spalte timestamp noch ein String, also von textueller Natur. Wir können dies sehen, in dem wir uns mittels der Helferfunktion type(<object>) den ersten Eintrag der timestamp-Spalte anzeigen lassen:


In [12]:
type(git_log.timestamp[0])


Out[12]:
str

Beim Umwandeln von Datentypen hilft uns Pandas natürlich ebenfalls. Die Funktion pd.to_datetime nimmt als ersten Parameter eine Series mit Datumsangaben entgegen und wandelt diese um. Als Rückgabewert erhalten wir entsprechend eine Series vom Datentyp Timestamp. Die Umwandlung funktioniert für die meisten textuellen Datumsangaben auch meistens automagisch, da Pandas mit unterschiedlichesten Datumsformaten umgehen kann. Das Ergebnis schreiben wir auch gleich in die gleiche Spalte zurück.


In [13]:
git_log.timestamp = pd.to_datetime(git_log.timestamp)
git_log.head()


Out[13]:
timestamp author
0 2017-12-31 14:47:43 Linus Torvalds
1 2017-12-31 13:13:56 Linus Torvalds
2 2017-12-31 13:03:05 Linus Torvalds
3 2017-12-31 12:30:34 Linus Torvalds
4 2017-12-31 12:29:02 Linus Torvalds

Ob die Umwandlung erfolgreich war, können wir mit einem nochmaligen Aufruf von type() auf den ersten Wert unserer umgewandelten Spalte timestamp überprüfen.


In [14]:
type(git_log.timestamp[0])


Out[14]:
pandas._libs.tslib.Timestamp

Wir können nun auch auf einzelne Bestandteile der Datumsangaben zugreifen. Dazu verwenden wir das dt-Objekt ("datetime") und können auf dessen Eigenschaften wie etwa hour zurückgreifen.


In [15]:
git_log.timestamp.dt.hour.head()


Out[15]:
0    14
1    13
2    13
3    12
4    12
Name: timestamp, dtype: int64

Zusammen mit der bereits oben vorgestellten value_counts()-Methode können wir nun wieder Werte zählen lassen. Wichtig ist hier jedoch, dass wir zusätzlich den Parameter sort=False setzen, um die Sortierung nach auftretender Häufigkeit zu vermeiden.


In [16]:
commits_je_stunde = git_log.timestamp.dt.hour.value_counts(sort=False)
commits_je_stunde.head()


Out[16]:
0    19533
1    15044
2    10420
3     7000
4     6068
Name: timestamp, dtype: int64

Das Ergebnis können wir entsprechend mittels eines Balkendiagramms ausgeben und erhalten so eine Übersicht, zu welcher Tageszeit Quellcode committet wird.


In [17]:
commits_je_stunde.plot.bar()


Out[17]:
<matplotlib.axes._subplots.AxesSubplot at 0x133bedad710>

Wir beschriften nun zusätzlich die Grafik. Dazu speichern wir uns das Rückgabeobjekt der bar()-Funktion in der Variable ax. Hierbei handelt es sich um ein Axes-Objekt der darunterliegenden Plotting-Bibliothek matplotlib, durch das wir zusätzliche Eigenschaften des Plots beliebig anpassen können. Wir setzen hier

  • den Titel über set_title(<titelname>)
  • die Beschriftung der X-Achse mit set_xlabel(<x_achsenname>) und
  • die Beschriftung der Y-Achse mit set_ylabel(<y_achsenname>)

Als Ergebnis erhalten wir nun ein ausagekräftiges, beschriftetes Balkendiagramm.


In [18]:
ax = commits_je_stunde.plot.bar()
ax.set_title("Commits pro Stunde")
ax.set_xlabel("Tagesstunde")
ax.set_ylabel("Commits")


Out[18]:
Text(0,0.5,'Commits')

Wir können auch nach Wochentagen auswerten. Dazu verwenden wir das weekday-Attribut auf dem DateTime-Attribut dt. Wie üblich, lassen wir hier die Werte über value_counts zählen, lassen die Werte aber nicht ihrer Häufigkeit nach sortieren.


In [19]:
commits_je_wochentag = git_log.timestamp.dt.weekday.value_counts(sort=False)
commits_je_wochentag


Out[19]:
0    124296
1    131690
2    131019
3    127097
4    117635
5     44877
6     46600
Name: timestamp, dtype: int64

Das Ergebnis in commits_je_wochentag lassen wir als ein Balkendiagramm mittels plot.bar() ausgeben.


In [20]:
commits_je_wochentag.plot.bar()


Out[20]:
<matplotlib.axes._subplots.AxesSubplot at 0x133c0b63748>

Commit-Verlauf

Nachfolgend wollen wir den Verlauf aller Commits über die letzten Jahre aufzeichnen lassen. Dazu setzen wir die timestamp Spalte als Index mittels set_index(<spaltenname>). Zudem selektieren wir lediglich die author-Spalte mittels [<spaltenname>]. Dadurch arbeiten wir fortlaufend auf einer reinen Series statt eines DataFrame. Randnotiz: Die Verarbeitung mittels Series folgt fast analog wie bei einem DataFrame. Eine Series wird jedoch nicht so schön in einer Tabelle formatiert angezeigt, weshalb ich persönlich die Bearbeitung mittels DataFrame bevorzuge.


In [21]:
git_timed = git_log.set_index('timestamp')['author']
git_timed.head()


Out[21]:
timestamp
2017-12-31 14:47:43    Linus Torvalds
2017-12-31 13:13:56    Linus Torvalds
2017-12-31 13:03:05    Linus Torvalds
2017-12-31 12:30:34    Linus Torvalds
2017-12-31 12:29:02    Linus Torvalds
Name: author, dtype: object

Über die resample(<zeiteinheit>)-Funktion des DataFrames können wir nun Werte nach bestimmten Zeiteinheiten gruppieren wie z. B. nach Tage (D), Monate (M), Quartale (Q) oder Jahre (A). Wir verwenden hier ein resample("D") für tageweises zählen. Zudem geben wir noch an, wie die Einzelwerte pro Zeiteinheit zusammengeführt werden sollen. Hierzu wählen wir die count()-Funktion, um die Anzahl der Commits für jeden einzelnen Tag zu zählen.


In [22]:
commits_per_day = git_timed.resample("D").count()
commits_per_day.head()


Out[22]:
timestamp
2005-04-16    199
2005-04-17     30
2005-04-18     73
2005-04-19     28
2005-04-20      8
Freq: D, Name: author, dtype: int64

Um den Commit-Verlauf über die Jahre hinweg aufzuzeigen, bilden wir die kumulative Summe über alle Tageseinträge mittels cumsum(). Damit werden alle Werte nacheinander aufsummiert.


In [23]:
commits_pro_tag_kumulativ = commits_per_day.cumsum()
commits_pro_tag_kumulativ.head()


Out[23]:
timestamp
2005-04-16    199
2005-04-17    229
2005-04-18    302
2005-04-19    330
2005-04-20    338
Freq: D, Name: author, dtype: int64

Das Ergebnis plotten wir nun als Liniendiagramm und erhalten somit die Anzahl der Commits über die Jahre hinweg aufgezeichnet.


In [24]:
commits_pro_tag_kumulativ.plot()


Out[24]:
<matplotlib.axes._subplots.AxesSubplot at 0x133c0c3ccc0>

Was jetzt noch alles fehlt

Wir haben jetzt einige Grundlagen zu Pandas kennengelernt. Damit kommen wir schon sehr weit in der täglichen Arbeit. Die anderen wichtigen Themenbereiche, die nun noch fehlen, sind:

  • Einlesen komplizierter Datenstrukturen
  • Bereinigung von schlechter Datenqualität
  • Zusammenführen verschiedener Datenquellen
  • Gruppieren von gleichartigen Daten mittels groupby
  • Umformen von DataFrames mittels pivot_table