Python - Librerías esenciales para el analisis de datos

Esta notebook fue creada originalmente como un blog post por Raúl E. López Briega en Mi blog sobre Python. El contenido esta bajo la licencia BSD.

En mi artículo anterior hice una breve introducción al mundo de Python, hoy voy a detallar algunas de las librerías que son esenciales para trabajar con Python en la comunidad científica o en el análisis de datos.

Una de las grandes ventajas que ofrece Python sobre otros lenguajes de programación, además de que es que es mucho más fácil de aprender; es lo grande y prolífera que es la comunidad de desarrolladores que lo rodean; comunidad que ha contribuído con una gran variedad de librerías de primer nivel que extienden la funcionalidades del lenguaje. Vamos a poder encontrar una librería en Python para practicamente cualquier cosa que se nos ocurra.

Algunas de las librerías que se han vuelto esenciales y ya forman casi parte del lenguaje en sí mismo son las siguientes:

Numpy

Numpy, abreviatura de Numerical Python , es el paquete fundamental para la computación científica en Python. Dispone, entre otras cosas de:

  • Un objeto matriz multidimensional ndarray,rápido y eficiente.
  • Funciones para realizar cálculos elemento a elemento u otras operaciones matemáticas con matrices.
  • Herramientas para la lectura y escritura de los conjuntos de datos basados matrices.
  • Operaciones de álgebra lineal, transformaciones de Fourier, y generación de números aleatorios.
  • Herramientas de integración para conectar C, C++ y Fortran con Python

Más allá de las capacidades de procesamiento rápido de matrices que Numpy añade a Python, uno de sus propósitos principales con respecto al análisis de datos es la utilizacion de sus estructuras de datos como contenedores para transmitir los datos entre diferenctes algoritmos. Para datos numéricos , las matrices de Numpy son una forma mucho más eficiente de almacenar y manipular datos que cualquier otra de las estructuras de datos estandar incorporadas en Python. Asimismo, librerías escritas en un lenguaje de bajo nivel, como C o Fortran, pueden operar en los datos almacenados en matrices de Numpy sin necesidad de copiar o modificar ningun dato.

Como nomencaltura genaral, cuando importamos la librería Numpy en nuestro programa Python se suele utilizar la siguiente:


In [1]:
import numpy as np

Creando matrices en Numpy

Existen varias maneras de crear matrices en Numpy, por ejemplo desde:

  • Una lista o tuple de Python
  • Funciones específicas para crear matrices como arange, linspace, etc.
  • Archivos planos con datos, como por ejemplo archivos .csv

En Numpy tanto los vectores como las matrices se crean utilizando el objeto ndarray


In [2]:
#Creando un vector desde una lista de Python
vector = np.array([1, 2, 3, 4])

vector


Out[2]:
array([1, 2, 3, 4])

In [3]:
#Para crear una matriz, simplemente le pasamos una lista anidada al objeto array de Numpy
matriz = np.array([[1, 2],
                   [3, 4]])

matriz


Out[3]:
array([[1, 2],
       [3, 4]])

In [4]:
#El tipo de objeto de tanto de los vectores como de las matrices es ndarray
type(vector), type(matriz)


Out[4]:
(numpy.ndarray, numpy.ndarray)

In [5]:
#Los objetos ndarray de Numpy cuentan con las propiedades shape y size que nos muestran sus dimensiones.
print vector.shape, vector.size

print matriz.shape, matriz.size


(4,) 4
(2, 2) 4

Utilizando funciones para crear matrices


In [6]:
#arange
#La funcion arange nos facilita la creación de matrices
x = np.arange(1, 11, 1) # argumentos: start, stop, step

x


Out[6]:
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

In [7]:
#linspace
#linspace nos devuelve un vector con la cantidad de muestras que le ingresemos y separados uniformamente entre sí.
np.linspace(1, 25, 25)  # argumentos: start, stop, samples


Out[7]:
array([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.,  11.,
        12.,  13.,  14.,  15.,  16.,  17.,  18.,  19.,  20.,  21.,  22.,
        23.,  24.,  25.])

In [8]:
#mgrid
#Con mgrid podemos crear arrays multimensionales.
x, y = np.mgrid[0:5, 0:5] 

x


Out[8]:
array([[0, 0, 0, 0, 0],
       [1, 1, 1, 1, 1],
       [2, 2, 2, 2, 2],
       [3, 3, 3, 3, 3],
       [4, 4, 4, 4, 4]])

In [9]:
y


Out[9]:
array([[0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4]])

In [10]:
#zeros y ones
#Estas funciones nos permiten crear matrices de ceros o de unos.
np.zeros((3,3))


Out[10]:
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

In [11]:
np.ones((3,3))


Out[11]:
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])

In [12]:
#random.randn
#Esta funcion nos permite generar una matriz con una distribución estándar de números.
np.random.randn(5,5)


Out[12]:
array([[ 1.39342127,  0.27553779,  1.60499887,  0.49998319,  0.70528917],
       [ 0.77384386,  0.13082401, -0.94628073,  1.11938778, -0.03671148],
       [-1.26643358, -0.49647634,  0.02653584,  1.69748904,  0.83353017],
       [ 2.37892618, -1.21239237,  1.12638933,  1.70430737,  0.50932112],
       [-0.67529314, -0.48119409, -0.6064923 ,  0.03554073, -0.29703706]])

In [13]:
#diag
#Nos permite crear una matriz con la diagonal de números que le ingresemos.
np.diag([1,1,1])


Out[13]:
array([[1, 0, 0],
       [0, 1, 0],
       [0, 0, 1]])

Matplotlib

Matplotlib es la librería más popular en Python para visualizaciones y gráficos. Matplotlib puede producir gráficos de alta calidad dignos de cualquier publicación científica.

Algunas de las muchas ventajas que nos ofrece Matplotlib, incluyen:

  • Es fácil de aprender.
  • Soporta texto, títulos y etiquetas en formato $\LaTeX$.
  • Proporciona un gran control sobre cada uno de los elementos de las figuras, como ser su tamaño, el trazado de sus líneas, etc.
  • Nos permite crear gráficos y figuras de gran calidad que pueden ser guardados en varios formatos, como ser: PNG, PDF, SVG, EPS, y PGF.

Matplotlib se integra de maravilla con IPython (ver más abajo), lo que nos proporciona un ambiente confortable para las visualizaciones y la exploración de datos interactiva.

Algunos gráficos con Matplotlib


In [14]:
#Generalmente se suele importar matplotlib de la siguiente forma.
import matplotlib.pyplot as plt

Ahora vamos a graficar la siguiente función.

$$f(x) = e^{-x^2}$$

In [15]:
# Definimos nuestra función.
def f(x):
    return np.exp(-x ** 2)

In [16]:
#Creamos un vector con los puntos que le pasaremos a la funcion previamente creada.
x = np.linspace(-1, 5, num=30)

In [17]:
#Representeamos la función utilizando el objeto plt de matplotlib
plt.xlabel("Eje $x$")
plt.ylabel("$f(x)$")
plt.legend()
plt.title("Funcion $f(x)$")
plt.grid(True)
fig = plt.plot(x, f(x), label="Función f(x)")



In [18]:
#Grafico de puntos con matplotlib
N = 100
x1 = np.random.randn(N) #creando vector x
y1 = np.random.randn(N) #creando vector x

s = 50 + 50 * np.random.randn(N) #variable para modificar el tamaño(size)
c = np.random.randn(N) #variable para modificar el color(color)

plt.scatter(x1, y1, s=s, c=c, cmap=plt.cm.Blues) 
plt.grid(True)
plt.colorbar()

fig = plt.scatter(x1, y1)


Interface orientada a objetos de matplotlib

La idea principal con la programación orientada a objetos es que a los objetos que se pueden aplicar funciones y acciones, y ningun objeto debería tener un estado global (como en el caso de la interface con plt que acabamos de utilizar). La verdadera ventaja de este enfoque se hace evidente cuando se crean más de una figura, o cuando una figura contiene más de una trama secundaria.

Para utilizar la API orientada a objetos comenzamos de forma similar al ejemplo anterior, pero en lugar de crear una nueva instancia global de plt, almacenamos una referencia a la recientemente creada figura en la variable fig, y a partir de ella creamos un nuevo eje ejes usando el método add_axes de la instancia Figure:


In [19]:
x = linspace(0, 5, 10) # Conjunto de puntos
y = x ** 2 # Funcion

fig = plt.figure()

axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # Eje principal
axes2 = fig.add_axes([0.2, 0.5, 0.4, 0.3]) # Eje secundario

# Figura principal
axes1.plot(x, y, 'r')
axes1.set_xlabel('x')
axes1.set_ylabel('y')
axes1.set_title('Ej OOP')

# Insertada
axes2.plot(y, x, 'g')
axes2.set_xlabel('y')
axes2.set_ylabel('x')
axes2.set_title('insertado');



In [20]:
# Ejemplo con más de una figura.
fig, axes = plt.subplots(nrows=1, ncols=2)

for ax in axes:
    ax.plot(x, y, 'r')
    ax.set_xlabel('x')
    ax.set_ylabel('y')
    ax.set_title('titulo')
    
fig.tight_layout()


IPython

IPython promueve un ambiente de trabajo de ejecutar-explorar en contraposición al tradicional modelo de desarrollo de software de editar-compilar-ejecutar. Es decir, que el problema computacional a resolver es más visto como todo un proceso de ejecucion de tareas, en lugar del tradicional modelo de producir una respuesta(output) a una pregunta(input). IPython tambien provee una estrecha integración con nuestro sistema operativo, permitiéndonos acceder facilmente a todos nuestros archivos desde la misma herramienta.

Algunas de las caracteristicas sobresalientes de IPython son:

  • Su poderoso shell interactivo.
  • Notebook, su inteface web con soporte para código, texto, expresiones matemáticas, gráficos en linea y multimedia.
  • Su soporte para poder realizar visualizaciones de datos en forma interactiva. IPython esta totalmente integrado con matplotlib.
  • Su simple y flexible interface para trabajar con la computación paralela.

IPython es mucho más que una librería, es todo un ambiente de trabajo que nos facilita enormemente trabajar con Python; las mismas páginas de este blog estan desarrolladas con la ayuda del fantastico Notebook de IPython. (para ver el Notebook en el que se basa este artículo, visiten el siguiente enlace.)

Para más información sobre IPython y algunas de sus funciones los invito también a visitar el artículo que escribi en mi otro blog.

Pandas

Pandas es una librería open source que aporta a Python unas estructuras de datos fáciles de user y de alta performance, junto con un gran número de funciones esenciales para el analisis de datos. Con la ayuda de Pandas podemos trabajar con datos estructurados de una forma más rápida y expresiva.

Algunas de las cosas sobresalientes que nos aporta Pandas son:

  • Un rápido y eficiente objeto DataFrame para manipular datos con indexación integrada;
  • herramientas para la lectura y escritura de datos entre estructuras de datos rápidas y eficientes manejadas en memoria, como el DataFrame, con la mayoría de los formatos conocidos para el manejo de datos, como ser: CSV y archivos de texto, archivos Microsoft Excel, bases de datos SQL, y el formato científico HDF5.
  • Proporciona una alineación inteligente de datos y un manejo integrado de los datos faltantes; con estas funciones podemos obtener una ganancia de performace en los cálculos entre DataFrames y una fácil manipulación y ordenamiento de los datos de nuestro data set;
  • Flexibilidad para manipular y redimensionar nuestro data set, facilidad para construir tablas pivote;
  • La posibilidad de filtrar los datos, agregar o eliminar columnas de una forma sumamente expresiva;
  • Operaciones de merge y join altamente eficientes sobre nuestros conjuntos de datos;
  • Indexación jerárquica que proporciona una forma intuitiva de trabajar con datos de alta dimensión en una estructura de datos de menor dimensión ;
  • Posibilidad de realizar cálculos agregados o transformaciones de datos con el poderoso motor group by que nos permite dividir-aplicar-combinar nuestros conjuntos de datos;
  • combina las características de las matrices de alto rendimiento de Numpy con las flexibles capacidades de manipulación de datos de las hojas de cálculo y bases de datos relacionales (tales como SQL);
  • Gran número de funcionalidades para el manejo de series de tiempo ideales para el analisis financiero;
  • Todas sus funciones y estructuras de datos estan optimizadas para el alto rendimiento, con las partes críticas del código escritas en Cython o C;

Estructuras de datos de Pandas


In [21]:
# Importando pandas
import pandas as pd

Series


In [22]:
# Las series son matrices de una sola dimension similares a los vectores, pero con su propio indice.
# Creando una Serie
serie = pd.Series([2, 4, -8, 3])
serie


Out[22]:
0    2
1    4
2   -8
3    3
dtype: int64

In [23]:
# podemos ver tantos los índices como los valores de las Series.
print serie.values
print serie.index


[ 2  4 -8  3]
Int64Index([0, 1, 2, 3], dtype='int64')

In [24]:
# Creando Series con nuestros propios índices.
serie2 = pd.Series([2, 4, -8, 3], index=['d', 'b', 'a', 'c'])
serie2


Out[24]:
d    2
b    4
a   -8
c    3
dtype: int64

In [25]:
# Accediendo a los datos a través de los índices
print serie2['a']
print serie2[['b', 'c', 'd']]
print serie2[serie2 > 0]


-8
b    4
c    3
d    2
dtype: int64
d    2
b    4
c    3
dtype: int64

DataFrame


In [26]:
# El DataFrame es una estructura de datos tabular similar a las hojas de cálculo de Excel.
# Posee tanto indices de columnas como de filas.

# Creando un DataFrame.
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
        'year' : [2000, 2001, 2002, 2001, 2002],
        'pop'  : [1.5, 1.7, 3.6, 2.4, 2.9]}
frame = pd.DataFrame(data) # Creando un DataFrame desde un diccionario
frame


Out[26]:
pop state year
0 1.5 Ohio 2000
1 1.7 Ohio 2001
2 3.6 Ohio 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002

5 rows × 3 columns


In [27]:
# Creando un DataFrame desde un archivo.
!cat 'dataset.csv' # ejemplo archivo csv.


pop,state,year
1.5,Ohio,2000
1.7,Ohio,2001
3.6,Ohio,2002
2.4,Nevada,2001
2.9,Nevada,2002

In [28]:
# Leyendo el archivo dataset.csv para crear el DataFrame
frame2 = pd.read_csv('dataset.csv', header=0) 
frame2


Out[28]:
pop state year
0 1.5 Ohio 2000
1 1.7 Ohio 2001
2 3.6 Ohio 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002

5 rows × 3 columns


In [29]:
# Seleccionando una columna como una Serie
frame['state']


Out[29]:
0      Ohio
1      Ohio
2      Ohio
3    Nevada
4    Nevada
Name: state, dtype: object

In [30]:
# Seleccionando una línea como una Serie.
frame.ix[1]


Out[30]:
pop       1.7
state    Ohio
year     2001
Name: 1, dtype: object

In [31]:
# Verificando las columnas
frame.columns


Out[31]:
Index([u'pop', u'state', u'year'], dtype='object')

In [32]:
# Verificando los índices.
frame.index


Out[32]:
Int64Index([0, 1, 2, 3, 4], dtype='int64')

Otras librerías dignas de mencion

Otras librerías que también son muy importantes para el analisis de datos con Python son:

SciPy

SciPy es un conjunto de paquetes donde cada uno ellos ataca un problema distinto dentro de la computación científica y el analisis numérico. Algunos de los paquetes que incluye, son:

  • scipy.integrate: que proporciona diferentes funciones para resolver problemas de integración numérica.
  • scipy.linalg: que proporciona funciones para resolver problemas de algebra lineal.
  • scipy.optimize: para los problemas de optimizacion y minimizacion.
  • scipy.signal: para el analisis y procesamiento de señales.
  • scipy.sparse: para matrices dispersas y solucionadores de sistemas lineales dispersos
  • scipy.stats: para el analisis de estadística y probabilidades.

Scikit-learn

Scikit-learn es una librería especializada en algoritmos para data mining y machine learning.

Algunos de los problemas que podemos resolver utilizando las herramientas de Scikit-learn, son: