跳至主要內容

「练习」分析热门标签

AI悦创原创Numpy and pandasNumpy and pandas 练习数据分析练习题大约 4 分钟...约 1051 字

  • 任务1:找出最多人想读的50本书的名称

  • 任务2:找出这50本书对应最热门的10个标签

文件1:to_read.csv

  • 每行两个数据,用户 id 和该用户想读的书籍 id

文件2:books.csv

  • 书籍的各类 id,名称,作者等信息

文件3:tags.csv

  • 每行两个数据,标签 id 和标签名称

文件4:book_tags.csv

  • 每行三个数据,_goodreads_book_id_(和 to_read 中的书籍 id 的对应关系可以在 books.csv 里找到),标签 id,标记次数

数据集: 数据集链接:

解答 Python 原生的处理方式,代码如下「简版代码」:

import pandas as pd
import numpy as np


data = pd.read_csv('../to_read.csv')
# print(data)
new_data = data['book_id']
# array_lengt = len(set(data['book_id']))
# print(array_lengt)
# book_count_array = np.zeros(array_lengt)
# print(set(new_data))
book_id_values = {}
result = list(new_data)
for data in set(new_data):
    book_id_values[data] = result.count(data)
# print(book_id_values)
d_sorted_by_value = sorted(book_id_values.items(), key=lambda x: x[1]) # 根据字典值的升序排序
a = d_sorted_by_value[::-1][:50]
print(a)
print(len(a))
[(47, 2772), (143, 1967), (113, 1840), (13, 1812), (11, 1767), (45, 1717), (139, 1650), (39, 1619), (65, 1608), (35, 1576), (342, 1521), (185, 1502), (119, 1499), (8, 1498), (6, 1484), (4, 1478), (94, 1460), (89, 1458), (55, 1441), (61, 1435), (109, 1432), (16, 1425), (31, 1417), (67, 1352), (146, 1342), (54, 1339), (46, 1325), (121, 1313), (5, 1293), (173, 1292), (115, 1285), (68, 1257), (36, 1211), (95, 1208), (167, 1188), (129, 1181), (265, 1180), (137, 1172), (277, 1160), (66, 1158), (267, 1154), (268, 1149), (28, 1148), (38, 1130), (60, 1129), (14, 1127), (225, 1111), (10, 1110), (233, 1106), (252, 1105)]
50
[Finished in 147.9s]

Pandas 代码: 第一步,找到最热的50本书

import pandas as pd
import numpy as np


to_read = pd.read_csv('../to_read.csv')
to_read_counts = to_read['book_id'].value_counts().sort_values(ascending=False)
hottest_50_books_id = to_read_counts[:50].index
hottest_50_books_counts = to_read_counts[:50].values
hottest_50_books = pd.DataFrame({
    'book_id': hottest_50_books_id,
    'to_read_counts': hottest_50_books_counts
    })

"""
涉及到的知识点
1. value_counts():  计算重复元素出现的次数「显示形式为:值为索引,次数为值」
2. sort_values():   按某一列的数据进行排序,使用 by=列名,来指定。 
                    默认是升序排序,可以使用 ascending=False 来反转
"""
print(hottest_50_books)
    book_id  to_read_counts
0        47            2772
1       143            1967
2       113            1840
3        13            1812
4        11            1767
5        45            1717
6       139            1650
7        39            1619
8        65            1608
9        35            1576
10      342            1521
11      185            1502
12      119            1499
13        8            1498
14        6            1484
15        4            1478
16       94            1460
17       89            1458
18       55            1441
19       61            1435
20      109            1432
21       16            1425
22       31            1417
23       67            1352
24      146            1342
25       54            1339
26       46            1325
27      121            1313
28        5            1293
29      173            1292
30      115            1285
31       68            1257
32       36            1211
33       95            1208
34      167            1188
35      129            1181
36      265            1180
37      137            1172
38      277            1160
39       66            1158
40      267            1154
41      268            1149
42       28            1148
43       38            1130
44       60            1129
45       14            1127
46      225            1111
47       10            1110
48      233            1106
49      252            1105
[Finished in 0.6s]

第二步,找到书籍的名称

books = pd.read_csv('../books.csv')
book_id_and_title = books[['book_id', 'goodreads_book_id', 'title']]
hottest_50_books_with_title = pd.merge(
    hottest_50_books, 
    book_id_and_title, 
    how='left')
print(hottest_50_books_with_title)
hottest_50_books_with_title.to_csv('hottest_50_books_with_title.csv')

第三步,找到这50本书对应最热的10个标签

book_tags = pd.read_csv('../book_tags.csv')
book_tags = book_tags[book_tags['_goodreads_book_id_'].isin(hottest_50_books_with_title['goodreads_book_id'])]
del book_tags['_goodreads_book_id_']
hottest_10_tags = book_tags.groupby('tag_id').sum()
hottest_10_tags = hottest_10_tags.sort_values(by='count', ascending=False)[:10]
hottest_10_tags = pd.DataFrame({
    'tag_id': hottest_10_tags.index,
    'count': hottest_10_tags['count']
    })
print(hottest_10_tags['tag_id'])

第四步,找到这10个标签的名称

tags = pd.read_csv('../tags.csv')
hottest_10_tags_with_tag_name = pd.merge(
    hottest_10_tags,
    tags,
    on='tag_id',
    how='left')
print(hottest_10_tags_with_tag_name)
hottest_10_tags_with_tag_name.to_csv('hottest_10_tags_with_tag_name.csv')

欢迎关注我公众号:AI悦创,有更多更好玩的等你发现!

公众号:AI悦创【二维码】

AI悦创·编程一对一

AI悦创·推出辅导班啦,包括「Python 语言辅导班、C++ 辅导班、java 辅导班、算法/数据结构辅导班、少儿编程、pygame 游戏开发」,全部都是一对一教学:一对一辅导 + 一对一答疑 + 布置作业 + 项目实践等。当然,还有线下线上摄影课程、Photoshop、Premiere 一对一教学、QQ、微信在线,随时响应!微信:Jiabcdefh

C++ 信息奥赛题解,长期更新!长期招收一对一中小学信息奥赛集训,莆田、厦门地区有机会线下上门,其他地区线上。微信:Jiabcdefh

方法一:QQopen in new window

方法二:微信:Jiabcdefh

上次编辑于:
贡献者: AndersonHJB,AI悦创
你认为这篇文章怎么样?
  • 0
  • 0
  • 0
  • 0
  • 0
  • 0
评论
  • 按正序
  • 按倒序
  • 按热度