Úpravy textů

python-pro-data-1/agregace-a-spojovani/pokrocile-upravy.md

@@ -1,145 +1,69 @@
 ## Pokročilé úpravy
 
-V předchozí lekci jsme si ukázali, jak v `pandas` vytváříme `DataFrame` a jak z něj můžeme vybírat data pomocí různých způsobů dotazování. Nyní se posuneme o kus dále a ukážeme si, jak můžeme s `DataFrame` dělat složitější operace jako je filtrování chybějících hodnot, spojování a agregace.
-
-### Maturita
-
-Abychom měli nějaký praktický příklad k procvičování, použijeme fiktivní data z výsledků maturitních zkoušek během jednoho týdne na nějakém menším gymnáziu. Maturita se odehrává ve třech místnostech: U202, U203 a U302. Máme tedy tři tabulky dat, z každé místnosti jednu. Níže si můžete prohlédnout příklad tabulky z místnosti U202. Všechny tabulky jsou ke stažení zde: [u202.csv](assets/u202.csv), [u203.csv](assets/u203.csv), [u302.csv](assets/u302.csv).
-
-Funkce `read_csv()` knihovny `pandas` umí stáhnout CSV soubor rovnou z internetu.
-
-```py
-import pandas
-
-u202 = pandas.read_csv("https://kodim.cz/cms/assets/analyza-dat/python-data-1/python-pro-data-1/agregace-a-spojovani/pokrocile-upravy/u202.csv")
-u203 = pandas.read_csv("https://kodim.cz/cms/assets/analyza-dat/python-data-1/python-pro-data-1/agregace-a-spojovani/pokrocile-upravy/u203.csv")
-u302 = pandas.read_csv("https://kodim.cz/cms/assets/analyza-dat/python-data-1/python-pro-data-1/agregace-a-spojovani/pokrocile-upravy/u302.csv")
-```
-
-|cisloStudenta |predmet         |znamka|den|
-|---:|:----------------|------:|:---|
-|1  |Chemie          |      |pá |
-|2  |Dějepis         |3     |pá |
-|3  |Matematika      |2     |út |
-|2  |Společenské vědy|2     |pá |
-|4  |Biologie        |1     |pá |
-|5  |Dějepis         |1     |po |
-|6  |Fyzika          |2     |čt |
-|7  |Dějepis         |4     |po |
-|8  |Matematika      |2     |po |
-|9  |Dějepis         |      |pá |
-|10 |Chemie          |2     |st |
-|3  |Chemie          |5     |út |
-|11 |Matematika      |1     |st |
-|12 |Biologie        |4     |st |
-|10 |Dějepis         |5     |st |
+V předchozí lekci jsme si ukázali, jak v `pandas` načteme data do tabulky (`DataFrame`) a jak z něj můžeme vybírat data pomocí různých způsobů dotazování. Nyní se posuneme o kus dále a ukážeme si, jak můžeme s `DataFrame` dělat složitější operace jako je filtrování chybějících hodnot, spojování a agregace.
 
 ### Práce s chybějícími hodnotami
 
-V praxi se poměrně často setkáme s tím, že v datovém setu některé hodnoty chybí. Můžeme si například všimnout, že v tabulce U202 dvěma studentům chybí známka. To znamená, že se studenti k maturitě nedostavili. Na takové případy je třeba být připraven.
-
-V `pandas`, ale i obecně v datové analýze, je možné se s chybějícími daty vypořádat různými způsoby:
+V praxi se poměrně často setkáme s tím, že v datovém setu některé hodnoty chybí. Můžeme si například všimnout, že v tabulce `food_nutrient.csv` jsou chybějící hodnoty. Ty jsou při výpisu zobrazovány jako `NaN`.
 
-1. Nejlepší je vždy ověření, proč údaje chybí (např. u poskytovatele dat) a pokud je to možné, zajistit jejich doplnění.
-1. Nahradit chybějící hodnoty jinými hodnotami.
-1. Odstranit všechny řádky s chybějícími daty z datového setu.
-1. Vyčlenit je do separátního datasetu a zpracovat je zvlášť.
+Při práci s daty, je možné se s chybějícími daty vypořádat různými způsoby. 
 
-Důležité je mít na paměti, že vyřazením některých řádků může dojít ke zkreslení výsledků analýzy!
+Nejprve bychom si měli uvědomit, zda jsou pro nějaké sloupec chybějící hodnoty vlastně problém. Typický příklad sloupečku, kde to nevadí, je `footnote`. To, že k nějaké hodnotě není poznámka pod čarou, nevadí, zkrátka k měření žádná doplňující poznámka není. Naopak u sloupce `amount` to vadit může. U nějaké konkrétní výživné látky nevíme její obsah v nějaké konkrétní potravině. 
 
-### Odstranění neúplných řádků
+Co v takovém případě udělat? Nejlepší je vždy ověření, proč údaje chybí (např. u poskytovatele dat, v metodice sběru, v programu na export dat) a pokud je to možné, zajistit jejich doplnění. Při hledání příčiny může pomoci i uložení těchto dat do samostatné tabulky, protože v ní můžeme vidět nějaké společné znaky, které tyto neúplné řádky mají. Zkusme si to na našich datech.
 
-Předpokládejme, že jsme si ověřili, že data chybí skutečně pouze u studentů, kteří z daného předmětu nematurovali. Protože nás budou zajímat především statistiky jednotlivých předmětů, můžeme prázdné řádky vynechat, protože označují zkoušky, které ve skutečnosti neproběhly.
-
-Pokud jsme tak ještě neučinili, načteme si naši první tabulku jako DataFrame.
+Pokud nemáš načtená data, použij stejný příkaz jako v minulé lekci.
 
 ```py
-import pandas
-u202 = pandas.read_csv('u202.csv')
+import pandas as pd
+food_nutrient = pd.read_csv('food_nutrient.csv')
 ```
 
-Pokud `pandas` narazí na prázdnou buňku, vloží místo ní do tabulky speciální hodnotu `NaN`, se kterou už jsme se setkali.
-
-Série obsahují metodu `isnull()`, která vrátí pravdivostní sérii s hodnotou `True` všude tam, kde v původní sérii chybí hodnota. Metoda `notnull()` pracuje přesně opačně. Vrátí pravdivostní sérii s hodnotami `True` všude tam, kde v původní sérii hodnota nechybí.
+Zkusíme si uložit řádky bez množství výživné látky do tabulky `food_nutrient_incomplete`. Použijeme metodu `isna()`, která pro každý řádek vrátí pravdivostní hodnotu (tj. hodnotu `True` pro řádek s hodnotou nebo `False` pro prázdný řádek). Poté můžeme použít dotaz, který jsme si ukázali už v minulé lekci.
 
 ```py
-print(u202['znamka'].isnull())
+food_nutrient_incomplete = food_nutrient[food_nutrient["amount"].isna()]
+food_nutrient_incomplete.head()
 ```
 
-```shell
-0      True
-1     False
-2     False
-3     False
-4     False
-5     False
-6     False
-7     False
-8     False
-9      True
-10    False
-11    False
-12    False
-13    False
-14    False
-Name: znamka, dtype: bool
-```
-
-Tyto metody můžeme využít například k tomu, abychom získali všechna data, kde chybí hodnota ve sloupečku `znamka`.
+Metoda `.notna()` funuje obráceně (tj. vrací hodnotu `False` pro řádek s hodnotou nebo `True` pro prázdný řádek).
 
 ```py
-print(u202[u202['znamka'].isnull()])
+food_nutrient_complete = food_nutrient[food_nutrient["amount"].notna()]
+food_nutrient_complete.head()
 ```
 
-```shell
-   cisloStudenta  predmet  znamka den
-0              1   Chemie     NaN  pá
-9              9  Dějepis     NaN  pá
-```
+V některých případech může být vhodné nahradit chybějící hodnoty jinými hodnotami. Uvažujme třeba výkaz práce, kde je chybějící hodnota u nějakého zaměstnance a projektu. V programu, který data generuje, zjistíme, že to znamená, že daný zaměstnanec na projektu ten měsíc nepracoval. Prázdnou hodnotu tedy můžeme nahradit nulou.
 
-Další užitečné metody na práci s chybějícími hodnotami najdeme na DataFrame.
+Poslední možností je odstranit všechny řádky, které nejsou úplné. Musíme pak ale pamatovat na to, že již nepracujeme s kompletními daty. Vyřazením některých řádků může dojít ke zkreslení výsledků analýzy.
 
-1. `dropna()` vrátí datový set očištěn od chybějících dat.
-1. `dropna(axis=1)` odstraní všechny sloupce, které obsahují chybějící data.
-1. `fillna(x)` nahradí všechna chybějící data a hodnoty hodnotou x.
+V našem případě použijeme poslední možnost, tj. odstraníme všechny řádky, kde chybí množství výživné látky. K tomu je možné použít metodu `.notna()`, kterou jsme si už ukazovali. Ukážeme si ale ještě jednu metodu, a to `dropna()`. Pokud chceme, aby se metoda řídila pouze některými sloupci, použijeme parametr `subset` (podmnožina). V opačném případě metoda smaže všechny řádky, kde je chybějící hodnota alespoň v jednom sloupci.
 
-### Spojení dat
-
-Nyní bychom chtěli všechny tři naše tabulky spojit do jedné. Nejprve si ukážeme, jak spojit tabulky **pod sebe**. Výsledná tabulka tedy bude mít stále **tři sloupce** a **počet řádků bude odpovídat součtu počtu řádků všech tří tabulek**. V SQL používáme pro danou operaci klíčové slovo `UNION`.
-
-Začneme s tím, že každou tabulku uložíme do `DataFrame` s tím, že vyhodíme studenty, kteří na maturitu nedorazili.
+Jako hodnotu  můžeme dát název jednoho sloupce jako řetězec nebo seznam názvů sloupců.
 
 ```py
-u202 = pandas.read_csv('u202.csv').dropna()
-u203 = pandas.read_csv('u203.csv').dropna()
-u302 = pandas.read_csv('u302.csv').dropna()
+food_nutrient = food_nutrient.dropna(subset="amount")
 ```
 
-Pokud chceme tyto tři DataFrame spojit do jednoho, můžeme použít funkci `concat`.
+### Spojení dat
 
-```py
-maturita = pandas.concat([u202, u203, u302])
-```
+Nyní bychom chtěli všechny tři naše tabulky spojit do jedné. Nejprve si ukážeme, jak spojit tabulky **pod sebe**. Jaké budou rozměry výsledné tabulky?
 
-Pozor ale na to, že v takto vzniklém DataFrame se nám **rozbije index**, protože se prostě spojí za sebe indexy jednotlivých tabulek. Pokud chceme, aby `pandas` při spojování index přepočítal, musíme nastavit hodnotu parametru `ignore_index` na `True`.
+- Počet **sloupců** je ve výsledné tabulce stejný jako u spojovaných tabulek.
+- Počet **řádků** odpovídá součtu řádků spojovaných tabulek.
 
-```py
-maturita = pandas.concat([u202, u203, u302], ignore_index=True)
-```
+V SQL používáme pro danou operaci klíčové slovo `UNION`, `pandas` používáme funkci `concat()`.
 
-To už je lepší. Stále nám však zůstává jeden problém. Po spojení tabulek do jedné už nevíme, kdo maturoval v jaké místnosti. Tuto informaci si proto doplníme do původních tří tabulek jako nový sloupeček. Až poté tabulky spojíme do jedné.
+Začneme s tím, že každou tabulku uložíme do `DataFrame` s tím, že vyhodíme studenty, kteří na maturitu nedorazili.
 
-```py
-u202['mistnost'] = 'u202'
-u203['mistnost'] = 'u203'
-u302['mistnost'] = 'u302'
-maturita = pandas.concat([u202, u203, u302], ignore_index=True)
-```
+My funkci využijeme, abychom si vytvořili větší tabulku s názvy potravin. V naší tabulce `food_sample_100.csv` máme pouze 100 vybraných potravin. My si k nim přidáme data z tabulky [food_other.csv](assets/food_other.csv).
 
-Takto už nám vznikla pěkná vyčištěná tabulka. Uložme si ji do CSV, ať ji nemusíme vyrábět pořád znova. Nebudeme ukládat index, protože ten si vždycky necháme vyrobit automaticky.
+Pozor na to, že v takto vzniklém DataFrame se nám **rozbije index**, protože se spojí za sebe indexy jednotlivých tabulek. Pokud chceme, aby `pandas` při spojování index přepočítal, musíme nastavit hodnotu parametru `ignore_index` na `True`.
 
 ```py
-maturita.to_csv('maturita.csv', index=False)
+food_other = pd.read_csv("food_other.csv", ignore_index=True)
+food = pd.concat([food_sample_100, food_other])
 ```
 
-Výslednou tabulku si můžete stáhnout jako soubor [maturita.csv](assets/maturita.csv).
+K čemu je spojování vlastně dobré? Některé programy například ukládají data za každý den do samostatného souboru, takže pokud potřebujeme data za jeden týden, stačí nám stáhnout a spojit 7 souborů a ostatní stovky souborů a gigabajty dat můžeme ignorovat.
+