4

У меня есть датафрейм, состоящий из двух столбцов. в первос записаны емейлы пользователей,а во втором - страны проживания. Мне нужно выбрать из первого те значения, которе содержат gmail.com или hotmail.com. А потом построить график "отношение количества gmail.com и hotmail.com в соответствии со страной." В чем ошибка?

import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
df = pd.read_csv("/home/ann/df(1).csv", sep=';')
gmail_list = []
hotmail_list = []

for i in df[['email', 'country_code']]:
    if "@gmail.com" in i:
      gmail_list.append(df.loc[:,'country_code'])
    elif "@hotmail.com" in i:
      hotmail_list.append(country_code)

график

введите сюда описание изображения

4

1 ответ 1

6

В Pandas данную задачу можно решить однострочным (one-liner) выражением:

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib

matplotlib.style.use('ggplot')

df = pd.read_csv(r'D:\download\df(1).csv', sep=';')

(df.assign(domain=df['email'].str.extract(r'@(.*)', expand=False))
   .query("domain in ['gmail.com','hotmail.com']")
   .groupby(['country_code','domain'])
   .count()['email']
   .unstack('domain', fill_value=0)
   .plot.bar(rot=0, stacked=True))

plt.show()

Результат:

введите сюда описание изображения

В процентах:

(df.assign(domain=df['email'].str.extract(r'@(.*)', expand=False))  # extract domain from email
   .query("domain in ['gmail.com','hotmail.com']")          # filter domains
   .groupby('country_code')['domain']                       # group by `country_code`
   .value_counts(normalize=True)                            # and count unique values per group (normalize: relative frequency)
   .mul(100)                                                # convert factor to percentage
   .unstack('domain', fill_value=0)                         # pivot: transform long to wide
   .plot.bar(rot=0, stacked=True, figsize=(12,8)))
)

Результат:

введите сюда описание изображения

Как это работает?

Сначала надо вычленить домен из email:

In [113]: df.assign(domain=df['email'].str.extract(r'@(.*)', expand=False))
Out[113]:
                                     email country_code       domain
0            [email protected]           RU  hotmail.com
1           [email protected]           RU    gmail.com
2    [email protected]           PE    gmail.com
3             [email protected]           RU  hotmail.com
4               [email protected]           PE  hotmail.com
..                                     ...          ...          ...
995               [email protected]           PE  hotmail.com
996                      [email protected]           RU    gmail.com
997                           [email protected]           RU    gmail.com
998            [email protected]           BR  hotmail.com
999              [email protected]           RU    gmail.com

[1000 rows x 3 columns]

потом отфильтровать, чтобы остались только gmail.com и hotmail.com:

In [114]: (df.assign(domain=df['email'].str.extract(r'@(.*)', expand=False))
     ...:    .query("domain in ['gmail.com','hotmail.com']"))
     ...:
Out[114]:
                                     email country_code       domain
0            [email protected]           RU  hotmail.com
1           [email protected]           RU    gmail.com
2    [email protected]           PE    gmail.com
3             [email protected]           RU  hotmail.com
4               [email protected]           PE  hotmail.com
..                                     ...          ...          ...
995               [email protected]           PE  hotmail.com
996                      [email protected]           RU    gmail.com
997                           [email protected]           RU    gmail.com
998            [email protected]           BR  hotmail.com
999              [email protected]           RU    gmail.com

[954 rows x 3 columns]

считаем количество различных доменов для каждой страны:

In [115]: (df.assign(domain=df['email'].str.extract(r'@(.*)', expand=False))
     ...:    .query("domain in ['gmail.com','hotmail.com']")
     ...:    .groupby('country_code')['domain']
     ...:    .value_counts(normalize=True)
     ...: )
Out[115]:
country_code  domain
AR            hotmail.com    0.750000
              gmail.com      0.250000
BR            hotmail.com    0.609375
              gmail.com      0.390625
PE            hotmail.com    0.702564
              gmail.com      0.297436
RU            gmail.com      0.956298
              hotmail.com    0.043702
US            gmail.com      0.900000
              hotmail.com    0.100000
Name: domain, dtype: float64

делаем PIVOT:

In [116]: (df.assign(domain=df['email'].str.extract(r'@(.*)', expand=False))
     ...:    .query("domain in ['gmail.com','hotmail.com']")
     ...:    .groupby('country_code')['domain']
     ...:    .value_counts(normalize=True)
     ...:    .mul(100)
     ...:    .unstack('domain', fill_value=0)
     ...: )
Out[116]:
domain        gmail.com  hotmail.com
country_code
AR             25.00000     75.00000
BR             39.06250     60.93750
PE             29.74359     70.25641
RU             95.62982      4.37018
US             90.00000     10.00000

рисуем график...

1
  • Большое спасибо! А для графика в процентном соотношении количества, что мне нужно изменить?
    – Ann Jer
    10 дек 2017 в 11:56

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge you have read our privacy policy.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.