-
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：
- 本题数据集文件名称：homework.zip
- 本题数据链接：
- 总数据表链接： https://www.aiyc.top/data-analysis-data-set
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')
