摘要：數(shù)據(jù)規(guī)整化清理轉(zhuǎn)換合并重塑數(shù)據(jù)聚合與分組運算數(shù)據(jù)規(guī)整化清理轉(zhuǎn)換合并重塑合并數(shù)據(jù)集可根據(jù)一個或多個鍵將不同中的行鏈接起來。函數(shù)根據(jù)樣本分位數(shù)對數(shù)據(jù)進行面元劃分。字典或，給出待分組軸上的值與分組名之間的對應(yīng)關(guān)系。

本篇內(nèi)容為整理《利用Python進行數(shù)據(jù)分析》，博主使用代碼為 Python3，部分內(nèi)容和書本有出入。

在前幾篇中我們介紹了 NumPy、pandas、matplotlib 三個庫的基本操作，本篇介紹對數(shù)據(jù)的一些操作。

數(shù)據(jù)規(guī)整化：清理、轉(zhuǎn)換、合并、重塑

數(shù)據(jù)聚合與分組運算

pandas.merge：可根據(jù)一個或多個鍵將不同DataFrame中的行鏈接起來。

pandas.concat：可沿著一條軸將多個對象堆疊到一起。

combine_first：可將重復(fù)數(shù)據(jù)編接在一起，用一個對象中的值填充另一個對象中的缺失值。

數(shù)據(jù)庫風格的 DataFrame 合并

數(shù)據(jù)集的合并或連接運算：通過一個或多個鍵將行鏈接起來。

多對一的合并：

若沒有指定用哪個列進行連接，merge會將重疊列名當做鍵，指定如下：

若兩個對象的列名不同，可分別進行指定：

默認情況下，merge做inner連接，結(jié)果中的鍵是交集。外連接求取的是鍵的并集：

多對多的合并操作：

連接方式只影響出現(xiàn)在結(jié)果中的鍵。

根據(jù)多個鍵進行合并，傳入一個由列名組成的列表：

在進行列-列連接時，DataFrame對象中的索引會被丟棄。

suffixes選項：指定附加到左右兩個DataFrame對象的重疊列名上的字符串。

索引上的合并

當DataFrame中的連接鍵位于其索引中時，傳入left_index=True、 right_index=True，以說明索引應(yīng)該被用作連接鍵：

對于層次化索引的數(shù)據(jù)：

必須以列表的形式指明用作合并鍵的列（注意對重復(fù)索引值的處理）：

使用合并雙方的索引：

DataFrame的 join 實例方法：

更方便的實現(xiàn)按索引合并，不管有沒有重疊的列。在連接鍵上作左連接。

支持參數(shù)DataFrame的索引跟調(diào)用者DataFrame的某個列之間的連接：

對于簡單的索引合并，可以向join傳入一組DataFrame（concat 函數(shù)也是這個功能）：

軸向連接

數(shù)據(jù)合并運算：

連接(concatenation)

綁定(binding)

堆疊(stacking)

NumPy有一個用于合并原始NumPy數(shù)組的concatenation函數(shù)：

pandas的concat函數(shù)：

默認情況下，concat在 axis=0 上工作，產(chǎn)生一個新Series。傳入 axis=1，產(chǎn)生一個DataFrame：

這種情況下，另外一條軸上沒有重疊，傳入 join = "inner" 得到它們的交集：

使用 key 參數(shù)，在連接軸上創(chuàng)建一個層次化索引：

沿著 axis=1 對Series進行合并，keys 就會成為DataFrame的列頭：

對DataFrame對象也是如此：

傳入一個字典，則字典的鍵會被當做keys選項的值：

用于管理層次化索引創(chuàng)建方式的參數(shù)：

跟當前分析工作無關(guān)的DataFrame行索引：

傳入 ignore_index = True：

合并重疊數(shù)據(jù)

關(guān)于有索引全部或部分重疊的兩個數(shù)據(jù)集。

NumPy的where函數(shù)，用于表達一種矢量化的if-else：

Series的combine_first方法，實現(xiàn)與上面一樣的功能，并會進行數(shù)據(jù)對齊：

對于DataFrame 一樣：

可以看作用參數(shù)對象中的數(shù)據(jù)為調(diào)用者對象的缺失數(shù)據(jù)“打補丁”。

用于重新排列表格型數(shù)據(jù)的基礎(chǔ)運算：重塑(reshape)或軸向旋轉(zhuǎn)(pivot)。

重塑層次化索引

stark：將數(shù)據(jù)的列“旋轉(zhuǎn)”為行

unstark：將數(shù)據(jù)的行“旋轉(zhuǎn)”為列

用stack方法將行轉(zhuǎn)為列，得到一個Series：

對層次化索引的Series，可以用unstack將其重新排為一個DataFrame：

默認情況下，unstack操作最內(nèi)層。

傳入分層級別的編號或名稱可對其他級別進行unstack操作：

如果不是所有的級別值都能在各分組找到的話，unstack操作可能會引入缺失數(shù)據(jù)：

stack默認會濾除缺失數(shù)據(jù)，因此該運算是可逆的：

對DataFrame進行unstack操作時，作為旋轉(zhuǎn)軸的級別將會成為結(jié)果中的最低級別：

將“長格式”旋轉(zhuǎn)為“寬格式”

時間序列數(shù)據(jù)通常以 “長格式(long)”或“堆疊格式(stacked)”存儲在數(shù)據(jù)庫和 CSV 中。

轉(zhuǎn)成DataFrame，用 pivot 方法：

得到的DataFrame帶有層次化的列：

假設(shè)有兩個需要參與重塑的數(shù)據(jù)列：

pivot其實只是一個快捷方式：用set_index創(chuàng)建層次化索引，再用unstack重塑。

以上是數(shù)據(jù)的重排，下面是過濾、清理及其他轉(zhuǎn)換工作。

移除重復(fù)數(shù)據(jù)

DataFrame中出現(xiàn)的重復(fù)行：

DataFrame的duplicated方法返回一個布爾型Series，表示各行是否是重復(fù)行，drop_duplicates方法返回一個移除了重復(fù)行的DataFrame：

指定部分列進行重復(fù)項判斷，如只希望根據(jù)k1列過濾重復(fù)項：

duplicated和drop_duplicates默認保留重復(fù)數(shù)值里第一次出現(xiàn)的組合，傳入keep = last則保留最后一個：

利用函數(shù)或映射進行數(shù)據(jù)轉(zhuǎn)換

根據(jù)數(shù)組、Series或DataFrame列中的值來實現(xiàn)轉(zhuǎn)換。

編寫一個肉類到動物的映射：

Series的map方法：可以接受一個函數(shù)或含有映射關(guān)系的字典型對象，用于修改對象的數(shù)據(jù)子集。

也可以傳入一個能夠完成全部這些工作的函數(shù)：

替換值

replace方法 ：替換

利用fillna方法填充缺失數(shù)據(jù)可以看作替換的一種特殊情況。

替換一個值和一次性替換多個值：

對不同的值進行不同的替換：

傳入的參數(shù)也可以是字典：

重命名軸索引

軸標簽有一個map方法：

對函數(shù)或映射進行轉(zhuǎn)換，從而得到一個新對象。

將其值賦給index，就可以對DataFrame進行就地修改了：

要創(chuàng)建數(shù)據(jù)集的轉(zhuǎn)換版，而不是修改原始數(shù)據(jù)，用rename：

rename結(jié)合字典型對象可以實現(xiàn)對部分軸標簽的更新：

rename實現(xiàn)了復(fù)制DataFrame并對其索引和列標簽進行賦值，就地修改某個數(shù)據(jù)集，傳入inplace=True：

離散化和面元劃分

為了便于分析，連續(xù)數(shù)據(jù)常常被離散化或拆分為“面元（bin)”。

用pandas的cut函數(shù)：

pandas返回的是一個特殊的Categorical對象，它含有一個表示不同分類名稱的數(shù)組和一個為年齡數(shù)據(jù)進行標號的屬性：

哪邊是閉端可以通過right=False進行修改：

設(shè)置自己的面元名稱：

將labels選項設(shè)置為一個列表或數(shù)組即可。

如果向cut傳入的是面元的數(shù)量而不是確切的面元邊界，則它會根據(jù)數(shù)據(jù)的最小值和最大值計算等長面元：

將一些均勻分布的數(shù)據(jù)分成了四組。

qcut函數(shù)：根據(jù)樣本分位數(shù)對數(shù)據(jù)進行面元劃分。

由于qcut使用的是樣本分位數(shù)，可以得到大小基本相等的面元（而 cut 根據(jù)數(shù)據(jù)的分布情況，可能無法使各個面元中含有相同數(shù)量的數(shù)據(jù)點）。

設(shè)置自定義的分位數(shù)：

在聚合和分組運算時會再次用到cut 和 qcut 這兩個離散化函數(shù)。

檢測和過濾異常值

判斷是否存在異常值（outlier )：

找出某列中絕對值大小超過 3 的值：

選出全部含有“超過 3 或 -3 的值”的行：

將值限制在區(qū)間 -3 到 3 以內(nèi)：

np.sign這個ufunc返回的是一個由 1 和 -1 組成的數(shù)組，表示原始值的符號。

排列和隨機采樣

numpy.random.permutation函數(shù)：對Series和DataFrame的列排列。

Permutation(5)：需要排列的軸的長度。

然后就可以在基于ix的索引操作或take函數(shù)中使用該數(shù)組了：

選取隨機子集（非替換）：

用替換的方式產(chǎn)生樣本：

計算指標／啞變量

將分類變量(Categorical)轉(zhuǎn)換為“啞變量矩陣(dummy matrix)”或“指標矩陣(indicator matrix)”。

給DataFrame的列加上一個前綴，以便能夠跟其他數(shù)據(jù)進行合并：

用get_dummies的prefix參數(shù)。

DataFrame中的某行同屬于多個分類的情況，舉個例子：

要為每個genre添加指標變量就需要做一些數(shù)據(jù)規(guī)整操作，構(gòu)建多成員指標變量：

對于很大的數(shù)據(jù)，這種方式會變得非常慢，需要編寫一個能夠利用DataFrame內(nèi)部機制的更低級的函數(shù)：

用get_dummies和cut之類的離散化函數(shù)。

字符串對象方法

Python 字符串對象的內(nèi)置方法：

find找不到返回 -1，index找不到引發(fā)一個異常

傳入空字符串常常用于刪除模式：

正則表達式(regex)

提供了一種靈活的在文本中搜索或匹配字符串模式的方式。python 內(nèi)置的re模塊負責對字符串應(yīng)用正則表達式。

re模塊的函數(shù)分為三個大類：模式匹配、替換、拆分。

描述一個或多個空白符的regex是 s+。

調(diào)用re.split("s+", text)時，正則表達式會先被編譯，然后再在text上調(diào)用其split方法。

可以用re.compile自己編譯一個regex，以得到一個可重用的regex對象，如上所示。如果打算對許多字符串應(yīng)用同一條正則表達式，強烈建議通過這種方法，可以節(jié)省大量的 CPU 時間。

得到匹配regex的所有模式：

findall：返回字符串中所有的匹配項。

search：只返回第一個匹配項。

match：只匹配字符串的首部。

sub方法：將匹配到的模式替換為指定字符串，并返回所得到的新字符串。

不僅想找出電子郵件地址，還想將各個地址分為 3 個部分，只需將待分段的模式的各部分用圓括號包起來：

通過groups方法返回一個由模式各段組成的元組。

對于帶有分組功能的模式，findall會返回一個元組列表：

sub還能通過諸如1, 2之類的特殊符號訪問各匹配項中的分組：

為各個匹配分組加上一個名稱，由這種正則表達式所產(chǎn)生的匹配對象可以得到一個簡單易用的帶有分組名稱的字典：

pandas 中矢量化的字符串函數(shù)

通過data.map，所有字符串和正則表達式方法都能被應(yīng)用于各個值，但如存在NA就會報錯，為了解決這個問題，Series有一些能夠跳過NA值的字符串操作方法，通過Series的str屬性即可訪問這些方法：

也可以用正則表達式：

實現(xiàn)矢量化的元素獲取操作，對str.get/str屬性上使用索引：

對字符串進行子串截?。?/p>

對數(shù)據(jù)集進行分組并對各組應(yīng)用一個函數(shù)。

在將數(shù)據(jù)集準備好之后，通常的任務(wù)就是計算分組統(tǒng)計或生成透視表。pandas提供了一個靈活高效的gruopby功能，對數(shù)據(jù)集進行切片、切塊、摘要等操作。

用 python 和pandas強大的表達能力可以執(zhí)行復(fù)雜的多的分組運算：利用任何可以接受pandas對象或NumPy數(shù)組的函數(shù)。

分組運算：split（拆分）--apply（應(yīng)用）--combine（合并）。

分組鍵的形式：

列表或數(shù)組，其長度與待分組的軸一樣。

表示DataFrame某個列名的值。

字典或Series，給出待分組軸上的值與分組名之間的對應(yīng)關(guān)系。

函數(shù)，用于處理軸索引或索引中的各個標簽。

訪問data1，并根據(jù)key1調(diào)用groupby。

變量grouped是一個GroupBy對象，它實際上還沒有進行任何計算，只是含有一些有關(guān)分組鍵df["key1"]的中間數(shù)據(jù)。

例如，調(diào)用GroupBy的mean方法來計算分組平均值：

Series根據(jù)分組鍵進行了聚合，產(chǎn)生了一個新的Series，其索引為key1列中的唯一值。

通過兩個鍵對數(shù)據(jù)進行了分組后，得到的Series具有一個層次化索引：

分組鍵可以是任何長度適當?shù)臄?shù)組：

將列名用作分組鍵：

GroupBy的size方法返回一個含有分組大小的Series：

對分組進行迭代

GroupBy對象支持迭代，可以產(chǎn)生一組二元元組（由分組名和數(shù)據(jù)塊組成）。

對于多重鍵，元組的第一個元素將會是由鍵值組成的元組。

對數(shù)據(jù)片段進行操作，如將這些數(shù)據(jù)片段做成一個字典：

groupby默認在axis=0上進行分組，通過設(shè)置可以在其它任何軸上進行分組，如可以根據(jù)dtype對列進行分組：

選取一個或一組列

對于由DataFrame產(chǎn)生的GroupBy對象，用一個或一組（單個字符串或字符串數(shù)組）列名對其進行索引，就能實現(xiàn)選取部分列進行聚合的目的：

例如，對部分列進行聚合：計算data2列的平均值并以DataFrame形式得到結(jié)果：

返回一個已分組的DataFrame（傳入的是列表或數(shù)組）或Series（傳入的是標量形式的單個列名）：

通過字典或 Series 進行分組

除數(shù)組以外，分組信息還可以其他形式存在

根據(jù)分組計算列的sum：

將mapping這個字典傳給groupby即可。

用Series作為分組鍵：

這里Series可以被看做一個固定大小的映射。pandas會檢查Series以確保其索引根分組軸是對齊的。

通過函數(shù)進行分組

任何被當做分組鍵的函數(shù)都會在各個索引值上被調(diào)用一次，其返回值就會被用作分組名稱。

將函數(shù)根數(shù)組、列表、字典、Series混合使用（任何東西最終都會被轉(zhuǎn)換為數(shù)組）：

Key_list和人名對應(yīng)，再在相同長度的對應(yīng)一列里選min的值。

根據(jù)索引級別分組

層次化索引數(shù)據(jù)集通過level關(guān)鍵字傳入級別編號或名稱：

可以使用經(jīng)過優(yōu)化的GroupBy的方法，還可以使用自己發(fā)明的聚合運算，還可以調(diào)用分組對象上已經(jīng)定義好的任何方法，如 quantile可以計算Series或DataFrame列的樣本分位數(shù)：

GroupBy會高效地對Series進行切片，然后對各片調(diào)用piece.quantile(0.9)，最后將這些結(jié)果組裝成最終結(jié)果。

使用自己的聚合函數(shù)，傳入aggregate或agg方法即可：

有些方法如describe也可以用，但嚴格來講它們并非聚合運算。

自定義聚合函數(shù)比表中的經(jīng)過優(yōu)化的函數(shù)慢得多，這是因為在構(gòu)造中間分組數(shù)據(jù)塊時存在非常大的開銷（函數(shù)調(diào)用、數(shù)據(jù)重排等）。

面向列的多函數(shù)應(yīng)用

根據(jù) "smoker" 和 "size" 對 tips 進行分組：

傳入一組函數(shù)或函數(shù)名，得到的DataFrame的列就會以相應(yīng)的函數(shù)命名：

傳入一個由（name, function )元組組成的列表，各元組的第一個元素會被用作DataFrame的列名：

對于DataFrame，定義一組應(yīng)用于全部列的函數(shù)，或不同的列應(yīng)用不同的函數(shù)。

結(jié)果的DataFrame擁有層次化的列。相當于分別對列["tip_pct"]和列["total_bill"]進行聚合，然后用concat將結(jié)果組裝到一起（列名用作 keys 參數(shù)）。

傳入帶有自定義名稱的元組列表：

對不同的列應(yīng)用不同的函數(shù)：向agg傳入一個從列名映射到函數(shù)的字典

只有將多個函數(shù)應(yīng)用到至少一列時，DataFrame才會擁有層次化的列：

以“無索引”的形式返回聚合數(shù)據(jù)

向groupby傳入as_index=False，禁用功能由唯一的分組鍵組成索引：

聚合只是分組運算的其中一種，它接受能夠?qū)⒁痪S數(shù)據(jù)簡化為標量值的函數(shù)。

接下來介紹 transform 和 apply 方法，執(zhí)行更多其他的分組運算。

為一個DataFrame添加一個用于存放各索引分組平均值的列：先聚合再合并。

下面在GroupBy上使用transform方法：

transform會將一個函數(shù)應(yīng)用到各個分組，然后將結(jié)果放置到適當?shù)奈恢蒙稀?/p>

從各組中減去平均值：先創(chuàng)建一個距平化函數(shù)(demeaning function)，然后將其傳給transform。

檢查demeaned現(xiàn)在的分組平均值是否為 0：

跟aggregate一樣，transform也是一個有著嚴格條件的特殊函數(shù)，傳入的函數(shù)只能產(chǎn)生兩種結(jié)果，一個可以廣播的標量值（如 np.mean） 或一個相同大小的結(jié)果數(shù)組。

apply：一般性的“拆分-應(yīng)用-合并”

最一般化的GroupBy方法是apply：apply會將待處理的對象拆分成多個片段，然后對各片段調(diào)用傳入的函數(shù)，最后嘗試將各片段組合到一起。

根據(jù)分組選出最高的 5 個tip_pct值：編寫一個函數(shù)，在指定列找出最大值，然后把這個值所在的行選取出來。

對smoker分組并用該分組函數(shù)調(diào)用apply，得到：

top函數(shù)在DataFrame的各個片段上調(diào)用，然后結(jié)果由pandas.concat組裝到一起，并以分組名稱進行了標記。

最后結(jié)果就有了一個層次化索引，其內(nèi)層索引值來自原DataFrame。

如果傳給apply的函數(shù)能夠接受其他參數(shù)或關(guān)鍵字，可以將這些內(nèi)容放在函數(shù)名后面一并傳入：

在GroupBy對象上調(diào)用describe：

在GroupBy中，當調(diào)用如describe之類的方法時，實際上只是應(yīng)用了下面兩條代碼的快捷方式：

除這些基本用法之外，能否充分發(fā)揮apply的威力很大程度上取決于你的創(chuàng)造力，傳入的哪個函數(shù)能做什么全由你說了算，它只需返回一個pandas 對象或標量值即可。

禁止分組鍵

分組鍵會跟原始對象的索引共同構(gòu)成結(jié)果對象中的層次化索引，將group_keys=False傳入groupby即可禁止該效果：

分位數(shù)和桶分析

pandas有一些能根據(jù)指定面元或樣本分位數(shù)將數(shù)據(jù)拆分成多塊的工具（cut 和 qcut），將這些函數(shù)跟groupby結(jié)合起來，就能非常輕松地實現(xiàn)對數(shù)據(jù)集的桶或分位數(shù)分析了。

桶：bucket

分位數(shù)：quantile

“長度相等的桶”指的是“區(qū)間大小相等”，“大小相等的桶”指的是“數(shù)據(jù)點數(shù)量相等”。

利用cut將其裝入長度相等的桶中：

由cut返回的Factor對象可直接用于groupby，可以對data2做一些統(tǒng)計計算：

要根據(jù)樣本分位數(shù)得到大小相等的桶，使用qcut：

傳入labels=False，即可只獲取分位數(shù)的編號。否則那段還是區(qū)間而不是編號：

示例：用特定于分組的值填充缺失值

對于缺失數(shù)據(jù)的清理工作，有時用dropna將其濾除，有時則希望用一個固定值或由數(shù)據(jù)集本身所衍生出來的值去填充NA值，用fillna這個工具。

如用平均值去填充NA值：

對不同的分組填充不同的值：將數(shù)據(jù)分組，并使用apply和一個能夠?qū)Ω鲾?shù)據(jù)塊調(diào)用fillna的函數(shù)即可。

用這個分組平均值去填充NA值：

也可以在代碼中預(yù)定義各組的填充值，由于分組具有一個name 屬性：

示例：隨機采樣和排列

從一個大數(shù)據(jù)集中隨機抽取樣本以進行蒙特卡羅模擬（Monte Carlo simulation）或其他分析工作。抽取的方式很多，其中的一些效率會比其他的高很多

一個辦法是：選取np.random.permutation(N)的前K個元素，其中N為完整數(shù)據(jù)的大小，K為期望的樣本大小。

構(gòu)造一副撲克牌：

從整副牌中抽出 5 張：

從每種花色中隨機抽取兩張牌，由于花色是牌名的最后一個字符，可以據(jù)此進行分組，并使用apply：

另一種方法：

示例：分組加權(quán)平均數(shù)和相關(guān)系數(shù)

例如對這個數(shù)據(jù)集利用category計算分組加權(quán)平均數(shù)：

來自 Yahoo! Finance 的數(shù)據(jù)集：

計算一個由日收益率（通過百分數(shù)變化計算）與 SPX 之間的年度相關(guān)系數(shù)組成的DataFrame：

計算列于列之間的相關(guān)系數(shù)：（蘋果和微軟的年度相關(guān)系數(shù)）

示例：面向分組的線性回歸

還是上個例子，定義下面這個regress函數(shù)（利用 statsmodels 庫）對各數(shù)據(jù)塊執(zhí)行普通最小二乘法回歸（Ordinary Least Squares, OLS）。

按年計算 AAPL 對 SPX 收益率的線性回歸：

透視表（pivot table）

是各種電子表格程序和其他數(shù)據(jù)分析軟件中一種常見的數(shù)據(jù)匯總工具。它根據(jù)一個或多個鍵對數(shù)據(jù)進行聚合，并根據(jù)行和列上的分組鍵將數(shù)據(jù)分配到各個矩形區(qū)域中。

在小費數(shù)據(jù)集中，根據(jù)day和smoker計算分組平均數(shù)（pivot_table 的默認聚合類型）：

只想聚合tip_pct和size，并根據(jù)day進行分組：

傳入margins=True添加分項小計，將會添加標簽為All的行和列，其值對應(yīng)于單個等級中所有數(shù)據(jù)的分組統(tǒng)計。

這里All值為平均數(shù)。

要使用其他的聚合函數(shù)，將其傳給aggfunc即可。例如使用count或len得到有關(guān)分組大小的交叉表：

存在NA值，就設(shè)置一個fill_value：

交叉表（crosstab）

是一種用于計算分組頻率的特殊透視表。

用pandas.crosstab函數(shù)（pivot_table 也能實現(xiàn)該功能：根據(jù) Nationality 和 Handedness 對這段數(shù)據(jù)進行匯總）：

crosstab的前兩個參數(shù)可以是數(shù)組、Series、數(shù)組列表：

加載數(shù)據(jù)

抽取有關(guān)贊助人和贊助模式的統(tǒng)計信息。

通過unique，可以獲取全部的候選人名單：

利用字典說明黨派關(guān)系：

通過這個映射以及 Series對象的map方法，可以根據(jù)候選人姓名得到一組黨派信息：

注意，該數(shù)據(jù)集既包括贊助也包括退款（負的出資額），為了簡化分析過程，限定該數(shù)據(jù)集只能有正的出資額：

由于 Barack Obama 和 Mitt Romney 是最主要的兩名候選人，專門準備了一個子集，只包含針對他們兩人的競選活動的贊助信息：

根據(jù)職業(yè)和雇主統(tǒng)計贊助信息

首先，根據(jù)職業(yè)計算出資總額：

這里只列出了前10個，注意到 許多職業(yè)都涉及相同的基本工作類型或同一樣?xùn)|西有多種變體，清理一些這樣的數(shù)據(jù)：將一個職業(yè)信息映射到另一個。

對雇主信息也進行了同樣的處理。

這里利用了dict.get，它允許沒有映射關(guān)系的職業(yè)也能“通過”。

現(xiàn)在，可以通過pivot_table根據(jù)黨派和職業(yè)對數(shù)據(jù)進行聚合，然后過濾掉總出資額不足 200 萬美元對數(shù)據(jù)：

做成柱狀圖：

對 Obama 和 Romney 總出資額最高的職業(yè)和企業(yè)：先對候選人進行分組，然后求取最大值：

對出資額分組

利用cut函數(shù)根據(jù)出資額的大小將數(shù)據(jù)離散化到多個面元中：

根據(jù)候選人姓名以及面元標簽對數(shù)據(jù)進行分組：

對出資額求和并在面元內(nèi)規(guī)格化，以便圖形化顯示兩位候選人各種贊助額度的比例：

根據(jù)州統(tǒng)計贊助信息

首先，根據(jù)候選人和州對數(shù)據(jù)進行聚合：

對各行除以總贊助額，就得到各候選人在各州的總贊助額比例：

不足之處，歡迎指正。