第二课堂AI实践笔记2——pandas入门

1 第一章：数据加载

1.1 载入数据

数据集下载 https://www.kaggle.com/c/titanic/overview

1.1.1 任务一：导入numpy和pandas

# 引入环境
import pandas as pd
import numpy as np

【提示】如果加载失败，学会如何在你的python环境下安装numpy和pandas这两个库

1.1.2 任务二：载入数据

(1) 使用相对路径载入数据

df =pd.read_csv('./train.csv')
df

(2) 使用绝对路径载入数据

df =pd.read_csv(r'D:\Users\LENOVO\Desktop\pandas入门\train.csv')
df

【提示】相对路径载入报错时，尝试使用os.getcwd()查看当前工作目录。  
【思考】知道数据加载的方法后，试试pd.read_csv()和pd.read_table()的不同，如果想让他们效果一样，需要怎么做？了解一下'.tsv'和'.csv'的不同，如何加载这两个数据集？                       

【回答】                                                                                                                           

  不同：都是Pandas库中用于读取文本文件的函数，它们主要的区别在于默认的分隔符：read_table是以制表符 \t 作为数据的标志，也就是以行为单位进行存储，每一行字符串为一列；read_csv默认分隔符为逗号，每一个字符串为一列
效果一样：如果想让pd.read_csv()和pd.read_table()的效果一样，可以通过指定sep参数来实现。 pd.read_csv('filename.tsv', sep='\t')实现用pd.read_csv()来读取一个制表符分隔的文件；pd.read_table('filename.csv', sep=',')实现用pd.read_table() 来读取一个逗号分隔的文件
【总结】加载的数据是所有工作的第一步，我们的工作会接触到不同的数据格式（eg:.csv;.tsv;.xlsx）,但是加载的方法和思路都是一样的，在以后工作和做项目的过程中，遇到之前没有碰到的问题，要多多查资料吗，使用google，了解业务逻辑，明白输入和输出是什么。

1.1.3 任务三：每1000行为一个数据模块，逐块读取

【思考】什么是逐块读取？为什么要逐块读取呢？
有chunksize参数可以进行逐块加载。它的本质就是将文本分成若干块，每次处理chunksize行的数据，最终返回一个TextParser对象，对该对象进行迭代遍历，可以完成逐块统计的合并处理。

【提示】大家可以chunker(数据块)是什么类型？用`for`循环打印出来出处具体的样子是什么？

1.1.4 任务四：将表头改成中文，索引改为乘客ID [对于某些英文资料，我们可以通过翻译来更直观的熟悉我们的数据]

PassengerId => 乘客ID
Survived => 是否幸存
Pclass => 乘客等级(1/2/3等舱位)
Name => 乘客姓名
Sex => 性别
Age => 年龄
SibSp => 堂兄弟/妹个数
Parch => 父母与小孩个数
Ticket => 船票信息
Fare => 票价
Cabin => 客舱
Embarked => 登船港口

【思考】所谓将表头改为中文其中一个思路是：将英文列名表头替换成中文。还有其他的方法吗？

columns=['乘客ID','是否幸存','仓位等级','姓名','性别','年龄','兄弟姐妹个数','父母子女个数','船票信息','票价','客舱','登船港口']
df =pd.read_csv('./train.csv',names=columns,index_col='乘客ID',header=0)

#header=缺少后会出现英语表头任然存在的问题，即此为header=0的作用

1.2 初步观察

导入数据后，你可能要对数据的整体结构和样例进行概览，比如说，数据大小、有多少列，各列都是什么格式的，是否包含null等

1.2.1 任务一：查看数据的基本信息

1.2.2 任务二：观察表格前10行的数据和后15行的数据

1.2.4 任务三：判断数据是否为空，为空的地方返回True，其余地方返回False

【总结】上面的操作都是数据分析中对于数据本身的观察

【思考】对于一个数据，还可以从哪些方面来观察？找找答案，这个将对下面的数据分析有很大的帮助
①使用df.shape可以查看DataFrame的形状，即行数和列数。
②使用df.dtypes可以查看每列的数据类型，了解数据是如何存储的。
③使用df.describe()可以查看数值型列的描述性统计信息，包括计数、均值、标准差、最小值、四分位数和最大值。
④使用df['column'].unique()可以查看某列的所有唯一值，了解该列的不同取值。              
⑤使用df['column'].value_counts()可以查看某列中各个值出现的次数，了解数据的分布情况。          # ’column是具体情况下需替换的具体某列

1.3 保存数据

1.3.1 任务一：将你加载并做出改变的数据，在工作目录下保存为一个新文件train_chinese.csv¶

’   

# 注意：不同的操作系统保存下来可能会有乱码。大家可以加入`encoding='GBK' 或者 ’encoding = ’utf-8‘‘`
df.to_csv('train_chinese.csv')

【总结】数据的加载以及入门，接下来就要接触数据本身的运算，我们将主要掌握numpy和pandas在工作和项目场景的运用。  

---

---

1 第一章：pandas基础

1.4 知道你的数据叫什么

我们学习pandas的基础操作，那么上一节通过pandas加载之后的数据，其数据类型是什么呢？

1.4.1 任务一：pandas中有两个数据类型DateFrame和Series，通过查找简单了解他们。然后自己写一个关于这两个数据类型的小例子🌰[开放题]

1.4.2 任务二：根据上节课的方法载入"train.csv"文件

1.4.3 任务三：查看DataFrame数据的每列的名称

1.4.4任务四：查看"Cabin"这列的所有值 [有多种方法]¶

1.4.5 任务五：加载文件"test_1.csv"，然后对比"train.csv"，看看有哪些多出的列，然后将多出的列删除

经过我们的观察发现一个测试集test_1.csv有一列是多余的，我们需要将这个多余的列删去

【思考】还有其他的删除多余的列的方式吗？

#思考回答

1.  df = df.drop('column_name', axis=1)或者df.drop('column_name', axis=1, inplace=True)
#不仅可以删除列，还会返回被删除的列的数据。
2.  column_data = df.pop('column_name')
#删除包含任何缺失值的列
3.  df = df.dropna(axis=1, how='all')                                                                                                  #删除全部为缺失值的列

1.4.6 任务六： 将['PassengerId','Name','Age','Ticket']这几个列元素隐藏，只观察其他几个列元素

1.5 筛选的逻辑

表格数据中，最重要的一个功能就是要具有可筛选的能力，选出我所需要的信息，丢弃无用的信息。

下面我们还是用实战来学习pandas这个功能。

1.5.1 任务一： 我们以"Age"为筛选条件，显示年龄在10岁以下的乘客信息。¶

1.5.2 任务二： 以"Age"为条件，将年龄在10岁以上和50岁以下的乘客信息显示出来，并将这个数据命名为midage

1.5.3 任务三：将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来

【思考】这个reset_index()函数的作用是什么？如果不用这个函数，下面的任务会出现什么情况？
①reset_index() 是 Pandas 库中的一个函数，通常用于 DataFrame 对象。调用这个函数后，会创建一个新的 DataFrame，其中包含原始 DataFrame 的数据以及索引列。在新的 DataFrame 中，原始的索引被转换为一列，并被命名为 ‘index’（除非通过 name 参数指定了其他名称）。
②如果你有一个 DataFrame，并且想要重置其索引，使其从0开始，你可以使用 reset_index() 方法，用于将 DataFrame 的索引（index）重置为默认整数索引。并且可以选择是否保留原来的索引作为新的列。这通常在分组操作之后使用，比如在使用 groupby() 方法后，每组的索引可能会变成分组键，而不是原始的整数索引。
③会出现的最简单情况：若为100 .150. 108顺序不为从小到大，不加该函数无法正确显示

1.5.4 任务四：使用loc方法将midage的数据中第100，105，108的"Pclass"，"Name"和"Sex"的数据显示出来

1.5.5 任务五：使用iloc方法将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

【思考】对比`iloc`和`loc`的异同
相同：两者都用于从 DataFrame 或 Series 中选择数据。

  对于 DataFrame，两者都支持多维索引（行和列），尽管对于 Series，这简化为仅支持一维索引（因为 Series 只有行，没有列）。
不同：iloc是索引进行定位从0开始，iloc传入的列的索引为真正的索引，而loc传入的为列的名称

---

---

1.6 了解你的数据吗？
教材《Python for Data Analysis》第五章

1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序

1.6.2 任务二：对泰坦尼克号数据（trian.csv）按票价和年龄两列进行综合排序（降序排列），从数据中你能发现什么

 1.6.3 任务三：利用Pandas进行算术计算，计算两个DataFrame数据相加结果

 1.6.4 任务四：通过泰坦尼克号数据如何计算出在船上最大的家族有多少人？

 1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息

 1.6.6 任务六：分别看看泰坦尼克号数据集中 票价、父母子女 这列数据的基本统计数据，你能发现什么？