首先通过下面资料对相关知识进行学习:
Joyful Pandas:https://inter.joyfulpandas.datawhale.club/Content/index.html
再通过数据分析的实战教学加深对pandas的理解(完成kaggle上泰坦尼克的任务,实战数据分析的全流程):
涉及到
一.数据的载入和分析
#### 1.1.1 任务一:导入numpy和pandas
import pandas as pd
import numpy as np
#### 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')
(2) 使用绝对路径载入数据
df=pd.read_csv(r'C:\Users\min\Desktop\pandas入门\train.csv')
#### 1.1.3 任务三:每1000行为一个数据模块,逐块读取
chunker=pd.read_csv('./train.csv',chunksize=1000)
for i in chunker:
print(i)
#### 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
df=pd.read_csv('train.csv',names=['乘客ID','是否幸存','乘客等级(1/2/3等舱位)','乘客姓名','性别','年龄','堂兄弟/妹个数','父母与小孩个数','船票信息','票价','客舱','登船港口'],index_col='乘客ID',header=0)
### 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
df.info()
#### 1.2.2 任务二:观察表格前10行的数据和后15行的数据
df.head(10)
df.tail(15)
#### 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
df.isnull().head(5)
#### 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')
二,pandas基础
#### 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
import pandas as pd
import numpy as np # 引入环境
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
example_1 = pd.Series(sdata)
example_1
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada', 'Nevada'],
'year': [2000, 2001, 2002, 2001, 2002, 2003],'pop': [1.5, 1.7, 3.6, 2.4, 2.9, 3.2]}
example_2 = pd.DataFrame(data)
example_2
#### 1.4.2 任务二:根据上节课的方法载入"train.csv"文件
df=pd.read_csv('./train.csv')
df
#### 1.4.3 任务三 :查看DataFrame数据的每列的名称
df.columns
#### 1.4.4任务四:查看"Cabin"这列的所有值 [有多种方法]
df['Cabin']
#### 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
test1 = pd.read_csv ( ' test_1.csv ' )
#### 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
df.drop ( [ '乘客ID' , '姓名' , '年龄' , '票证' ] , axis = 1 )
### 1.5 筛选的逻辑
#### 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。
df[df['Age']<10]
#### 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
midage=df[(df['Age']<50)&(df['Age']>10)]
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
midage.loc[[100],['Pclass','Sex']]
#### 1.5.4 任务四:使用loc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
midage.loc[[100,105,108],['Pclass','Name','Sex']]
#### 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
midage.iloc[[100,105,108],[2,3,4]]
练习:
口袋妖怪数据集(excel文件pokemon)
数据说明
#代表全国图鉴编号,不同行存在相同数字则表示为该妖怪的不同状态
妖怪具有单属性和双属性两种,对于单属性的妖怪,Type 2为缺失值
Total, HP, Attack, Defense, Sp. Atk, Sp. Def, Speed分别代表种族值、体力、物攻、防御、特攻、特防、速度,其中种族值为后6项之和
要求
将列名更换为中文
分别存储单属性与双属性的妖怪 存储为不同csv文件
对于#重复的妖怪只保留第一条记录 并求出第一属性的种类数量和前三数量对应的种类
求第一属性和第二属性的组合种类
找出Total, HP, Attack, Defense, Sp. Atk, Sp. Def, Speed的最大值,平均值,方差,中位数
将HP超过100的替换为high,不足50的替换为low,否则设为mid
对total值进行降序排序并存储为csv文件