太原理工大学2024三下乡大数据学习第二课笔记

pandas

TASK01

载入数据

导入numpy和pandas

#!pip install numpy
#!pip install pandas
import numpy as np
import pandas as pd

载入数据

df = pd.read_csv('./train.csv')	# 相对路径
df	# 单打一个df可以打印出数据
df = pd.read_csv(r'E:\Code\Python\pandas\train.csv') # 绝对路径
df	# 同上

每1000行为一个数据模块，逐块读取

chunker = pd.read_csv('./train.csv',chunksize=10)
for i in chunker:
    print(i)

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]

df = pd.read_csv('train.csv',names=['乘客ID','是否幸存','舱位等级','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'],index_col='乘客ID',header = 0)
df

初步观察

查看数据的基本信息

df.info()

观察表格前10行的数据和后15行的数据

df.head(10)

df.tail(15)

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)

保存数据

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')

TASK02

查看DataFrame数据的每列的名称

 df.columns

查看"Cabin"这列的所有值 [有多种方法]

df['Cabin'].head(3)

df.Cabin.head(3)

删除列

del test1['a']
del test1['Unnamed: 0']

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(['PassengerId','Name','Age','Ticket'],axis=1).head(3)

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]

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']>10)&(df['Age']<50)]

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']]

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']]

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

i即为索引，即把列索引的名字换成编号索引

midage.iloc[[100,105,108],[2,3,4]]

TASK03

利用Pandas对示例数据进行排序，要求升序

#自己构建一个都为数字的DataFrame数据
frame = pd.DataFrame(np.arange(8).reshape((2, 4)), 
                     index=['2', '1'], 
                     columns=['d', 'a', 'b', 'c'])
frame
#pd.DataFrame() ：创建一个DataFrame对象
#np.arange(8).reshape((2, 4)) : 生成一个二维数组（2*4）,第一列：0，1，2，3 第二列：4，5，6，7
#index=['2, 1] ：DataFrame 对象的索引列
#columns=['d', 'a', 'b', 'c'] ：DataFrame 对象的索引行
frame.sort_values(by='c',ascending=True)

by可以选择哪一列

ascending可以选择升序(True)/降序(False)

# 让行索引升序排序
frame.sort_index()

# 让列索引升序排序
frame.sort_index(axis=1)

# 让列索引降序排序
frame.sort_index(axis=1,ascending=False)

# 让任选两列数据同时降序排序
frame.sort_values(by=['a','c'],ascending=False)

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

text.sort_values(by=['票价','年龄'],ascending=False)

利用Pandas进行算术计算，计算两个DataFrame数据相加结果

frame1_a = pd.DataFrame(np.arange(9.).reshape(3, 3),
                     columns=['a', 'b', 'c'],
                     index=['one', 'two', 'three'])
frame1_b = pd.DataFrame(np.arange(12.).reshape(4, 3),
                     columns=['a', 'e', 'c'],
                     index=['first', 'one', 'two', 'second'])
frame1_a

frame1_a + frame1_b

两个DataFrame相加后，会返回一个新的DataFrame，对应的行和列的值会相加，没有对应的会变成空值NaN。

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？

max(text['兄弟姐妹个数'] + text['父母子女个数'])

学会使用Pandas describe()函数查看数据基本统计信息

#建立一个例子
frame2 = pd.DataFrame([[1.4, np.nan], 
                       [7.1, -4.5],
                       [np.nan, np.nan], 
                       [0.75, -1.3]
                      ], index=['a', 'b', 'c', 'd'], columns=['one', 'two'])
frame2

'''
count : 样本数据大小
mean : 样本数据的平均值
std : 样本数据的标准差
min : 样本数据的最小值
25% : 样本数据25%的时候的值
50% : 样本数据50%的时候的值
75% : 样本数据75%的时候的值
max : 样本数据的最大值
'''
frame2.describe()

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？

text['票价'].describe()

text['父母子女个数'].describe()