一: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
import numpy as np
import pandas as pd
【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'C:\Users\86186\coding\hands-on-data-analysis-master\第一单元项目集合\train. csv')
1.1.3任务三:每1000行为一个数据模块,逐块读取
品选择内核
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]
df = pd. read_csv('train.csv',names=['乘客ID','是否幸存'],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 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trainchinese_csv
df. to_csv('train_chinese.csv')
1.4知道你的数据叫什么
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
#引入环境
import.pandas as pd
import numpy as np
sodata' ={'0hio": 35BP0,"Texas": 71000,"Oregon':1600,'Utah':500e]
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.head(3)
1.4.3任务三:查看DatsFrame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
df['Cabin'],head(3)
df.Name
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
test 1= pd.read.csv('test_1.csv')
test 1
del test1['a']
test1.head(3)
1.4.6任务六:将几列元素隐藏,只观察其他几列元素
df.drop(['Name','Age'],axis=1).head(3)
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。
df[df['Age']<10].head(3)
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 = df[(df[' Age' ]>10)&(df[' Age' ]<50)]
midage. head(3)
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]]
二:探索性数据分析
开始之前,导入numpy、pandas包和数据
#加载所需的库
import pandas as pd
import numpy as np
#载入之前保存的train_chinese.csv数据,关于泰坦尼克号的任务,我们就使用这个数据
text = pd. read_csv(' train_chinese.csv')
text
1.6.1 任务一: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
#大多数时候我们都是想根据列的值来排序,所以,将你构建的DataFrame中的数据根据某一列,升序排列
frame. sort_values(by=' c', ascending=True)
frame. sort _values(by=' c', ascending=False)
可以看到sort values这个函数中by参数指向要排列的列,ascending参数指向排序的方式(升序还是降序)
#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)
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
#在开始我们已经导入了train_chinese.csv数据,而且前面我们也学习了导入数据过程,根据上面学习,我们直接对目标列进行排序即可head(20):读取前20条数据
text.sort_values(by=['票价’,’年龄’],ascending=False)
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
#将frame_a和lframe_b进行相加
framel_a + framel_b
【提醒】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。
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?
max(text['兄弟姐妹个数’]+text['父母子女个数’])
是的,如上,很简单,我们只需找出兄弟姐妹个数和父母子女个数之和最大的数就行,先让这两列相加返回DataFrame然后用max函数求出最大值。
1.6.5任务五:学会使用Pandas describe(函数查看数据基本统计信息
调用describe 函数,观察frame2的数据基本信息
frame2. describe()