一、数据加载
(一)载入数据
1.导入pandas和numpy
2.载入数据(可以使用相对路径或绝对路径)
3.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)
4.将表头改成中文,索引改为乘客ID
df=pd.read_csv('train.csv',names=['乘客ID','是否幸存','乘客等级','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)
df
(二)初步观察
1.查看数据的基本信息
df.info()
2.观察表格前10行的数据和后15行的数据
df.head(10)
df.tail(15)
3.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)
4.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
df.to_csv('train_chinese.csv')
二、pandas基础
(一)pandas基础
1.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
2.根据上节课的方法载入"train.csv"文件
3.查看DataFrame数据的每列的名称
df.columns
4.查看"Cabin"这列的所有值
df['Cabin'].head(3)或者df.Cabin
5.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
test1=pd.read_csv('test_1.csv')
test1
del test1['a']
test1
6.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)
(二)筛选的逻辑
1.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]
2.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)]
midage
3.将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来
midage = midage.reset_index(drop=True)
midage.loc[[100],['Pclass','Sex']]
4.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']]
5.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]]
三、探索性数据分析
(一)了解你的数据吗?
1.利用Pandas对示例数据进行排序,要求升序
frame = pd.DataFrame(np.arange(8).reshape((2, 4)),
index=['2', '1'],
columns=['d', 'a', 'b', 'c'])
frame
2.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
test.sort_values(by=['票价','年龄'],ascending=False)
3.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
4.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(test['堂兄弟/妹个数'] + test['父母与小孩个数'])
5.学会使用Pandas describe()函数查看数据基本统计信息
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
frame2.describe()
6.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?
test['票价'].describe()
test['父母与小孩个数'].describe()