1.准备工作
建一个工作目录workspace文件夹,并将所需资料下载:
复制到文件夹中,在此文件夹的地址栏输入cmd并打开jupyter
在命令提示符窗口下载numpy和pandas(pip install numpy)(pip install pandas)
快捷键:shift+enter运行
2.数据载入和初步观察
2.1载入数据
2.1.1任务一:导入numpy和pandas
import numpy as np
import pandas as pd
2.1.2.任务二:用相对路径和绝对路径载入数据
jupyter有交互式,将变量定义以后再单独打一次变量就会将数据进行展示
例如:相对路径载入数据:df = pd.read_csv('train.csv')或者df = pd.read_csv('./train.csv')
绝对路径载入数据:df = pd.read_csv(r'C:\Users\22628\Desktop\workspace\train.csv')
2.1.3.任务三:每一千行为一个数据模块,逐块读取
chunker = pd.read_csv('./train.csv',chunksize=1000)
for i in chunker:
print(i)
2.1.4.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)
例如: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)
注:改names的时候是最后一个对最后一个
2.2.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
2.2.1任务一:查看数据的基本信息
df.info()
2.2.2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)
2.2.3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()
2.3保存数据
2.3.1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
df.to_csv('train_chinese.csv')
3.pandas基础
3.1 知道你的数据叫什么
3.1.1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]
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
3.1.2 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)
3.1.3任务三:查看DataFrame数据的每列的名称
df.columns
3.1.4任务四:查看"Cabin"这列的所有值 [有多种方法]
第一种:df['Cabin'].head(3)
第二种:df.Name.head(3)
3.1.5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
test1 = pd.read_csv('test_1.csv')
test1.head(3)
del test1['a']
test1.head(3)
3.1.6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(['PassengerId','Name','Age','Ticket'],axis=1).head(3)
(如果是列则需要特殊指令,是行则不用
删除和隐藏的区别:隐藏后输出df还是原来没隐藏的)
3.2逻辑的筛选
3.2.1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)
3.2.2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']>10) & (df['Age']<50)]
midage.head(3)
3.2.3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']]
3.2.4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']]
3.2.5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]]
(2,3,4,是Pclass,Name,Sex的索引)
4.探索性数据分析:以泰坦尼克号数据为例
#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
4.1了解你的数据吗?
4.1.1任务一:利用Pandas对示例数据进行排序,要求升序
(具体请看《利用Python进行数据分析》第五章 排序和排名 部分
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
(【代码解析】
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)
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)
【总结】下面将不同的排序方式做一个小总结
(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)
4.1.2 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)
【思考】排序后,如果我们仅仅关注年龄和票价两列。根据常识我知道发现票价越高的应该客舱越好,所以我们会明显看出,票价前20的乘客中存活的有14人,这是相当高的一个比例,那么我们后面是不是可以进一步分析一下票价和存活之间的关系,年龄和存活之间的关系呢?当你开始发现数据之间的关系了,数据分析就开始了。
4.1.3任务三:利用Pandas进行算术计算,计算两个DataFrame数据相加结果
例子:
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_b
(将frame_a和frame_b进行相加):
frame1_a + frame1_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。<br>
当然,DataFrame还有很多算术运算,如减法,除法等,有兴趣的同学可以看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分,多在网络上查找相关学习资料。
4.1.4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?
(还是用之前导入的chinese_train.csv如果我们想看看在船上,最大的家族有多少人(‘兄弟姐妹个数’+‘父母子女个数’),我们该怎么做呢?):
max(text['兄弟姐妹个数'] + text['父母子女个数'])
4.1.5任务五:学会使用Pandas describe()函数查看数据基本统计信息
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
调用 describe 函数,观察frame2的数据基本信息:
(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()
4.1.6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?
(看看泰坦尼克号数据集中 票价 这列数据的基本统计数据)
text['票价'].describe()
【思考】从上面数据我们可以看出, 一共有891个票价数据, 平均值约为:32.20, 标准差约为49.69,说明票价波动特别大, 25%的人的票价是低于7.91的,50%的人的票价低于14.45,75%的人的票价低于31.00, 票价最大值约为512.33,最小值为0。
(通过上面的例子,我们再看看泰坦尼克号数据集中 父母子女个数 这列数据的基本统计数据)
text['父母子女个数'].describe()