1_数据分析—数据载入、导出和探索

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 导入numpy和pandas

import numpy as np
import pandas as pd
import os, sys

1.1.2 载入数据

(1) 使用相对路径载入数据

相对路径载入报错时，尝试使用os.getcwd()查看当前工作目录。

df = pd.read_csv('train.csv')
df.head(3)

(2) 使用绝对路径载入数据

df = pd.read_csv('D:/6_DP/hands-on-data-analysis-master/第一单元项目集合/train.csv')
df.head(3)

1.1.3 每1000行为一个数据模块，逐块读取

chunker = pd.read_csv('train.csv', chunksize=1000)
for chunk in chunker:
    print(chunk)

【思考】什么是逐块读取？为什么要逐块读取呢？

按指定大小分块读取大数据,避免因数据量大导致内存不足,但也会更耗时一些，数据的处理和清洗经常使用分块的方式处理。

【提示】大家可以chunker(数据块)是什么类型？用for循环打印出来出处具体的样子是什么？

<class ‘pandas.core.frame.DataFrame’>

1.1.4 将表头改成中文，索引改为乘客ID

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','仓位等级','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.head()

【思考】所谓将表头改为中文其中一个思路是：将英文列名表头替换成中文。还有其他的方法吗？

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 查看数据的基本信息

df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 891 entries, 1 to 891
Data columns (total 11 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   是否幸存    891 non-null    int64  
 1   仓位等级    891 non-null    int64  
 2   姓名      891 non-null    object 
 3   性别      891 non-null    object 
 4   年龄      714 non-null    float64
 5   兄弟姐妹个数  891 non-null    int64  
 6   父母子女个数  891 non-null    int64  
 7   船票信息    891 non-null    object 
 8   票价      891 non-null    float64
 9   客舱      204 non-null    object 
 10  登船港口    889 non-null    object 
dtypes: float64(2), int64(4), object(5)
memory usage: 83.5+ KB

1.2.2 观察表格前10行的数据和后15行的数据

df.head(10)  # 观察前10行数据

df.tail(15)   # 观察后15行数据

1.2.3 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()

1.3 保存数据

1.3.1 保存为一个新文件

# 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、了解数据

2.1 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

	d	a	b	c
2	0	1	2	3
1	4	5	6	7

【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

2.1.1 根据列排序

• 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）
• ascending=False 降序排列

# 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=False)

	d	a	b	c
2	0	1	2	7
1	4	5	6	3

2.1.2 不同排序方式总结

1、行索引升序排序

# 行索引升序排序
frame.sort_index()

	d	a	b	c
1	4	5	6	7
2	0	1	2	3

2、列索引升序排序

# 列索引升序排序
frame.sort_index(axis=1)

	a	b	c	d
2	1	2	3	0
1	5	6	7	4

3、让列索引降序排序

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

	d	c	b	a
2	0	3	2	1
1	4	7	6	5

4、任选两列数据同时降序排序

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

	d	a	b	c
1	4	5	6	7
2	0	1	2	3

2.2 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）

df.sort_values(by=['票价', '年龄'], ascending=False).head(3)

2.3 利用Pandas进行算术计算，计算两个DataFrame数据相加结果

# 具体请看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分

#建立一个例子
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

【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。

2.4 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？

'''
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(df['兄弟姐妹个数'] + df['父母子女个数'])

10

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一个DataFrame，然后用max函数求出最大值。

2.5 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

# 调用 describe 函数，观察frame2的数据基本信息

frame2.describe()

'''
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
'''

2.6 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

'''
看看泰坦尼克号数据集中 票价 这列数据的基本统计数据
'''
df['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，然后可以说出你的想法
'''
df['父母子女个数'].describe()