Pandas+matplotlib+seaborn数据分析实践代码

前纲

使用Python做数据分析，主要需要掌握：

Pandas（数据分析，清洗，预处理），matplotlib（可视化）以及seaborn（可视化）

数据读取代码

导入库：

import pandas as pd

导入数据：

df=pd.read_excel(r'...xlsx')

df.head()#仅用于浏览前5行数据

观看数据信息（非空值计数，数据类型）：

df.info()

数据描述统计（非空值计数，平均值，标准差，最小值，分位数值）：

df.describe()

数据排序代码

数据排序：

df.sort_values(by='需排序的数据表头',inplace=True/False)#默认升序True

df#此时是另起一列给出排序后的结果，并非在原先修改

自定义排序（按列A升序，列B降序，等等）：

df.sort_values(by=['列A','列B',...],ascending=[True,False,...],inplace=True)

df

数据过滤代码

数据过滤（&与，条件确认用==，|或【与&用在同一处】）：

df[(df['列A']=='单元值（定类）')&(df['列B']>单元值（定量）)&...]

df[df['定类列'].isin(['值A','值B','值C','值D','值E'])]#从定类列中筛选出值A到E来

数据拆分代码

需要拆分的数据类型中有明确的“拆分符”：

df_split=df['列A'].str.split(pat='拆分符',expand=True)

#拆分符号，如该数据拆分符为“-”：福建-福州-福清
df['省份']=df_split.iloc[:,0]
df['市区']=df_split.iloc[:,1]
df['乡县']=df_split.iloc[:,2]
df

统计运算代码

计数

重复计数：

df['列名'].count()

非重复计数：

len(df['列名'].unique())#多用于定类数据确定“种类”

groupby区分计数：

df.groupby(['列A'])['列B'].count().reset_index()#将B按照A区分计数

求和

求和：

df['列名'].sum()

数据作图代码

饼图

#前提
import matplotlib.pyplot as plt
import matplotlib.style as psl
plt.rcParams['font.sans-serif']=['SimHei'] #正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #正常显示负号
psl.use('ggplot')
df_QY=df.groupby(['列A'])['列B'].count().reset_index()#所使用的数据是用列A区分的列B值
#饼图代码

#值定义
labels = df_QY['列A'].tolist()#定义标签文本
explode = [0.05,0.05,0,0,0,0] # 用于突出显示数据，表示前两段突出饼图半径5%

#绘制饼图
df_QY['列B'].plot(kind='pie',figsize=(9,6),#宽9英寸、高6英寸
autopct='%.1f%%',#保留一位小数并显示百分比
labels=labels,
startangle=260, #初始角度
explode=explode, # 突出显示数据
pctdistance=0.87, # 设置百分比标签与圆心的距离
textprops = {'fontsize':12, 'color':'k'}, # 标签字体大小设置为12，颜色设置为黑色
)

plt.title("饼图标题")

plt.show()

箱线图

#前提
import matplotlib.pyplot as plt
import matplotlib.style as psl
plt.rcParams['font.sans-serif']=['SimHei'] #正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #正常显示负号
psl.use('ggplot')
plt.title('箱线图标题')
df_XB=...#过滤和筛选过的数据

#箱线图
plt.boxplot(x=[df_XB['列名1'], df_XB['列名2'],...],#指定绘制箱线图的数据（定量）
whis=1.5, #指定1.5倍的四分位数差（用于分析异常值，因此定义为1会更严格，为2会更宽松，一般是1.5）
widths=0.3, #指定箱线图中箱子的宽度为0.3
showmeans=True, #显示均值
#patch_artist=True, #填充箱子颜色
#boxprops={'facecolor':'RoyalBlue'},#指定箱子的填充色为宝蓝色
flierprops={'markerfacecolor':'red','markeredgecolor':'red','markersize':3}, #指定异常值的填充色、边框色和大小
medianprops={'marker':'h','markerfacecolor':'black','markersize':8}, #指定中位数的标记符号（六边形）和颜色，大小
meanprops={'linestyle':'--','color':'orange','linewidth':2}, #指定均值点的标记符号（虚线）、填充色和大小
labels=['箱线图标签']
)

plt.show()

折线图

#前提，使用seaborn
import seaborn as sns
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #正常显示负号
plt.figure(figsize=(10,6))#设置图表大小

#使用Seaborn绘制折线图
sns.lineplot(data=df, x='列A', y='列B', color='blue')#列A通常是时间序列数据，列B通常是定量数据

#设置图表标题和轴标签
plt.title('折线图标题')
plt.xlabel('X轴标题')
plt.ylabel('Y轴标题')

#显示图形
plt.show()

词云图【wordcloud库】

from wordcloud import WordCloud
import matplotlib.pyplot as plt

#列A种类列表
A_categories = df['列A'].tolist()
#使用字典统计商品类别数量
category_counts = dict()
for category in A_categories:
    if category in category_counts:
        category_counts[category] += 1
    else:
        category_counts[category] = 1

#创建词云对象
wordcloud=WordCloud(font_path='simhei.ttf', background_color='white').generate_from_frequencies(category_counts)

#使用matplotlib绘制词云图
plt.figure(figsize=(9, 6))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()

PDF内容抓取汇总至excel代码

需要用到PyPDF2

​​​​​​Py之PyPDF2：PyPDF2的简介、安装、使用方法之详细攻略-CSDN博客https://blog.csdn.net/qq_41185868/article/details/134587822

#前提
import re
import pandas as pd
import PyPDF2

#打开PDF
with open(r'系统路径.pdf', 'rb') as file:
    reader = PyPDF2.PdfFileReader(file)
    num_pages = reader.numPages

#通过每一页提取信息
info = []
for page_num in range(num_pages):
    page = reader.getPage(page_num)
    text = page.extractText()

例如合同其中一页面格式如此：

接续上面的代码：

# 使用正则表达式匹配所需信息
#“\s*(.*)', text”表示匹配空白字符后跟任意字符直到换行，根据合同格式不同有不同的正则匹配
HT_No = re.findall(r'合同编号：\s*(.*)', text)
name1 = re.findall(r'甲方：\s*(.*)', text)
name2 = re.findall(r'乙方：\s*(.*)', text)
catege = re.findall(r'品名：\s*(.*)', text)
weight = re.findall(r'采购数量（斤）：\s*(.*)', text)
price = re.findall(r'采购单价（元 /斤）：\s*(.*)', text)
price_sum = re.findall(r'总价（元）：\s*(.*)', text)

# 将信息添加到列表中，其中[0]表示值，else后接空格表示空值，表示将字典添加到info列表中，有值则使用，否则为空字符串。
info.append({'合同编号': HT_No[0] if HT_No else '',
             '甲方': name1[0] if name1 else '',
             '乙方': name2[0] if name2 else '',
             '品名': catege[0] if catege else '',
             '采购数量': weight[0] if weight else '',
             '采购单价': price[0] if price else '',
             '总价': price_sum[0] if price_sum else ''}
             )

# 将信息保存为Excel文件
df = pd.DataFrame(info)
df.to_excel(r'系统路径.xlsx', index=False)

一键完整探索性数据分析报告代码

#使用【pandas_profiling库】，三行代码即可生成一份具有交互式效果的HTML报告
df=pd.read_excel/csv(r'系统路径')
from pandas_profiling import ProfileReport
profile = ProfileReport(df,title='报告标题')
profile.to_file(r'自定义路径输出报告.html')
#可得到①数据集的基本信息②数据类型的分布情况③散点图相关性分析可视化④Spearman，Pearson矩阵相关性色阶图⑤缺失值数据可视化⑥样本信息展示，可用于标记重复行（duplicate row）

自定义图表数据格式代码

基础自定义

import pandas as pd
#这里便默认加载了一个数据df

#高亮显示
df.style.highlight_max(color='yellow')#高亮显示最大值
df.style.highlight_min(color='gray')#高亮显示最小值
df.style.highlight_null(null_color='red')#高亮显示空值

#隐藏列A/行A
df.style.hide_columns/index(['A'])

#链式调用（示例）
df.style.highlight_max().highlight_min(color='gray').highlight_null(null_color='blue')

#自定义数据类型
df.style.format({'列名1':'{:.0f}','列名2':'{:.2%}'},na_rep='空值')#对列1数据保留整数部分，对列2数据保留两位小数并转化为百分比，将数据中的空值替换为字符“空值”

色阶

#导入Seaborn库
import seaborn as sns
cmp=sns.light_palette('blue',as_cmap=True)#蓝色调色板
therm=df.iloc[:,0:n].style.background_gradient(cmap=cmp)#选择前n列所有行进行色阶调色，数值越大，颜色越深

数据条

df.style.bar(['列1','列2',...], align='mid', color=['#d65f5f','#5fba7d'])
#为各指定列添加在单元格中间对齐的条形图，左颜色代表+，右颜色代表-

http://www.yini.org/liuyan/rgbcolor.htmRGB颜色表

网页静态表格数据抓取代码

read_html

import pandas as pd
import requests

url_str = ' 网址'
dfs = [pd.read_html(requests.get(url_str + str(i + 1)).content)[0] for i in range(n)]
#上述dfs内进行循环遍历的操作用于爬取该网址更多页面的内容，通常是由于网址后缀界面更改同时更改数字即可使用该遍历，如“新浪财经”
df = pd.concat(dfs, ignore_index=True)

df.to_excel('系统路径.xlsx', index=False)

数据库存储代码

pymysql导入数据库

import pymysql

# 建立数据库连接
con = pymysql.connect(host='127.0.0.1', user='root', password='123456', db='demo', port=3306)
cursor = con.cursor()

# 创建表
cursor.execute('create table if not exists 表名(列A char(10) primary key, 列B int(10), 列C float)')

# 插入数据语句
query = "insert into 表名(列A,列B,列C) values (%s,%s,%s)"

# 迭代读取每行数据并插入
for r in range(len(df)):
    values = (df.iloc[r,0], df.iloc[r,1], df.iloc[r,2])
    cursor.execute(query, values)

# 提交更改，关闭游标和连接
con.commit()
cursor.close()
con.close()

read_sql数据库查询

​import pymysql
import pandas as pd

# 建立数据库连接
con = pymysql.connect(host='127.0.0.1', user='root', password='123456', db='demo', port=3306)

# 执行SQL查询
sql = "..."  # 这里填写SQL查询语句，语句和SQL内部一致
df_sql = pd.read_sql(sql, con)
df_sql.head()

简易用户画像分析代码

数据预处理

#数据导入
import pandas as pd
df=pd.read_excel(r'...')

#预处理

#查看数据类型，准备预处理
df.dtypes

#转换数据类型
df['列A']=df['列A'].astype(str)#数值转字符
df['列B']=df['列B'].str[n:].astype(float)#字符转数值,需要的数值在第n个字符后面
df['列C']=pd.to_datetime(df['列C'],format='%Y年%m月%d日')#字符转日期

#检测并删除重复值
if df.duplicated().any():
    df = df.drop_duplicates()

#判断各列缺失值比例，缺失值大于30%的数据列不采用
ratio = df.isnull().sum(axis=0) / df.shape[0]
drop_cols = ratio[ratio > 0.3].index
if len(drop_cols) > 0:
    print(f"删除缺失值比例大于30%的列：{drop_cols}")
df.drop(columns=drop_cols, inplace=True)
#删除列后仍有缺失值，直接删除所有带有缺失值的行
df.dropna(how='any', inplace=True)
#若行数据宝贵，可以采取这样的策略进行缺失值填充,mode是众数填充，mean是平均数填充
df.fillna(value={'列A': df['列A'].mode()[0], '列B': df['列B'].mean()}, inplace=True)
df.isnull().sum(axis=0)#最后检查是否仍然存在缺失值

关系可视化，研究“特征”与要求数据的关系

import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams["font.sans-serif"] = 'SimHei' #中文乱码问题
plt.rcParams['axes.unicode_minus'] = False #负号无法显示

#例：要研究特征之间的量和对比
ft_union=df.groupby('列A')['列B'].sum()#一般列A是特征，列B是需求的定量数据，例如金额，订单数等等
ft_union.plot.bar()
plt.xticks(rotation=0)#若表头过长也可适当增加旋转角度

#定量数据但需要划分范围类群作为特征
sp_cut=pd.qcut(df['列C'],5)#对定量数据的列C按顺序等量分成五种定类区间
quan_cut=pd.cut(df['列B'],bins=[0,500,1000,1500,2000,2500,3000,...])#区间内不等量，用于观察定量数据其各量级的质量