DW数据加载及探索性数据分析

1 数据载入及初步观察

通过数据分析的实战教学，完成kaggle上泰坦尼克的任务，实战数据分析全流程。
参考资料：
教材《Python for Data Analysis》

1.1 载入数据

1.1.2 任务二：载入数据
(1) 使用相对路径载入数据
(2) 使用绝对路径载入数据

df=pd.read_csv("train.csv")
df.head()

df1 = pd.read_csv("C:/Users/lenovo/Desktop/DW/hands-on-data-analysis-master/titanic/train.csv")
 #要么路径中都是英文名
 #要么路径后加上engine='python'
 #df1 = pd.read_csv("C:/Users/lenovo/Desktop/DW/hands-on-data-analysis-master/第一单元项目集合/train.csv",engine='python')
df1.head() 

【思考】知道数据加载的方法后，试试pd.read_csv()和pd.read_table()的不同，如果想让他们效果一样，需要怎么做？了解一下’.tsv’和’.csv’的不同，如何加载这两个数据集？

table默认分隔符为制表符（’\t’）
让table 和 csv 效果一样加上 sep=’,’

df1 = pd.read_table("C:/Users/lenovo/Desktop/DW/hands-on-data-analysis-master/第一单元项目集合/train.csv",sep=',',engine='python')
df1.head() 

【总结】加载的数据是所有工作的第一步，我们的工作会接触到不同的数据格式（eg:.csv;.tsv;.xlsx）,但是加载的方法和思路都是一样的，在以后工作和做项目的过程中，遇到之前没有碰到的问题，要多多查资料吗，使用google，了解业务逻辑，明白输入和输出是什么。

1.1.3 任务三：每1000行为一个数据模块，逐块读取

chunker = pd.read_csv('train.csv', chunksize=1000)

【思考】什么是逐块读取？为什么要逐块读取呢?

有chunksize参数可以进行逐块加载，它的本质就是将文本分成若干块
for chunk in chunker

1.1.4 任务四：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','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)
#header=0将第一行数据作为列名然后又被重命名names覆盖了，也可先读取后改名
df.head()

	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
乘客ID
1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

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

# df = pd.read_csv('train.csv') 
# df.columns = ['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']
# df.head()

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()

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

df.describe()

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)

1.2.3 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()

1.3 保存数据

df.to_csv('train_chinese.csv')

1.4 数据查看与删除

查看DataFrame数据的每列的项

df.columns

Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',
       'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'],
      dtype='object')

查看"cabin"这列的所有项 [有多种方法]

df["Cabin"].head()

df.Cabin.head()

0     NaN
1     C85
2     NaN
3    C123
4     NaN
Name: Cabin, dtype: object

删除多余的列的方式

del df1['a'] #永久删除
df1.head()

"""drop方法的用法：drop(labels, axis=0, level=None, inplace=False, errors='raise')
       --  axis为0时表示删除行，axis为1时表示删除列 默认为按行
       inplace 接收逻辑型boolean代表操作是否对原数据生效，默认为False
       labels代表删除行或列的标签"""
df1.drop('a',axis=1).head()

隐藏列： 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)

	Survived	Pclass	Sex	SibSp	Parch	Fare	Cabin	Embarked
0	0	3	male	1	0	7.2500	NaN	S
1	1	1	female	1	0	71.2833	C85	C
2	1	3	female	0	0	7.9250	NaN	S

【思考】对比任务五和任务六，是不是使用了不一样的方法(函数)，如果使用一样的函数如何完成上面的不同的要求呢？

【思考回答】

如果想要完全的删除你的数据结构，使用inplace=True，因为使用inplace就将原数据覆盖了，所以这里没有用

df.head()

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

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。

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

midage=df[(df["Age"]>10) & (df["Age"]<50)]
midage.head()

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 = midage.reset_index(drop=True) #重置索引
midage.head()

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

midage.loc[[100],['Pclass','Sex']]

	Pclass	Sex
100	2	male

【思考】这个reset_index()函数的作用是什么？如果不用这个函数，下面的任务会出现什么情况？

reset_index()是重置索引，因为前面对数据进行了筛选，所以索引不连续，而drop=True是表示把原来的索引index列去掉，默认 False。

1.5.4 任务四：将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

loc方法

midage.loc[[100,105,108],["Pclass","Name","Sex"]]

iloc方法

midage.iloc[[100,105,108],[2,3,4]]

	Pclass	Name	Sex
100	2	Byles, Rev. Thomas Roussel Davids	male
105	3	Cribb, Mr. John Hatfield	male
108	3	Calic, Mr. Jovo	male

基于标签: loc
基于位置: iloc

2 探索性数据分析

1.6 数据的排序、计算与描述

教材《Python for Data Analysis》第五章

1.6.1 任务一：利用Pandas对示例数据进行排序

# 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

1.根据列的值来排序

frame.sort_values(by='c', ascending=False)
# 大多数时候我们都是想根据列的值来排序

2.让行索引升序排序

frame.sort_index()

3.让列索引升序排序

frame.sort_index(axis=1)

4.让列索引降序排序

frame.sort_index(axis=1,ascending=False)

5.让任选两列数据同时降序排序

frame.sort_values(by=['a', 'c'])

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），从这个数据中你可以分析出什么？

df.sort_values(by=['票价', '年龄'], ascending=False).head(20)

	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
679	680	1	1	Cardeza, Mr. Thomas Drake Martinez	male	36.0	0	1	PC 17755	512.3292	B51 B53 B55	C
258	259	1	1	Ward, Miss. Anna	female	35.0	0	0	PC 17755	512.3292	NaN	C
737	738	1	1	Lesurer, Mr. Gustave J	male	35.0	0	0	PC 17755	512.3292	B101	C
438	439	0	1	Fortune, Mr. Mark	male	64.0	1	4	19950	263.0000	C23 C25 C27	S
341	342	1	1	Fortune, Miss. Alice Elizabeth	female	24.0	3	2	19950	263.0000	C23 C25 C27	S
88	89	1	1	Fortune, Miss. Mabel Helen	female	23.0	3	2	19950	263.0000	C23 C25 C27	S
27	28	0	1	Fortune, Mr. Charles Alexander	male	19.0	3	2	19950	263.0000	C23 C25 C27	S
742	743	1	1	Ryerson, Miss. Susan Parker "Suzette"	female	21.0	2	2	PC 17608	262.3750	B57 B59 B63 B66	C
311	312	1	1	Ryerson, Miss. Emily Borie	female	18.0	2	2	PC 17608	262.3750	B57 B59 B63 B66	C
299	300	1	1	Baxter, Mrs. James (Helene DeLaudeniere Chaput)	female	50.0	0	1	PC 17558	247.5208	B58 B60	C
118	119	0	1	Baxter, Mr. Quigg Edmond	male	24.0	0	1	PC 17558	247.5208	B58 B60	C
380	381	1	1	Bidois, Miss. Rosalie	female	42.0	0	0	PC 17757	227.5250	NaN	C
716	717	1	1	Endres, Miss. Caroline Louise	female	38.0	0	0	PC 17757	227.5250	C45	C
700	701	1	1	Astor, Mrs. John Jacob (Madeleine Talmadge Force)	female	18.0	1	0	PC 17757	227.5250	C62 C64	C
557	558	0	1	Robbins, Mr. Victor	male	NaN	0	0	PC 17757	227.5250	NaN	C
527	528	0	1	Farthing, Mr. John	male	NaN	0	0	PC 17483	221.7792	C95	S
377	378	0	1	Widener, Mr. Harry Elkins	male	27.0	0	2	113503	211.5000	C82	C
779	780	1	1	Robert, Mrs. Edward Scott (Elisabeth Walton Mc...	female	43.0	0	1	24160	211.3375	B3	S
730	731	1	1	Allen, Miss. Elisabeth Walton	female	29.0	0	0	24160	211.3375	B5	S
689	690	1	1	Madill, Miss. Georgette Alexandra	female	15.0	0	1	24160	211.3375	B5	S

【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。

多做几个数据的排序

df.sort_values(by=[ '年龄']).head(20)

	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
803	804	1	3	Thomas, Master. Assad Alexander	male	0.42	0	1	2625	8.5167	NaN	C
755	756	1	2	Hamalainen, Master. Viljo	male	0.67	1	1	250649	14.5000	NaN	S
644	645	1	3	Baclini, Miss. Eugenie	female	0.75	2	1	2666	19.2583	NaN	C
469	470	1	3	Baclini, Miss. Helene Barbara	female	0.75	2	1	2666	19.2583	NaN	C
78	79	1	2	Caldwell, Master. Alden Gates	male	0.83	0	2	248738	29.0000	NaN	S
831	832	1	2	Richards, Master. George Sibley	male	0.83	1	1	29106	18.7500	NaN	S
305	306	1	1	Allison, Master. Hudson Trevor	male	0.92	1	2	113781	151.5500	C22 C26	S
827	828	1	2	Mallet, Master. Andre	male	1.00	0	2	S.C./PARIS 2079	37.0042	NaN	C
381	382	1	3	Nakid, Miss. Maria ("Mary")	female	1.00	0	2	2653	15.7417	NaN	C
164	165	0	3	Panula, Master. Eino Viljami	male	1.00	4	1	3101295	39.6875	NaN	S
183	184	1	2	Becker, Master. Richard F	male	1.00	2	1	230136	39.0000	F4	S
386	387	0	3	Goodwin, Master. Sidney Leonard	male	1.00	5	2	CA 2144	46.9000	NaN	S
172	173	1	3	Johnson, Miss. Eleanor Ileen	female	1.00	1	1	347742	11.1333	NaN	S
788	789	1	3	Dean, Master. Bertram Vere	male	1.00	1	2	C.A. 2315	20.5750	NaN	S
642	643	0	3	Skoog, Miss. Margit Elizabeth	female	2.00	3	2	347088	27.9000	NaN	S
7	8	0	3	Palsson, Master. Gosta Leonard	male	2.00	3	1	349909	21.0750	NaN	S
530	531	1	2	Quick, Miss. Phyllis May	female	2.00	1	1	26360	26.0000	NaN	S
297	298	0	1	Allison, Miss. Helen Loraine	female	2.00	1	2	113781	151.5500	C22 C26	S
824	825	0	3	Panula, Master. Urho Abraham	male	2.00	4	1	3101295	39.6875	NaN	S
205	206	0	3	Strom, Miss. Telma Matilda	female	2.00	0	1	347054	10.4625	G6	S

年龄最小的20的乘客中存活的有13人。

df.sort_values(by=['性别']).head(20) # 非数值数据 但也能大致看出女性存活率较高

	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
383	384	1	1	Holverson, Mrs. Alexander Oskar (Mary Aline To...	female	35.0	1	0	113789	52.0000	NaN	S
218	219	1	1	Bazzani, Miss. Albina	female	32.0	0	0	11813	76.2917	D15	C
609	610	1	1	Shutes, Miss. Elizabeth W	female	40.0	0	0	PC 17582	153.4625	C125	S
216	217	1	3	Honkanen, Miss. Eliina	female	27.0	0	0	STON/O2. 3101283	7.9250	NaN	S
215	216	1	1	Newell, Miss. Madeleine	female	31.0	1	0	35273	113.2750	D36	C
608	609	1	2	Laroche, Mrs. Joseph (Juliette Marie Louise La...	female	22.0	1	2	SC/Paris 2123	41.5792	NaN	C
750	751	1	2	Wells, Miss. Joan	female	4.0	1	1	29103	23.0000	NaN	S
211	212	1	2	Cameron, Miss. Clear Annie	female	35.0	0	0	F.C.C. 13528	21.0000	NaN	S
747	748	1	2	Sinkkonen, Miss. Anna	female	30.0	0	0	250648	13.0000	NaN	S
402	403	0	3	Jussila, Miss. Mari Aina	female	21.0	1	0	4137	9.8250	NaN	S
208	209	1	3	Carr, Miss. Helen "Ellen"	female	16.0	0	0	367231	7.7500	NaN	Q
754	755	1	2	Herman, Mrs. Samuel (Jane Laver)	female	48.0	1	2	220845	65.0000	NaN	S
458	459	1	2	Toomey, Miss. Ellen	female	50.0	0	0	F.C.C. 13531	10.5000	NaN	S
205	206	0	3	Strom, Miss. Telma Matilda	female	2.0	0	1	347054	10.4625	G6	S
641	642	1	1	Sagesser, Mlle. Emma	female	24.0	0	0	PC 17477	69.3000	B35	C
345	346	1	2	Brown, Miss. Amelia "Mildred"	female	24.0	0	0	248733	13.0000	F33	S
346	347	1	2	Smith, Miss. Marion Elsie	female	40.0	0	0	31418	13.0000	NaN	S
457	458	1	1	Kenyon, Mrs. Frederick R (Marion)	female	NaN	1	0	17464	51.8625	D21	S
759	760	1	1	Rothes, the Countess. of (Lucy Noel Martha Dye...	female	33.0	0	0	110152	86.5000	B77	S
610	611	0	3	Andersson, Mrs. Anders Johan (Alfrida Konstant...	female	39.0	1	5	347082	31.2750	NaN	S

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

# 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

#自己构建两个都为数字的DataFrame数据

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'])
print(frame1_a)
print(frame1_b)

         a    b    c
one    0.0  1.0  2.0
two    3.0  4.0  5.0
three  6.0  7.0  8.0
          a     e     c
first   0.0   1.0   2.0
one     3.0   4.0   5.0
two     6.0   7.0   8.0
second  9.0  10.0  11.0

将frame_a和frame_b进行相加

frame1_a+frame1_b

	a	b	c	e
first	NaN	NaN	NaN	NaN
one	3.0	NaN	7.0	NaN
second	NaN	NaN	NaN	NaN
three	NaN	NaN	NaN	NaN
two	9.0	NaN	13.0	NaN

【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。

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。

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？

'''
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’）
'''
max(df.兄弟姐妹个数+df.父母子女个数)

10

1.6.6 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？

'''
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
'''
df.describe()

df['票价'].describe()

count    891.000000
mean      32.204208
std       49.693429
min        0.000000
25%        7.910400
50%       14.454200
75%       31.000000
max      512.329200
Name: 票价, dtype: float64

多做几个组数据的统计，看看你能分析出什么？

family = df.兄弟姐妹个数+df.父母子女个数
df.insert(6,'家庭人口数', family)
df.sort_values(by=["家庭人口数"],ascending = False).head(20)

	乘客ID	是否幸存	仓位等级	姓名	性别	年龄	家庭人口数	兄弟姐妹个数	父母子女个数	船票信息	票价	客舱	登船港口
180	181	0	3	Sage, Miss. Constance Gladys	female	NaN	10	8	2	CA. 2343	69.5500	NaN	S
846	847	0	3	Sage, Mr. Douglas Bullen	male	NaN	10	8	2	CA. 2343	69.5500	NaN	S
792	793	0	3	Sage, Miss. Stella Anna	female	NaN	10	8	2	CA. 2343	69.5500	NaN	S
201	202	0	3	Sage, Mr. Frederick	male	NaN	10	8	2	CA. 2343	69.5500	NaN	S
159	160	0	3	Sage, Master. Thomas Henry	male	NaN	10	8	2	CA. 2343	69.5500	NaN	S
863	864	0	3	Sage, Miss. Dorothy Edith "Dolly"	female	NaN	10	8	2	CA. 2343	69.5500	NaN	S
324	325	0	3	Sage, Mr. George John Jr	male	NaN	10	8	2	CA. 2343	69.5500	NaN	S
386	387	0	3	Goodwin, Master. Sidney Leonard	male	1.0	7	5	2	CA 2144	46.9000	NaN	S
59	60	0	3	Goodwin, Master. William Frederick	male	11.0	7	5	2	CA 2144	46.9000	NaN	S
678	679	0	3	Goodwin, Mrs. Frederick (Augusta Tyler)	female	43.0	7	1	6	CA 2144	46.9000	NaN	S
683	684	0	3	Goodwin, Mr. Charles Edward	male	14.0	7	5	2	CA 2144	46.9000	NaN	S
480	481	0	3	Goodwin, Master. Harold Victor	male	9.0	7	5	2	CA 2144	46.9000	NaN	S
71	72	0	3	Goodwin, Miss. Lillian Amy	female	16.0	7	5	2	CA 2144	46.9000	NaN	S
119	120	0	3	Andersson, Miss. Ellis Anna Maria	female	2.0	6	4	2	347082	31.2750	NaN	S
610	611	0	3	Andersson, Mrs. Anders Johan (Alfrida Konstant...	female	39.0	6	1	5	347082	31.2750	NaN	S
261	262	1	3	Asplund, Master. Edvin Rojj Felix	male	3.0	6	4	2	347077	31.3875	NaN	S
233	234	1	3	Asplund, Miss. Lillian Gertrud	female	5.0	6	4	2	347077	31.3875	NaN	S
813	814	0	3	Andersson, Miss. Ebba Iris Alfrida	female	6.0	6	4	2	347082	31.2750	NaN	S
68	69	1	3	Andersson, Miss. Erna Alexandra	female	17.0	6	4	2	3101281	7.9250	NaN	S
25	26	1	3	Asplund, Mrs. Carl Oscar (Selma Augusta Emilia...	female	38.0	6	1	5	347077	31.3875	NaN	S

票价越高，年龄越小存活率相对越高，家庭总人数越多，存活率相对较低。

【总结】本节中我们通过Pandas的一些内置函数对数据进行了初步统计查看，这个过程最重要的不是大家得掌握这些函数，而是看懂从这些函数出来的数据，构建自己的数据分析思维，这也是第一章最重要的点，希望大家学完第一章能对数据有个基本认识，了解自己在做什么，为什么这么做，后面的章节我们将开始对数据进行清洗，进一步分析。