python公开课第四天

最新推荐文章于 2020-12-28 17:11:51 发布
最新推荐文章于 2020-12-28 17:11:51 发布
阅读量319 收藏
点赞数
分类专栏： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/guotianxiu1234/article/details/87966672
版权

导入工具包

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt​

import seaborn as sb

中文可视化

​

plt.rcParams[‘font.sans-serif’]=[‘Microsoft YaHei’] # 使图形能够正常显示中文

plt.rcParams[‘font.sans-serif’] = [u’SimHei’]

plt.rcParams[‘axes.unicode_minus’] = False

from matplotlib.font_manager import _rebuild

_rebuild()

中文可视化

​

plt.rcParams[‘font.sans-serif’]=[‘Microsoft YaHei’] # 使图形能够正常显示中文

plt.rcParams[‘font.sans-serif’] = [u’SimHei’]

plt.rcParams[‘axes.unicode_minus’] = False

from matplotlib.font_manager import _rebuild

_rebuild()

  1. 什么价位的房子多？

    1.1: 读取数据，看看是否有缺失
    1.2: 提取租金
    1.3: 进行可视化

1.1: 读取数据，看看是否有缺失 (地铁线的数据有缺失)

df = pd.read_csv(“ziroom.csv”)

df.head() #默认五行

数据集.isna().any()

df.isna().any()

house_name False
house_located False
house_room False
house_area False
house_price False
subway_info True
dtype: bool

1.2: 提取租金

x = df[“house_price”]

1.3: 进行可视化 (折线图，散点图)

数量的观测 （直方图）plt.hist(数据)

​

plt.hist(x)

​

plt.xlabel(“房租”)

plt.ylabel(“个数”)

plt.title(“房租的数量分布”)

​

plt.show()

2.什么大小的房子多？

2.1: 提取房屋面积
2.2: 进行统计
2.3: 进行可视化

2.1: 提取房屋面积 (查找)

x = df[“house_area”]

2.2: 进行统计 .describe()

df[“house_area”].describe()

count 899.000000
mean 11.462803
std 3.322627
min 5.360000
25% 9.200000
50% 11.100000
75% 13.300000
max 30.900000
Name: house_area, dtype: float64

2.3: 进行可视化 (直方图)

​

plt.hist(x, edgecolor = “black”)

​

plt.xlabel(“房子面积大小”)

plt.ylabel(“个数”)

plt.title(“房子面积大小的数量分布”)

​

plt.show()

  1. 哪条地铁线附近的房子多？

    3.1: 提取所有的地铁数据
    3.2: 提取地铁的名字（去除缺失,去重）
    3.3: 进行可视化

3.1: 提取所有的地铁数据 value_counts()

y = df[‘subway_info’].value_counts()

y

5号线 188
4号线 152
1号线 139
3号线 87
2号线 82
7号线 64
11号线 43
9号线 35
Name: subway_info, dtype: int64

3.2: 提取地铁的名字（去除缺失,去重）

x = df[‘subway_info’].dropna()

x = x.unique()

x

array([‘3号线’, ‘5号线’, ‘7号线’, ‘4号线’, ‘1号线’, ‘9号线’, ‘11号线’, ‘2号线’],
dtype=object)

3.3: 进行可视化 (另一种直方图 bar) plt.bar(x数据 , y数据)

plt.bar(x, y)

​

plt.xlabel(“地铁线”)

plt.ylabel(“个数”)

plt.title(“地鐵線房子的数量分布”)

​

plt.show()

​

  1. 哪个小区的房源最多？

    4.1: 提取所在小区的数据
    4.2: 提取索引
    4.3: 进行可视化

4.1: 提取所在小区的数据

y = df[“house_located”].value_counts()

y

龙岗区 224
南山区 183
龙华区 154
福田区 141
宝安区 106
罗湖区 91
Name: house_located, dtype: int64

4.2: 提取索引

x = df[“house_located”].value_counts().index

x

Index([‘龙岗区’, ‘南山区’, ‘龙华区’, ‘福田区’, ‘宝安区’, ‘罗湖区’], dtype=‘object’)

4.3: 进行可视化

plt.bar(x, y)

plt.show()

​

  1. 面积跟房租的关系？

    5.1: 提取房租与面积
    5.2: 进行可视化
    5.3: 判断相关性

5.1: 提取房租与面积 『相关性只能计算数字』

df.head()

house_name 	house_located 	house_room 	house_area 	house_price 	subway_info

0 龙园山庄4居室-南卧 罗湖区 4室1厅 15.5 1660 3号线
1 塘朗城广场东区5居室-北卧 南山区 5室1厅 24.0 2230 5号线
2 龙园山庄4居室-南卧 罗湖区 4室1厅 15.0 1830 3号线
3 塘朗城广场东区5居室-南卧 南山区 5室1厅 6.3 1860 5号线
4 桃源村一期4居室-南卧 南山区 4室1厅 7.8 1930 7号线

5.2: 进行可视化

数据集.corrwith(租金数据).plot.bar()

​

df.corrwith(df.house_price).plot.bar(grid = True)

<matplotlib.axes._subplots.AxesSubplot at 0x11e6bccc0>

5.3: 判断相关性

得知相关性 在 0.4 = 相关系数

  1. 位置跟房租的关系？

    6.1: 提取房租与位置
    6.2: 进行可视化
    6.3: 查看统计数据分布

6.1: 提取房租与位置

df.loc[:, [“列名1, 列名2”] ] 提取两笔数据的方式

df_loacted_price = df.loc[:, [“house_located”, “house_price”]]

​

横向Series

df_loacted_price.groupby(“群主”)[“要对谁进行操作”].apply(要转换得格式).unstack() # 重新排序

​

df_loacted_price = df_loacted_price.groupby(“house_located”)[“house_price”].apply(pd.Series.reset_index, drop = True).unstack()

df_loacted_price

0 	1 	2 	3 	4 	5 	6 	7 	8 	9 	... 	214 	215 	216 	217 	218 	219 	220 	221 	222 	223

house_located
南山区 2230.0 1860.0 1930.0 1830.0 2260.0 1460.0 1660.0 2190.0 2090.0 2290.0 … NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
宝安区 2130.0 1790.0 2030.0 1690.0 1790.0 1690.0 1790.0 1790.0 2130.0 2430.0 … NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
福田区 2360.0 2230.0 2990.0 2260.0 2690.0 2360.0 2030.0 2090.0 3490.0 3990.0 … NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
罗湖区 1660.0 1830.0 2260.0 1990.0 1660.0 1830.0 1890.0 1890.0 2230.0 2190.0 … NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
龙华区 1990.0 1890.0 1690.0 1860.0 1830.0 2390.0 1630.0 1990.0 1890.0 1860.0 … NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
龙岗区 1790.0 1790.0 1890.0 1890.0 1890.0 1890.0 1790.0 1890.0 1890.0 1890.0 … 1790.0 2190.0 1390.0 1390.0 1490.0 1560.0 1690.0 1690.0 1790.0 1130.0

6 rows × 224 columns

6.2: 进行可视化

​

for x in df_loacted_price.values:

xs = [~np.isnan(x)]

推导式

xs = [ x[~np.isnan(x)] for x in df_loacted_price.values]

plt.boxplot(xs)

plt.show()

​

​

​

​

​

6.3: 查看统计数据分布

  1. 综合多个角度来看房

    7.1: 多个维度数据 面积，租金，区域，地铁线
    7.2: 进行可视化

7.1: 多个维度数据 面积，租金，区域，地铁线

7.2: 进行可视化

​

sb.FacetGrid(df, col = ‘地区’, hue = “地铁”, col_wrap= 一排几张图).map(plt.scatter, “面积”, “租金”).add_legend() #側邊欄

sb.FacetGrid(df, col = ‘house_located’, hue = “subway_info”, col_wrap= 3).map(plt.scatter, “house_area”, “house_price”).add_legend()

​

guotianxiu1234
关注
专栏目录
pandas使用isna函数和any函数计算返回dataframe中包含缺失值的数据行（rows with missing values in dataframe）
data+scenario+science+insight
01-29 491
pandas使用isna函数和any函数计算返回dataframe中包含缺失值的数据行（rows with missing values in dataframe）
数据清洗常用函数说明
Hour__的博客
07-15 769
文章目录一、缺失值观察与处理1. 缺失值观察2. 缺失值处理（1）删除（2）填充二、重复值观察与处理1. 重复值的观察2. 重复值的处理--删除三、特征观察与处理1. 特征观察2. 特征处理（1）数值型：“分箱”（2）文本型 一、缺失值观察与处理 #加载所需的库 import numpy as np import pandas as pd #加载数据train.csv df = pd.read_csv('train.csv') 1. 缺失值观察 df.info() #按列读取数据的详细信息，包括列名
python公开课第三天
guotianxiu1234的博客
02-27 449
找出诺贝尔得奖者最多的国家 1.1: 读取数据并进行观察 1.2: 统计得奖国家的个数 1.3: 探索得奖最多的国家崛起的时间 1.1: 读取数据并进行观察 import pandas as pd import numpy as np ​ read_csv(路径名/文件名) nobel = pd.read_csv(‘nobel.csv’) 观察头几行 数据集.head() nobel.head()...
pandas：缺失值处理
weixin_43887421的博客
12-28 5537
pandas：缺失值处理前言一、isnull()二、notnull()三、dropna()四、fillna()总结 前言 当我们在处理数据时，总会遇到数值缺失的问题，pandas在处理缺失值的方面提供了很全面的方法，主要包括：isnull()——找出缺失值；notnull()——找出非缺失值；dropna()——剔除缺失值；fillna()——填充缺失值。具体使用方法请往下看。 提示：以下是本篇文章正文内容，下面案例可供参考 一、isnull() isnull()用来找出缺失值的位置，返回一个布尔类型的
Pandas 快速入门（二）
aifeier1982的博客
02-05 140
本文的例子需要一些特殊设置，具体可以参考 Pandas快速入门（一） 数据清理和转换 我们在进行数据处理时，拿到的数据可能不符合我们的要求。有很多种情况，包括部分数据缺失，一些数据的格式不正确，一些数据的标注问题等等。对于这些数据，我们在开始分析之前必须进行必要的整理、清理。 清理和转换的过程中用到最对的包括判断是否存在空值(obj.isnull)，删除空值(dropna)、填充空值(f...
python 公开课_Python入门公开课
weixin_39526185的博客
11-20 213
原标题：Python入门公开课你们等待许久的公开课来了9月6日晚19:30——21：00Python达人董付国老师直播开讲这门90后的语言，26岁时终于加冕▼Python并不是一门新的语言，它1991年推出第一个公开发行版本，比Java早4年。2011年1月被TIOBE网站评为2010年度语言；2017年7月份IEEE Spectrum编程语言排行榜中Python直接上升到了第1位。人生苦短，我用...
python 公开课_python公开课视频（11~20）
weixin_39595621的博客
11-23 51
Python基础教程视频教程 各集内容简介通俗易懂，语言简练，保证入门。11. Python基础教程视频教程 第 11 集 Python的分支语句if基础本集主要讲述Python条件分支语句if的基本使用和语法结构，if嵌套和多分支if语句程序设计等问题。12. Python基础教程视频教程 第 12 集 Python的分支语句的表达式构造本集视频主要讲述Python分支判断语句if语句条件表...
8上python测试题公开课.docx
12-16
本资源摘要信息对应的文件信息为“8上python测试题公开课.docx”，该文件涵盖了Python基础知识点的测试题，包括变量、数据类型、表达式、函数、流程控制、列表、字符串等方面。 一、变量和数据类型 1. Python中...
Python语言基础一练习公开课.docx
最新发布
12-16
在Python编程语言的基础学习中，理解变量命名规则、表达式语法以及运算符的优先级是至关重要的。...掌握这些基础知识是学习Python编程的第一步，对于后续的函数、控制流、数据结构等内容的学习至关重要。
公开课第十四节：python编程核心思想.mp4
08-29
公开课第十四节：python编程核心思想.mp4 公开课第十五节：python核心编程思想2.mp4 公开课第十六节：Python 编程六剑客&编程面试题实战.mp4 公开课第十七节：python 文件操作和目录操作精要分享.mp4 公开课第十八节...
公开课第十六节：Python 编程六剑客&编程面试题实战.mp4
08-29
公开课第十四节：python编程核心思想.mp4 公开课第十五节：python核心编程思想2.mp4 公开课第十六节：Python 编程六剑客&编程面试题实战.mp4 公开课第十七节：python 文件操作和目录操作精要分享.mp4 公开课第十八节...
公开课第十八节：python 目录操作探秘.mp4
08-29
公开课第十四节：python编程核心思想.mp4 公开课第十五节：python核心编程思想2.mp4 公开课第十六节：Python 编程六剑客&编程面试题实战.mp4 公开课第十七节：python 文件操作和目录操作精要分享.mp4 公开课第十八节...
Python的工具包[2] -> matplotlib图像绘制 -> matplotlib 库及使用总结
weixin_30394251的博客
01-11 271
matplotlib图像绘制 / matplotlib image description 目录 关于matplotlib matplotlib库 补充内容 Figure和AxesSubplot的生成方式 子图的两种生成方式 折线图的绘制 柱状图的绘制 箱图的绘制 散点图的绘制 直方图的绘制 细节设置 1 关于matplotlib / About m...
python基础完成斗地主案例（初始化牌，洗牌，发牌）
guotianxiu1234的博客
03-28 1978
斗地主案例分析： 扑克牌作为对象呈现 创建未发牌的牌堆列表 创建三个玩家牌堆列表 创建底牌的元组 最原始牌堆的初始化，将54张牌加入到牌堆 创建洗牌的操作 创建发牌的操作 class Poke: play1=[] play2=[] play3=[] poke=[] def __init__(self,flowr ,num): self.flowr=flowr#花色 红桃，黑桃，...
python复制文件的代码
guotianxiu1234的博客
04-08 1946
import sys file1_name="I:/1.txt" # 路径加上文件名 / 或者 \\ index=file1_name.find(".") # print(file1_name[index:]) # print(file1_name[0:index]) addd=" - 副本" file1=open(file1_name,"rb") file2=open(file1_na...
python系统学习第十一天 断言
guotianxiu1234的博客
04-30 726
断言的多样性 self.assertEqual(expected,result)#判断跟期望值是否相等，参数1 为期望值，参数2 为实际值 self.assertTrue() # 断言空跟零为false 非空不为零为True self.assertIn(result，[0,1,2,3])#判断字符是否在列表中 self.assertIsNone()#判断是否为空值 多个断言------多重判...
python随机生成手机号和密码
guotianxiu1234的博客
05-24 667
python代码随机生成手机号 import random def createPhone(): for k in range(10): prelist=["130", "131", "132", "133", "134", "135", "136", "137", "138", "139", "147", "150", "151", "1...
python公开课第二天
guotianxiu1234的博客
02-27 572
1 数据可视化 画出散点图，还有折线图 导入我们的工具包 拿到我们的数据 把图画岀来 导入我们的工具包 import matplotlib.pyplot as plt 拿到我们的数据 year = [ 3,5,7,9] pay = [25, 36 , 52, 69] 把图画岀来 （折线图） plt.plot(X轴的数据, Y轴的数据) ​plt.plot(year, pay) ​plt.show(...
python字符串的操作
guotianxiu1234的博客
04-02 499
使用字符串切片练习： 现在有字符串：msg = “0123456789” 1. 截取从 2 ~ 5 位置 的字符串 2. 截取从 2 ~ 末尾 的字符串 3. 截取从 开始 ~ 5 位置 的字符串 4. 截取完整的字符串 5. 从开始位置，每隔一个字符截取字符串 6. 从索引 1 开始，每隔一个取一个 7. 截取从 2 ~ 末尾 的字符串 8. 截取字符串末尾两个字符 9. 字...
南京大学Python公开课：探索高级编程语言
南京大学的Python公开课提供了一套详细的PPT资料，旨在教授初学者和进阶者Python语言的基础知识和实际应用。这个课程涵盖了Python的历史、特点、发展以及其在不同领域的广泛应用。 首先，课程从Python的概述开始，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值