1.数据加载
1.1载入数据
1.1.1导入numpy和pandas
import numpy as np
import pandas as pd
1.1.2 载入数据
(1) 使用相对路径载入数据
df = pd.read_csv('train.csv')
df.head(3)
(2) 使用绝对路径载入数据
df = pd.read_csv('/Users/chenandong/Documents/train.csv')
df.head(3)
1.1.3 每1000行为一个数据模块,逐块读取 chunker(数据块)
chunker = pd.read_csv('train.csv', chunksize=1000)
1.1.4 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]
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()
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()
1.2.2观察表格前10行的数据和后15行的数据
df.head(10)
df.tail(15)
1.2.4 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 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
# 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')
1.4 数据类型
1.4.1 pandas中有两个数据类型DataFrame和Series
- Series相当于数组numpy.array类似
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
example_1 = pd.Series(sdata)
example_1
- DataFrame相当于有表格,有行表头和列表头
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, 4.2]}
example_2 = pd.DataFrame(data)
example_2
1.4.2 载入"train.csv"文件
df = pd.read_csv('train.csv')
df.head(3)
1.4.3 查看DataFrame数据的每列的名称
df.columns
1.4.4查看"Cabin"这列的所有值 [有多种方法]
df['Cabin'].head(3)//方法一
df.Cabin.head(3)//方法二
1.4.5 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
# 删除多余的列,多余列的名字为a
del test_1['a']
test_1.head(3)
还有一种方法是通过列名称删除: 将[' ']中这几个列元素隐藏,只观察其他几个列元素
df = df.drop(['B', 'C'], axis=1) # drop不会就地修改,创建副本返回
df.drop(['B', 'C'], axis=1, inplace=True) # inplace=True会就地修改
使用列数删除,传入参数是int,列表,者切片:
df.drop(df.columns[0], axis=1, inplace=True) # 删除第1列
df.drop(df.columns[0:3], axis=1, inplace=True) # 删除前3列
df.drop(df.columns[[0, 2]], axis=1, inplace=True) # 删除第1第3列
1.5 筛选的逻辑
1.5.1 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)
1.5.2 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)
1.5.3 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)
midage.head(3)
midage.loc[[100],['Pclass','Sex']]
data_sort.reset_index(drop=True, inplace=True)这个什么意思?
这个函数是pandas中的一个方法,作用是重置函数, drop 参数是否丢弃原索引为一列,inplace是否在原函数变更。
1.5.4 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']]
1.5.5 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(2,3,4列正对应着"Pclass","Name"和"Sex")
midage.iloc[[100,105,108],[2,3,4]]
对比iloc
和loc
的异同:
loc:通过行标签索引数据
iloc:通过行号索引行数据,df.iloc[i]返回df的第i行。 i不引用索引标签,i是从0开始的索引
1.6 了解数据
1.6.1 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
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
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)
# 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)
【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()
d | a | b | c | |
---|---|---|---|---|
1 | 4 | 5 | 6 | 7 |
2 | 0 | 1 | 2 | 3 |
# 让列索引升序排序
frame.sort_index(axis=1)
a | b | c | d | |
---|---|---|---|---|
2 | 1 | 2 | 3 | 0 |
1 | 5 | 6 | 7 | 4 |
# 让列索引降序排序
frame.sort_index(axis=1, ascending=False)
d | c | b | a | |
---|---|---|---|---|
2 | 0 | 3 | 2 | 1 |
1 | 4 | 7 | 6 | 5 |
# 让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 |
1.6.2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).head(3)
1.6.3 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
a | b | c | |
---|---|---|---|
one | 0.0 | 1.0 | 2.0 |
two | 3.0 | 4.0 | 5.0 |
three | 6.0 | 7.0 | 8.0 |
frame1_b
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 |
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。
1.6.4 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(text['兄弟姐妹个数'] + text['父母子女个数'])
1.6.5 学会使用Pandas describe()函数查看数据基本统计信息
#(1) 关键知识点示例做一遍(简单数据)
# 具体请看《利用Python进行数据分析》第五章 汇总和计算描述统计 部分
#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
'''
1.6.6 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
'''
text['票价'].describe()