Python数据分析详解

Python数据分析详解

数据分析概述

python在数据分析方面有哪些优势

1. Python不受数据规模的约束，能够处理大规模数据。
2. Python的sklearn库提供了丰富的数据挖掘和人工智能方法，为使用者分析各种场景提供方法支持。
3. Python的自动数据分析能够显著提升工作效率。
4. Python能够绘制各种前沿的数据图表。
5. Python在海量数据采集方面也有独特的优势。

数据分析的流程是什么？

1. 数据采集
2. 数据整理和存储
3. 数据分析和可视化
4. 数据报表和总结

数据的导入和导出

导入数据

Excel格式

#excel有xls，xlsx两种格式，都可以使用read_excel
#read_excel方法返回的结果是DataFrame，DataFrame的一列对应着Excel的一列。
import pandas as pd
data = pd.read_excel(path)

"""
参数含义：
（1）sheet_name参数：该参数用于指定导入Excel文件中的哪一个sheet，如果不填写这个参数，则默认导入第一个sheet。
（2） index_col参数：该参数用于指定表格的哪一列作为DataFrame的行索引，从0开始计数。
（3）nrows参数：该参数可以控制导入的行数，该参数在导入文件体积较大时比较有用。
（4）skipfooter参数：该参数可以在导入数据时，跳过表格底部的若干行。
（5）header参数：当使用Pandas的read_excel方法导入Excel文件时，默认表格的第一行为字段名。如果表格的第一段不是字段名，则需要使用该参数设置字段名。
（6）usecols参数：该参数可以控制导入Excel表格中的哪些列。
（7）names参数：该参数可以对导入数据的列名进行重命名。 
"""

csv格式

#CSV是一种用分隔符分割的文件格式。由于Excel文件在存放巨量数据时会占用极大空间，且导入时也存在占用极大内存的缺点，因此，巨量数据常采用CSV格式。
import pandas as pd
data = pd.read_csv(path,encoding="utf-8")
#sep参数表示要导入的csv文件的分隔符，默认值是半角逗号
data = pd.read_csv(path,sep=',',encoding="utf-8")

json格式

#用Pandas模块的read_json方法导入JSON数据，其中的参数为JSON文件的路径。 
import pandas as pd
data  = pd.read_json(path)

txt格式

#需要导入存在于txt文件中的数据时，可以使用pandas模块中的read_table方法。它的参数和用法与read_csv方法类似。
import pandas as pd
data = pd.read_table(path)

导出数据

CSV格式数据输出

import pandas as pd

data = pd.read_csv(path,sep=",",encoding="utf-8",nrows=10)
data.to_csv("test.csv",nrows=10)
"""
1、CSV格式数据输出
对于pandas库的to_csv方法，有下列参数说明：
path_or_buf：要保存的路径及文件名。
sep：分割符，默认为“，”。
columns：指定要输出的列，用列名，列表表示，默认值为None。
header：是否输出列名，默认值为True。
index：是否输出索引，默认值为True。
encoding：编码方式，默认值为“utf-8”。

"""

xlsx格式数据输出

import pandas as pd
data = pd.read_excel(path)

data.to_excel(path,encoding='gbk')
"""
sheet_name：字符串，默认值为“Sheet1”,指包含DataFrame数据的表的名称。
np_rep：字符串，默认值为 ‘ ’。指缺失数据的表示方式
columes：序列，可选参数，要编辑的列
header：布尔型或字符串列表，默认值为True。如果给定字符串列表，则表示它是列名称的别名。
index：布尔型，默认值为True，行名（索引）
index_label：字符串或序列，默认值为None。如果文件数据使用多索引，则需使用序列。
encoding：指定Excel文件的编码方式，默认值为None。
"""

data2 = pd.read_excel(path)
work = pd.ExcelWriter('path')
data.to_excel(work,sheet_name='data')
data2.to_excel(work,sheet_name="data2")

数据预处理

熟悉数据

import pandas as pd
data = pd.read_csv(path)

#使用info()方法查看数据基本类型
data.info()

#查看数据表的大小
d = data.shape[0]
w = data.shape[1]

#数据格式的查看
type(data)

#series的查看
data.dtype
#dataframe的查看
data.dtypes

#查看具体的数据分布在进行数据分析时，常常需要对对数据的分布进行初步分析，包括统计数据中各元素的个数，均值、方差、最小值、最大值和分位数

data.describe()

缺失值处理

import pandas as pd

data = pd.read_csv(path)

#缺失值检查
#isnull()方法。isnull()函数返回值为布尔值，如果数据存在缺失值，返回True；否则，返回False。
data.isnull()

#缺失值删除
#dropna()方法用于删除含有缺失值的行。
data.dropna()

#当某行或某列值都为NaN时，才删除整行或整列。这种情况该如何处理？
data.dropna(how='all',axis=0)#当整行都是None时，删除整行
#当某行有一个数据为NaN时，就删除整行和当某列有一个数据为NaN时，
data.dropna(how='any',axis=0)
data.dropna(how='any',axis=1)

#缺失值替换/填充
#在data数据中，利用各列值的均值填补缺失数据，该如何用Python实现？
data.fillna(data.mean())
#使用近邻填补法，即利用缺失值最近邻居的值来填补数据，对df数据中的缺失值进行填补，这种情况该如何实现？
data.fillna(method='bfill')#在本案例中，可以将fillna()方法的method参数设置为bfill，来使用缺失值后面的数据进行填充。
#若使用缺失值前面的值进行填充来填补数据，这种情况又该如何实现？
data.fillna(method='ffill')

#请利用二次多项式插值法对df数据中A列的缺失值进行填充。
data['A'].fillna(method='polynomial',order=2)

#请使用Python完成对df数据中A列的三次样条插值填充。
data['A'].fillna(method='spline',order=3)

重复值处理

"""
利用duplicated()方法检测冗余的行或列，默认是判断全部列中的值是否全部重复，并返回布尔类型的结果。对于完全没有重复的行，返回值为False。对于有重复值的行，第一次出现重复的那一行返回False，其余的返回True。
"""
import pandas as pd
data = pd.read_csv(path)

data.duplicated()

#drop_duplicates()方法。,利用duplicates()方法去除冗余数据，即删除冗余的所有行，默认是判断全部列
data.drop_duplicates()

检测异常值

#query方法和boxplot方法。首先使用pandas库中的query方法查询数据中是否有异常值。然后通过boxplot方法检测异常值。
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(path)
#假设B列大于1000
data.query('B<1000')
#画图
plt.boxplot(df['B'])

"""
处理异常值的方法
（1）最常用的方式是删除。
（2）将异常值当缺失值处理，以某个值填充。
（3）将异常值当特殊情况进行分析，研究异常值出现的原因。

"""

数据类型检查

#利用numpy库的arange函数创建一维整数数组，并查看数据类型。
import numpy as np
arr = np.arange(0,10)
arr.dtype

#利用numpy库的arange函数创建一维浮点数数组arr1，然后将arr1数组的数据类型转换为整型。
arr1 = np.arange(1,5,0.5)
arr1.astype(np.int)

索引设置

"""
pandas中索引的作用
（1）更方便地查询数据。
（2）使用索引可以提升查询性能。
"""
#1、添加索引
import pandas as pd
import numpy as np

data = pd.Series([i for i in range(1,6)],['a','b','c','d','e'])

#某公司销售数据集“work.csv”内容如下，请设定日期为索引，并用Python实现。
#set_index()函数，可以指定某一字段为索引
data = pd.read_csv("work.csv")
data1 = data.set_index('date')
#更改索引在该案例中，除了可以用set_index方法重置索引外，还可以在导入csv文件的过程中，设置index_col参数重置索引，代码及结果如下：
data2 = pd.read_csv("work.csv",sep=",",encoding="gbk",index_col="日期")

#重建索引
data3 = data.reindex([....])

#重建行和列
data4 = data.reindex(index=new_index,columns=new_columns)

其他

#大小写转换
lower()#大变小
upper()#小变大

#按列增加数据
import pandas as pd
import numpy as np
data = pd.read_csv(path)
data.insert(num,'name',value)#num是第几列，name是列名，value是值
data.loc[:,'name'] = value

#按行增加数据
data.append(new_data)
data.loc['index'] = value
data.iloc[num,:] = value#num是第几行


#数据删除
"""
关键技术：该案例中，使用DataFrame的drop()方法，删除数据中某一列。drop()方法的参数说明如下：
labels：表示行标签或列标签。
axis：axis=0，表示按行删除，axis=1，表示按列删除。默认值为0。
index：删除行，默认为None。
columns：删除列，默认为None。
inplace：可选参数，对原数组作出修改并返回一个新数组。默认是False，如果为True，那么原数组直接被替换。

"""

数据的选择和运算

数据的索引和切片

a[m:n:p],m开始，n结束，p步长
a[:,0]#第一列

#布尔索引
import numpy as np
arr = np.arange(3)
bool1 = np.array(True,False,True)
arr[bool1]#arr([0,1])

#花式索引
arr[arr>value]
arr[arr<=value]=0

#series可以用索引数值来选取

#切片
#[下界 ：上界 ：步长]

#loc中横向索引是确定的
#loc中可以加条件条件使用法语法为df.loc[进行筛选的条件]，如果条件为真，则选出符合条件的结果。复合条件包括： &（且 = 与）, |（或）, ~（取反 = 非），通过筛选函数进行筛选，常见的函数式有 isin(), where() 等。

#iloc 的使用与 loc 完全类似，只不过是针对“位置（ = 第几个 ）”进行筛选。函数语法为：.iloc[整数、整数列表、整数切片、布尔列表以及函数]

#①函数 = 自定义函数 （函数的返回值需要是合法对象 （= 整数、整数列表、整数切片、布尔列表））
#②匿名函数 lambda ：使用方法
#语法：lambda 自变量: slice(start = 下界, stop = 上界, step = 步长)。
    

多表合并

import pandas as pd
import numpy as np
pd.merage(data1,data2,on=index)#index可以是一个键，也可以是一个列表
#参数how,left用data1的键，right用data2的，outer使用并集，inner使用交集

#使用join()方法合并数据集
#DataFrame.join(other, on=None, how='left', lsuffix='', rsuffix='', sort=False)
                                   
#使用concat()方法合并数据集
pd.concat(objs,axis=0,join='outer',join_axes=None,ignore_index=False)


#可以利用count()方法进行计算非空个数，并利用参数axis来控制行列的计算
#quantile()
data.quantile(0.35)#淘汰35%的人
data.sort_values()#sort_values()方法可以根据指定行/列进行排序。
#参数
#by：要排序的名称列表
#axis：轴，0代表行，1代表列，默认是0

#按照数据进行排序,首先按照C列进行降序排序，在C列相同的情况下，按照B列进行升序排序。
data.sort_values(by=['c','b'],ascending=[False,True])

数据分类汇总和统计

"""
Groupby分类统计 
        Hadley Wickham创造了一个用于表示分组运算的术语“split-apply-combine”（拆分－应用－合并）。第一个阶段，pandas对象中的数据会根据你所提供的一个或多个键被拆分（split）为多组。拆分操作是在对象的特定轴上执行的。例如，DataFrame可以在其行（axis=0）或列（axis=1）上进行分组。然后，将一个函数应用（apply）到各个分组并产生一个新值。最后，所有这些函数的执行结果会被合并（combine）到最终的结果对象中。结果对象的形式一般取决于数据上所执行的操作。下图大致说明了一个简单的分组聚合过程。

按列分组
按列分组分为以下三种模式：
第一种：df.groupby(col)，返回一个按列进行分组的groupby对象；
第二种：df.groupby([col1,col2])，返回一个按多列进行分组的groupby对象；
第三种：df.groupby(col1)[col2] 或者 df[col2].groupby(col1)，两者含义相同，返回按列col1进行分组后，col2的值；

"""

时间序列

Datetime 模块
Python标准库中包含了datetime模块，该模块提供了非常强大的功能来处理日期和时间。
datatime模块是在time模块的基础上做了封装，提供了更多更好用的类，常用的类有date、time、datetime、timedelta、tzinfo。

"""
请利用Python获取当前日期。
关键技术：可以利用datetime模块date类的today()方法将当前日期保存在变量中。
通过使用date.today()，可以创建一个date类对象，其中包含了日期元素，如年、月、日，但不包含时间元素，比如时、分、秒。最后，可以使用year、month和day来捕获具体的日期元素
"""
import datetime
date = datetime.date.today()
print(date)
print(date.year)
print(date.month)
print(date.day)

"""
利用Python获取当前日期和时间。
关键技术：可以利用datetime模块datetime类的today()方法将当前日期和时间保存在变量中。
"""
import datetime
date = datetime.datetime.today()
print(date)
print(date.year)
print(date.month)
print(date.day)

"""
请利用Python获取当前时间。
关键技术：可以利用datetime模块datetime类的now()方法将当前日期和时间保存在变量中
date = datetime.datetime.now()
date
"""

"""
时间戳与time模块
时间戳是以格林威治时间1970年01月01日00时00分00秒为基准计算所经过时间的秒数，是一个浮点数。Python的内置模块time和datetime都可以对时间格式数据进行转换，如时间戳和时间字符串的相互转换。
"""
import time
time.mktime(time.localtime())

"""
请利用Python将时间戳数据转换成系统时间。
关键技术：可以利用time模块的strftime()函数可以将时间戳转换成系统时间。
"""
import pandas as pd
import time
time = time.strftime(("%Y-%m-%d %H:%M:%S"),time.localtime(time.mktime(time.localtime())))

"""
请利用Python将字符串'2022-01-15'转换成时间类型的数据格式。
关键技术：在可以用strptime函数将日期字符串转换为datetime数据类型，可以用Pandas的to_datetime()函数将日期字符串转换为datetime数据类型。to_datetime()函数转化后的时间是精准到时分秒精度的。

"""
import datetime
datestr = "2022-01-15"
datetime.datetime.strptime(datestr,"%Y-%m-%d")

#字符串和时间转换

import pnadas as pd
datestrs = "2022/01/15"
pd.to_datetime(datestrs)

"""
给定两个时间类型的数据，计算两个时间的不同之处。
关键技术：利用datetime将时间类型数据进行转换，然后利用减法运算计算时间的不同之处，默认输出结果转换为用（“天”，“秒”）表达。
"""

import datetime
delta = datetime.datetime(2022,1,16) - datetime.datetime(2022,1,11,1,12)

"""
如果要将输出结果转换以“天”为单位，此时应该如何处理？
关键技术：针对上例中的delta变量，利用delta.days可以将输出结果转换以“天”为单位。

"""
delta.days
"""
【例】如果要将输出结果转换以“秒”为单位，此时应该如何处理？
关键技术：针对上例中的delta变量，利用delta.seconds可以将输出结果转换以“秒”为单位
"""
delta.seconds

数据可视化

例1 绘制带有中文标题、标签和图例的正弦和余弦图像。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm

t = np.arange(0.0,2.0*np.pi,0.01)

s = np.sin(t)
c = np.cos(t)

plt.plot(t,s,label='正弦',color='red')
plt.plot(t,c,label='余弦',color='blue')

plt.xlabel("x-变量")
plt.ylabel("y")
plt.xlabel('x-变量',                    #标签文本
           fontproperties='STKAITI',   #字体
           fontsize=18)                #字号
plt.ylabel('y-正弦余弦函数值', fontproperties='simhei', fontsize=18)
plt.title('sin-cos函数图像',            #标题文本
          fontproperties='STLITI',    #字体
          fontsize=24)                 #字号

例2 绘制余弦曲线散点图。

import numpy as np
from matplotlib import *

t = np.arange(0.0,np.pi*2,0.01)
c = np.cos(t)

plt.scatter(t,c)