python数据分析之Pandas-3

视频：课程5_哔哩哔哩_bilibili

目录

python数据分析之Pandas-3

3.1 数据重塑和轴向旋转

(1)层次化索引

Series的层次化索引：

Dataframe的层次化索引：

每一个索引都是一个元组

取消层次化索引

(2)数据旋转

dataframe也可以使用stack和unstack，转化为层次化索引的Series

3.2 数据分组，分组运算

GroupBy技术：实现数据的分组，和分组运算，作用类似于数据透视表

按照电影的产地进行分组

先定义一个分组变量group

可以计算分组后各个的统计量

计算每年的平均评分

只会对数值变量进行分组运算

我们也可以传入多个分组变量

获得每个地区，每一年的电影的评分的均值

Series通过unstack方法转化为dataframe

会产生缺失值

3.3 离散化处理

冷门高分电影

将处理后的数据进行保存

3.4 合并数据集

（ 1 ）append

（ 2 ）merge

我们选取6部热门电影

（ 3 ）concat

---

python数据分析之Pandas-3

导入包

In [ ]:

import pandas as pd
import numpy as np

读入数据

In [ ]:

df = pd.read_excel(r'movie_data2.xlsx', index_col = 0)

In [ ]:

df[:5]

Out[ ]:

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

3.1 数据重塑和轴向旋转

(1)层次化索引

层次化索引是pandas的一项重要功能，它能使我们在一个轴上拥有多个索引。

Series的层次化索引：

In [ ]:

s = pd.Series(np.arange(1,10), index = [['a','a','a','b','b','c','c','d','d'], [1,2,3,1,2,3,1,2,3]])
s #类似于合并单元格

Out[ ]:

a  1    1
   2    2
   3    3
b  1    4
   2    5
c  3    6
   1    7
d  2    8
   3    9
dtype: int32

In [ ]:

s.index

Out[ ]:

MultiIndex([('a', 1),
            ('a', 2),
            ('a', 3),
            ('b', 1),
            ('b', 2),
            ('c', 3),
            ('c', 1),
            ('d', 2),
            ('d', 3)],
           )

In [ ]:

s['a'] #外层索引

Out[ ]:

1    1
2    2
3    3
dtype: int32

In [ ]:

s['a':'c'] #切片

Out[ ]:

a  1    1
   2    2
   3    3
b  1    4
   2    5
c  3    6
   1    7
dtype: int32

In [ ]:

s[:,1] #内层索引

Out[ ]:

a    1
b    4
c    7
dtype: int32

In [ ]:

s['c',3] #提取具体的值

Out[ ]:

6

通过unstack方法可以将Series变成一个DataFrame 

In [ ]:

s.unstack()

Out[ ]:

	1	2	3
a	1.0	2.0	3.0
b	4.0	5.0	NaN
c	7.0	NaN	6.0
d	NaN	8.0	9.0

In [ ]:

s.unstack().stack() #形式上的相互转换

Out[ ]:

a  1    1.0
   2    2.0
   3    3.0
b  1    4.0
   2    5.0
c  1    7.0
   3    6.0
d  2    8.0
   3    9.0
dtype: float64

Dataframe的层次化索引：

对于DataFrame来说，行和列都能进行层次化索引。

In [ ]:

data = pd.DataFrame(np.arange(12).reshape(4,3), index = [['a','a','b','b'],[1,2,1,2]], columns = [['A','A','B'],['Z','X','C']])
data

Out[ ]:

		A		B
		Z	X	C
a	1	0	1	2
	2	3	4	5
b	1	6	7	8
	2	9	10	11

In [ ]:

data['A']

Out[ ]:

		Z	X
a	1	0	1
	2	3	4
b	1	6	7
	2	9	10

In [ ]:

data.index.names = ["row1","row2"]
data.columns.names = ["col1", "col2"]
data

Out[ ]:

	col1	A		B
	col2	Z	X	C
row1	row2
a	1	0	1	2
	2	3	4	5
b	1	6	7	8
	2	9	10	11

In [ ]:

data.swaplevel("row1","row2") #位置调整

Out[ ]:

	col1	A		B
	col2	Z	X	C
row2	row1
1	a	0	1	2
2	a	3	4	5
1	b	6	7	8
2	b	9	10	11

了解了层次化索引的基本知识之后，我们试着将电影数据也处理成一种多层索引的结构。

In [ ]:

df.index #默认索引

Out[ ]:

Int64Index([    0,     1,     2,     3,     4,     5,     6,     7,     8,
                9,
            ...
            38153, 38154, 38155, 38156, 38157, 38158, 38159, 38160, 38161,
            38162],
           dtype='int64', length=38163)

把产地和年代同时设成索引，产地是外层索引，年代为内层索引。

set_index可以把列变成索引

reset_index是把索引变成列

In [ ]:

df = df.set_index(["产地", "年代"])
df

Out[ ]:

		名字	投票人数	类型	上映时间	时长	评分	首映地点
产地	年代
美国	1994	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.600000	多伦多电影节
	1957	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.500000	美国
意大利	1997	美丽人生	327855	剧情/喜剧/爱情	1997-12-20 00:00:00	116	9.500000	意大利
美国	1994	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.400000	洛杉矶首映
中国大陆	1993	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.400000	香港
...	...	...	...	...	...	...	...	...
美国	1935	1935年	57	喜剧/歌舞	1935-03-15 00:00:00	98	7.600000	美国
中国大陆	1986	血溅画屏	95	剧情/悬疑/犯罪/武侠/古装	1905-06-08 00:00:00	91	7.100000	美国
	1986	魔窟中的幻想	51	惊悚/恐怖/儿童	1905-06-08 00:00:00	78	8.000000	美国
俄罗斯	1977	列宁格勒围困之星火战役 Блокада: Фильм 2: Ленинградский ме...	32	剧情/战争	1905-05-30 00:00:00	97	6.600000	美国
美国	2018	复仇者联盟3	123456	剧情/科幻	2018-05-04 00:00:00	142	6.935704	美国

38163 rows × 7 columns

每一个索引都是一个元组

In [ ]:

df.index[0]

Out[ ]:

('美国', 1994)

获取所有的美国电影，由于产地信息已经变成了索引，因此要是用.loc方法。

In [ ]:

df.loc["美国"] #行标签索引行数据，注意索引多行时两边都是闭区间

Out[ ]:

	名字	投票人数	类型	上映时间	时长	评分	首映地点
年代
1994	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.600000	多伦多电影节
1957	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.500000	美国
1994	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.400000	洛杉矶首映
2012	泰坦尼克号	157074	剧情/爱情/灾难	2012-04-10 00:00:00	194	9.400000	中国大陆
1993	辛德勒的名单	306904	剧情/历史/战争	1993-11-30 00:00:00	195	9.400000	华盛顿首映
...	...	...	...	...	...	...	...
1987	零下的激情	199	剧情/爱情/犯罪	1987-11-06 00:00:00	98	7.400000	美国
1986	离别秋波	240	剧情/爱情/音乐	1986-02-19 00:00:00	90	8.200000	美国
1986	极乐森林	45	纪录片	1986-09-14 00:00:00	90	8.100000	美国
1935	1935年	57	喜剧/歌舞	1935-03-15 00:00:00	98	7.600000	美国
2018	复仇者联盟3	123456	剧情/科幻	2018-05-04 00:00:00	142	6.935704	美国

11714 rows × 7 columns

这样做的最大好处是我们可以简化很多的筛选环节

每一个索引是一个元组

In [ ]:

df = df.swaplevel("产地", "年代") #调换标签顺序
df

Out[ ]:

		名字	投票人数	类型	上映时间	时长	评分	首映地点
年代	产地
1994	美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.600000	多伦多电影节
1957	美国	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.500000	美国
1997	意大利	美丽人生	327855	剧情/喜剧/爱情	1997-12-20 00:00:00	116	9.500000	意大利
1994	美国	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.400000	洛杉矶首映
1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.400000	香港
...	...	...	...	...	...	...	...	...
1935	美国	1935年	57	喜剧/歌舞	1935-03-15 00:00:00	98	7.600000	美国
1986	中国大陆	血溅画屏	95	剧情/悬疑/犯罪/武侠/古装	1905-06-08 00:00:00	91	7.100000	美国
	中国大陆	魔窟中的幻想	51	惊悚/恐怖/儿童	1905-06-08 00:00:00	78	8.000000	美国
1977	俄罗斯	列宁格勒围困之星火战役 Блокада: Фильм 2: Ленинградский ме...	32	剧情/战争	1905-05-30 00:00:00	97	6.600000	美国
2018	美国	复仇者联盟3	123456	剧情/科幻	2018-05-04 00:00:00	142	6.935704	美国

38163 rows × 7 columns

In [ ]:

df.loc[1994]

Out[ ]:

	名字	投票人数	类型	上映时间	时长	评分	首映地点
产地
美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.6	多伦多电影节
美国	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.4	洛杉矶首映
法国	这个杀手不太冷	662552	剧情/动作/犯罪	1994-09-14 00:00:00	133	9.4	法国
美国	34街的	768	剧情/家庭/奇幻	1994-12-23 00:00:00	114	7.9	美国
中国大陆	活着	202794	剧情/家庭	1994-05-18 00:00:00	132	9.0	法国
...	...	...	...	...	...	...	...
美国	鬼精灵2： 恐怖	60	喜剧/恐怖/奇幻	1994-04-08 00:00:00	85	5.8	美国
英国	黑色第16	44	剧情/惊悚	1996-02-01 00:00:00	106	6.8	美国
日本	蜡笔小新之布里布里王国的秘密宝藏 クレヨンしんちゃん ブリブリ王国の	2142	动画	1994-04-23 00:00:00	94	7.7	日本
日本	龙珠Z剧场版10：两人面临危机! 超战士难以成眠 ドラゴンボール Z 劇場版：危険なふたり！	579	动画	1994-03-12 00:00:00	53	7.2	美国
中国香港	重案实录之惊天械劫案 重案實錄之驚天械劫	90	动作/犯罪	1905-06-16 00:00:00	114	7.3	美国

489 rows × 7 columns

取消层次化索引

In [ ]:

df = df.reset_index()
df[:5]

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点
0	1994	美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.6	多伦多电影节
1	1957	美国	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.5	美国
2	1997	意大利	美丽人生	327855	剧情/喜剧/爱情	1997-12-20 00:00:00	116	9.5	意大利
3	1994	美国	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.4	洛杉矶首映
4	1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.4	香港

(2)数据旋转

行列转化：以前5部电影为例

In [ ]:

data = df[:5]
data

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点
0	1994	美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.6	多伦多电影节
1	1957	美国	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.5	美国
2	1997	意大利	美丽人生	327855	剧情/喜剧/爱情	1997-12-20 00:00:00	116	9.5	意大利
3	1994	美国	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.4	洛杉矶首映
4	1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.4	香港

.T可以直接让数据的行列进行交换

In [ ]:

data.T

Out[ ]:

	0	1	2	3	4
年代	1994	1957	1997	1994	1993
产地	美国	美国	意大利	美国	中国大陆
名字	肖申克的救赎	控方证人	美丽人生	阿甘正传	霸王别姬
投票人数	692795	42995	327855	580897	478523
类型	剧情/犯罪	剧情/悬疑/犯罪	剧情/喜剧/爱情	剧情/爱情	剧情/爱情/同性
上映时间	1994-09-10 00:00:00	1957-12-17 00:00:00	1997-12-20 00:00:00	1994-06-23 00:00:00	1993-01-01 00:00:00
时长	142	116	116	142	171
评分	9.6	9.5	9.5	9.4	9.4
首映地点	多伦多电影节	美国	意大利	洛杉矶首映	香港

dataframe也可以使用stack和unstack，转化为层次化索引的Series

In [ ]:

data.stack()

Out[ ]:

0  年代                     1994
   产地                       美国
   名字                   肖申克的救赎
   投票人数                 692795
   类型                    剧情/犯罪
   上映时间    1994-09-10 00:00:00
   时长                      142
   评分                      9.6
   首映地点                 多伦多电影节
1  年代                     1957
   产地                       美国
   名字                     控方证人
   投票人数                  42995
   类型                 剧情/悬疑/犯罪
   上映时间    1957-12-17 00:00:00
   时长                      116
   评分                      9.5
   首映地点                     美国
2  年代                     1997
   产地                      意大利
   名字                    美丽人生 
   投票人数                 327855
   类型                 剧情/喜剧/爱情
   上映时间    1997-12-20 00:00:00
   时长                      116
   评分                      9.5
   首映地点                    意大利
3  年代                     1994
   产地                       美国
   名字                     阿甘正传
   投票人数                 580897
   类型                    剧情/爱情
   上映时间    1994-06-23 00:00:00
   时长                      142
   评分                      9.4
   首映地点                  洛杉矶首映
4  年代                     1993
   产地                     中国大陆
   名字                     霸王别姬
   投票人数                 478523
   类型                 剧情/爱情/同性
   上映时间    1993-01-01 00:00:00
   时长                      171
   评分                      9.4
   首映地点                     香港
dtype: object

In [ ]:

data.stack().unstack()  #转回来

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点
0	1994	美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10	142	9.6	多伦多电影节
1	1957	美国	控方证人	42995	剧情/悬疑/犯罪	1957-12-17	116	9.5	美国
2	1997	意大利	美丽人生	327855	剧情/喜剧/爱情	1997-12-20	116	9.5	意大利
3	1994	美国	阿甘正传	580897	剧情/爱情	1994-06-23	142	9.4	洛杉矶首映
4	1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01	171	9.4	香港

3.2 数据分组，分组运算

GroupBy技术：实现数据的分组，和分组运算，作用类似于数据透视表

按照电影的产地进行分组

In [ ]:

group = df.groupby(df["产地"])

先定义一个分组变量group

In [ ]:

type(group)

Out[ ]:

pandas.core.groupby.generic.DataFrameGroupBy

可以计算分组后各个的统计量

In [ ]:

group.mean() 

Out[ ]:

	年代	投票人数	时长	评分
产地
中国台湾	1999.009709	8474.864078	87.257282	7.066667
中国大陆	2004.582432	10915.587708	81.517014	6.062991
中国香港	1991.088865	8141.709870	88.553214	6.473551
丹麦	1999.091371	2003.781726	88.507614	7.246701
俄罗斯	1984.892857	1021.180672	96.100840	7.557143
其他	1998.721721	1619.144450	87.656399	7.226713
加拿大	2002.520451	1921.834979	80.592384	6.727221
印度	2006.039326	3219.587079	120.949438	6.864888
墨西哥	1992.786325	1191.982906	92.641026	7.085470
巴西	1999.888889	3606.333333	88.373737	7.232323
德国	1996.053869	2624.736533	92.258570	7.187365
意大利	1985.599190	3374.955466	104.333333	7.183131
日本	1999.886536	3592.015781	85.010587	7.192569
比利时	1999.503650	1244.153285	83.065693	7.197080
法国	1991.794044	3663.066380	90.249013	7.243093
波兰	1987.027624	881.640884	80.734807	7.441989
泰国	2009.129252	5322.724490	88.442177	6.109184
澳大利亚	2002.966102	4798.111864	85.593220	6.953559
瑞典	1987.106952	1549.700535	94.625668	7.425668
美国	1994.519891	8677.294861	89.976097	6.923351
英国	1996.630926	4979.837848	89.213318	7.498420
荷兰	2001.198675	957.589404	75.887417	7.160265
西班牙	2001.546275	3355.266366	90.905192	7.025056
阿根廷	2004.212389	2283.938053	92.548673	7.248673
韩国	2008.100596	6527.518629	100.018629	6.351118

In [ ]:

group.sum()

Out[ ]:

	年代	投票人数	时长	评分
产地
中国台湾	1235388	5237466	53925	4367.200000
中国大陆	7599372	41380993	309031	22984.800000
中国香港	5668630	23179448	252111	18430.200000
丹麦	393821	394745	17436	1427.600000
俄罗斯	944809	486082	45744	3597.200000
其他	3763593	3048849	165057	13607.900000
加拿大	1419787	1362581	57140	4769.600000
印度	714150	1146173	43058	2443.900000
墨西哥	233156	139462	10839	829.000000
巴西	197989	357027	8749	716.000000
德国	2037971	2679856	94196	7338.300000
意大利	1471329	2500842	77311	5322.700000
日本	10011432	17981631	425563	36006.000000
比利时	273932	170449	11380	986.000000
法国	5551130	10208966	251524	20186.500000
波兰	359652	159577	14613	1347.000000
泰国	590684	1564881	26002	1796.100000
澳大利亚	590875	1415443	25250	2051.300000
瑞典	371589	289794	17695	1388.600000
美国	23363806	101645832	1053980	81100.135704
英国	5307045	13236409	237129	19930.800000
荷兰	302181	144596	11459	1081.200000
西班牙	886685	1486383	40271	3112.100000
阿根廷	226476	258085	10458	819.100000
韩国	2694871	8759930	134225	8523.200000

计算每年的平均评分

In [ ]:

df["评分"].groupby(df["年代"]).mean()

Out[ ]:

年代
1888    7.950000
1890    4.800000
1892    7.500000
1894    6.633333
1895    7.575000
          ...   
2013    6.375974
2014    6.249384
2015    6.121925
2016    5.834524
2018    6.935704
Name: 评分, Length: 127, dtype: float64

只会对数值变量进行分组运算

In [ ]:

df["年代"] = df["年代"].astype("str")
df.groupby(df["产地"]).median() #不会再对年代进行求取

Out[ ]:

	投票人数	时长	评分
产地
中国台湾	487.0	92.0	7.1
中国大陆	502.0	90.0	6.4
中国香港	637.0	92.0	6.5
丹麦	182.0	94.0	7.3
俄罗斯	132.5	93.0	7.7
其他	158.0	90.0	7.4
加拿大	258.0	89.0	6.8
印度	139.0	131.0	7.0
墨西哥	183.0	94.0	7.2
巴西	131.0	96.0	7.3
德国	212.0	94.0	7.3
意大利	187.0	101.0	7.3
日本	359.0	89.0	7.3
比利时	226.0	90.0	7.3
法国	244.0	95.0	7.3
波兰	174.0	87.0	7.5
泰国	542.5	92.5	6.2
澳大利亚	323.0	95.0	7.0
瑞典	191.0	96.0	7.6
美国	415.0	93.0	7.0
英国	345.0	92.0	7.6
荷兰	180.0	85.0	7.3
西班牙	267.0	97.0	7.1
阿根廷	146.0	97.0	7.3
韩国	1007.0	104.0	6.5

我们也可以传入多个分组变量

In [ ]:

df.groupby([df["产地"],df["年代"]]).mean() #根据两个变量进行分组

Out[ ]:

		投票人数	时长	评分
产地	年代
中国台湾	1963	121.000000	113.000000	6.400000
	1965	153.666667	105.000000	6.800000
	1966	51.000000	60.000000	7.900000
	1967	4444.000000	112.000000	8.000000
	1968	89.000000	83.000000	7.400000
...	...	...	...	...
韩国	2012	5812.542857	100.771429	6.035238
	2013	10470.370370	97.731481	6.062037
	2014	3776.266667	98.666667	5.650833
	2015	3209.247706	100.266055	5.423853
	2016	1739.850000	106.100000	5.730000

1578 rows × 3 columns

获得每个地区，每一年的电影的评分的均值

In [ ]:

means = group = df["评分"].groupby([df["产地"], df["年代"]]).mean()
means

Out[ ]:

产地    年代  
中国台湾  1963    6.400000
      1965    6.800000
      1966    7.900000
      1967    8.000000
      1968    7.400000
                ...   
韩国    2012    6.035238
      2013    6.062037
      2014    5.650833
      2015    5.423853
      2016    5.730000
Name: 评分, Length: 1578, dtype: float64

Series通过unstack方法转化为dataframe

会产生缺失值

In [ ]:

means.unstack().T

Out[ ]:

产地	中国台湾	中国大陆	中国香港	丹麦	俄罗斯	其他	加拿大	印度	墨西哥	巴西	...	波兰	泰国	澳大利亚	瑞典	美国	英国	荷兰	西班牙	阿根廷	韩国
年代
1888	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	7.950000	NaN	NaN	NaN	NaN
1890	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	4.800000	NaN	NaN	NaN	NaN	NaN
1892	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
1894	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	6.450000	NaN	NaN	NaN	NaN	NaN
1895	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2013	7.076471	5.306500	6.105714	6.555556	6.875000	6.853571	6.018182	6.400000	6.983333	8.00	...	6.966667	5.568000	6.76000	7.100	6.308255	7.460140	6.33	6.358333	6.616667	6.062037
2014	6.522222	4.963830	5.616667	7.120000	7.175000	6.596250	5.921739	6.374194	7.250000	6.86	...	7.060000	5.653571	6.56875	6.960	6.393056	7.253398	7.30	6.868750	7.150000	5.650833
2015	6.576000	4.969189	5.589189	7.166667	7.342857	6.732727	6.018750	6.736364	6.500000	6.76	...	6.300000	5.846667	6.88000	7.625	6.231486	7.123256	6.70	6.514286	7.233333	5.423853
2016	NaN	4.712000	5.390909	7.000000	NaN	6.833333	6.200000	6.900000	NaN	NaN	...	NaN	NaN	NaN	NaN	6.522581	7.200000	NaN	NaN	NaN	5.730000
2018	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	6.935704	NaN	NaN	NaN	NaN	NaN

127 rows × 25 columns

3.3 离散化处理

在实际的数据分析项目中，对有的数据属性，我们往往并不关注数据的绝对取值，只关心它所处的区间或者等级

比如，我们不关心具体是9.6还是9.7，都是高分电影，注意的是它所在的等级，可以把评分9分及以上的电影定义为A，7到9分定义为B，5到7分定义为C，3到5分定义为D，小于3分定义为E。

离散化也可称为分组、区间化。

Pandas为我们提供了方便的函数cut():

pd.cut(x,bins,right = True,labels = None, retbins = False,precision = 3,include_lowest = False) 参数解释：

x：需要离散化的数组、Series、DataFrame对象

bins：分组的依据，right = True右闭，include_lowest = False左开，默认左开右闭，可以自己调整。

labels：是否要用标记来替换返回出来的数组，retbins：返回x当中每一个值对应的bins的列表，precision精度。

In [ ]:

df["评分等级"] = pd.cut(df["评分"], [0,3,5,7,9,10], labels = ['E','D','C','B','A']) 
#labels要和区间划分一一对应
df[0:5]

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点	评分等级
0	1994	美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.6	多伦多电影节	A
1	1957	美国	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.5	美国	A
2	1997	意大利	美丽人生	327855	剧情/喜剧/爱情	1997-12-20 00:00:00	116	9.5	意大利	A
3	1994	美国	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.4	洛杉矶首映	A
4	1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.4	香港	A

同样的，我们可以根据投票人数来刻画电影的热门

投票越多的热门程度越高

In [ ]:

bins = np.percentile(df["投票人数"], [0,20,40,60,80,100]) 
#获取分位数
df["热门程度"] = pd.cut(df["投票人数"],bins,labels = ['E','D','C','B','A'])
df[:5]

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点	评分等级	热门程度
0	1994	美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.6	多伦多电影节	A	A
1	1957	美国	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.5	美国	A	A
2	1997	意大利	美丽人生	327855	剧情/喜剧/爱情	1997-12-20 00:00:00	116	9.5	意大利	A	A
3	1994	美国	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.4	洛杉矶首映	A	A
4	1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.4	香港	A	A

大烂片集合：投票人数很多，评分很低

遗憾的是，我们可以发现，烂片几乎都是中国大陆的

In [ ]:

df[(df.热门程度 == 'A') & (df.评分等级 == 'E')]

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点	评分等级	热门程度
623	2011	中国大陆	B区	5187	剧情/惊悚/恐怖	2011-06-03 00:00:00	89	2.3	中国大陆	E	A
4167	2014	中国大陆	怖偶	4867	悬疑/惊悚	2014-05-07 00:00:00	88	2.8	中国大陆	E	A
5200	2011	中国大陆	床下有人	4309	悬疑/惊悚	2011-10-14 00:00:00	100	2.8	中国大陆	E	A
6585	2013	中国大陆	帝国秘符	4351	动作/冒险	2013-09-18 00:00:00	93	3.0	中国大陆	E	A
8009	2011	中国大陆	飞天	4764	剧情	2011-07-01 00:00:00	115	2.9	中国大陆	E	A
8181	2014	中国大陆	分手达人	3937	喜剧/爱情	2014-06-06 00:00:00	90	2.7	中国大陆	E	A
9372	2012	中国大陆	孤岛惊魂	2982	悬疑/惊悚/恐怖	2013-01-26 00:00:00	93	2.8	中国大陆	E	A
10275	2013	中国大陆	海天盛宴·韦口	3788	情色	2013-10-12 00:00:00	88	2.9	网络	E	A
16512	2013	中国大陆	孪生密码	6390	动作/悬疑	2013-11-08 00:00:00	96	2.9	中国大陆	E	A
21189	2010	日本	拳皇	6329	动作/科幻/冒险	2012-10-12 00:00:00	93	3.0	中国大陆	E	A
22348	2013	中国大陆	闪魂	3119	惊悚/犯罪	2014-02-21 00:00:00	94	2.6	中国大陆	E	A
22524	2015	中国大陆	少年毛泽东	3058	动画/儿童/冒险	2015-04-30 00:00:00	76	2.4	中国大陆	E	A
23754	2013	英国	史前怪兽	3543	动作/惊悚/冒险	2014-01-01 00:00:00	89	3.0	中国大陆	E	A
27832	2011	中国大陆	无极限之危情速递	6319	喜剧/动作/爱情/冒险	2011-08-12 00:00:00	94	2.8	中国大陆	E	A
31622	2010	中国大陆	异度公寓	3639	惊悚	2010-06-04 00:00:00	93	2.7	中国大陆	E	A
32007	2014	中国大陆	英雄之战	8359	动作/爱情	2014-03-21 00:00:00	90	3.0	中国大陆	E	A
32180	2013	中国大陆	咏春小龙	8861	剧情/动作	2013-07-20 00:00:00	90	3.0	中国大陆	E	A
32990	2014	中国大陆	再爱一次好不好	6999	喜剧/爱情	2014-04-11 00:00:00	94	3.0	中国大陆	E	A
38090	2014	中国大陆	大话天仙	21629	喜剧/奇幻/古装	2014-02-02 00:00:00	91	3.0	中国大陆	E	A
38092	2013	中国大陆	天机·富春山居图	74709	动作/冒险	2013-06-09 00:00:00	122	2.9	中国大陆	E	A
38093	2014	中国大陆	特工艾米拉	10852	动作/悬疑	2014-04-11 00:00:00	96	2.7	中国大陆	E	A
38097	2015	中国大陆	汽车人总动员	12892	喜剧/动画/冒险	2015-07-03 00:00:00	85	2.3	中国大陆	E	A
38102	2016	中国大陆	2016年中央电视台春节	17328	歌舞/真人秀	2016-02-07 00:00:00	280	2.3	中国大陆	E	A
38108	2014	中国大陆	放手爱	29254	喜剧/爱情	2014-04-30 00:00:00	93	2.3	中国大陆	E	A

冷门高分电影

In [ ]:

df[(df.热门程度 == 'E') & (df.评分等级 == 'A')]

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点	评分等级	热门程度
563	2011	英国	BBC喜剧音	38	喜剧/音乐/歌舞	2011-08-13 00:00:00	95	9.3	美国	A	E
895	2014	日本	JOJO的奇妙冒险 特别见面会 Walk Like Crusade	36	纪录片	2014-10-26 00:00:00	137	9.3	美国	A	E
1099	2012	英国	Pond一家最	45	纪录片	2012-09-29 00:00:00	12	9.2	美国	A	E
1540	2007	英国	阿森纳：温格的十一人	74	运动	2007-10-22 00:00:00	78	9.5	美国	A	E
1547	2009	英国	阿斯加德远征	59	纪录片	2011-09-17 00:00:00	85	9.3	美国	A	E
...	...	...	...	...	...	...	...	...	...	...	...
36846	2012	中国大陆	末了，未了	34	剧情/喜剧/爱情	2012-12-16 00:00:00	90	9.5	美国	A	E
37000	2015	中国大陆	身经百战	74	纪录片	2015-03-24 00:00:00	91	9.1	美国	A	E
37033	1986	英国	歌唱神探	36	剧情/悬疑/歌舞	1986-11-16 00:00:00	415	9.1	美国	A	E
37557	1975	美国	山那边	70	剧情	1975-11-14 00:00:00	103	9.1	美国	A	E
37883	2015	美国	奎	62	纪录片/短片	2015-08-19 00:00:00	9	9.1	纽约电影论坛	A	E

177 rows × 11 columns

将处理后的数据进行保存

In [ ]:

df.to_excel("movie_data3.xlsx")

3.4 合并数据集

（ 1 ）append

先把数据集拆分为多个，再进行合并

In [ ]:

df_usa = df[df.产地 == "美国"]
df_china = df[df.产地 == "中国大陆"]

In [ ]:

df_china.append(df_usa) #直接追加到后面，最好是变量相同的

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点	评分等级	热门程度
4	1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.400000	香港	A	A
21	1961	中国大陆	大闹天宫	74881	动画/奇幻	1905-05-14 00:00:00	114	9.200000	上集	A	A
29	2015	中国大陆	穹顶之下	51113	纪录片	2015-02-28 00:00:00	104	9.200000	中国大陆	A	A
38	1982	中国大陆	茶馆	10678	剧情/历史	1905-06-04 00:00:00	118	9.200000	美国	A	A
45	1988	中国大陆	山水情	10781	动画/短片	1905-06-10 00:00:00	19	9.200000	美国	A	A
...	...	...	...	...	...	...	...	...	...	...	...
38151	1987	美国	零下的激情	199	剧情/爱情/犯罪	1987-11-06 00:00:00	98	7.400000	美国	B	D
38153	1986	美国	离别秋波	240	剧情/爱情/音乐	1986-02-19 00:00:00	90	8.200000	美国	B	C
38156	1986	美国	极乐森林	45	纪录片	1986-09-14 00:00:00	90	8.100000	美国	B	E
38158	1935	美国	1935年	57	喜剧/歌舞	1935-03-15 00:00:00	98	7.600000	美国	B	E
38162	2018	美国	复仇者联盟3	123456	剧情/科幻	2018-05-04 00:00:00	142	6.935704	美国	C	A

15505 rows × 11 columns

将这两个数据集进行合并

（ 2 ）merge

pd.merge(left, right, how = 'inner', on = None, left_on = None, right_on = None,
    left_index = False, right_index = False, sort = True,
    suffixes = ('_x', '_y'), copy = True, indicator = False, validate=None)

我们选取6部热门电影

In [ ]:

df1 = df.loc[:5]
df1

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点	评分等级	热门程度
0	1994	美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.6	多伦多电影节	A	A
1	1957	美国	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.5	美国	A	A
2	1997	意大利	美丽人生	327855	剧情/喜剧/爱情	1997-12-20 00:00:00	116	9.5	意大利	A	A
3	1994	美国	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.4	洛杉矶首映	A	A
4	1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.4	香港	A	A
5	2012	美国	泰坦尼克号	157074	剧情/爱情/灾难	2012-04-10 00:00:00	194	9.4	中国大陆	A	A

In [ ]:

df2 = df.loc[:5][["名字","产地"]]
df2["票房"] = [123344,23454,55556,333,6666,444]

In [ ]:

df2

Out[ ]:

	名字	产地	票房
0	肖申克的救赎	美国	123344
1	控方证人	美国	23454
2	美丽人生	意大利	55556
3	阿甘正传	美国	333
4	霸王别姬	中国大陆	6666
5	泰坦尼克号	美国	444

In [ ]:

df2 = df2.sample(frac = 1) #打乱数据,但index还是原来那样

In [ ]:

df2.index = range(len(df2))
df2

Out[ ]:

	名字	产地	票房
0	泰坦尼克号	美国	444
1	美丽人生	意大利	55556
2	霸王别姬	中国大陆	6666
3	肖申克的救赎	美国	123344
4	阿甘正传	美国	333
5	控方证人	美国	23454

现在，我们需要把df1和df2合并

我们发现，df2有票房数据，df1有评分等其他信息
由于样本的顺序不一致，因此不能直接采取直接复制的方法

In [ ]:

pd.merge(df1, df2, how = "inner", on = "名字")

Out[ ]:

	年代	产地_x	名字	投票人数	类型	上映时间	时长	评分	首映地点	评分等级	热门程度	产地_y	票房
0	1994	美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.6	多伦多电影节	A	A	美国	123344
1	1957	美国	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.5	美国	A	A	美国	23454
2	1997	意大利	美丽人生	327855	剧情/喜剧/爱情	1997-12-20 00:00:00	116	9.5	意大利	A	A	意大利	55556
3	1994	美国	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.4	洛杉矶首映	A	A	美国	333
4	1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.4	香港	A	A	中国大陆	6666
5	2012	美国	泰坦尼克号	157074	剧情/爱情/灾难	2012-04-10 00:00:00	194	9.4	中国大陆	A	A	美国	444

由于两个数据集都存在产地，因此合并后会有两个产地信息

（ 3 ）concat

将多个数据集进行批量合并

In [ ]:

df1 = df[:10]
df2 = df[100:110]
df3 = df[200:210]
dff = pd.concat([df1,df2,df3],axis = 0) #默认axis = 0，列拼接需要修改为1
dff

Out[ ]:

	年代	产地	名字	投票人数	类型	上映时间	时长	评分	首映地点	评分等级	热门程度
0	1994	美国	肖申克的救赎	692795	剧情/犯罪	1994-09-10 00:00:00	142	9.6	多伦多电影节	A	A
1	1957	美国	控方证人	42995	剧情/悬疑/犯罪	1957-12-17 00:00:00	116	9.5	美国	A	A
2	1997	意大利	美丽人生	327855	剧情/喜剧/爱情	1997-12-20 00:00:00	116	9.5	意大利	A	A
3	1994	美国	阿甘正传	580897	剧情/爱情	1994-06-23 00:00:00	142	9.4	洛杉矶首映	A	A
4	1993	中国大陆	霸王别姬	478523	剧情/爱情/同性	1993-01-01 00:00:00	171	9.4	香港	A	A
5	2012	美国	泰坦尼克号	157074	剧情/爱情/灾难	2012-04-10 00:00:00	194	9.4	中国大陆	A	A
6	1993	美国	辛德勒的名单	306904	剧情/历史/战争	1993-11-30 00:00:00	195	9.4	华盛顿首映	A	A
7	1997	日本	新世纪福音战士剧场版：Air/真心为你 新世紀エヴァンゲリオン劇場版 Ai	24355	剧情/动作/科幻/动画/奇幻	1997-07-19 00:00:00	87	9.4	日本	A	A
8	2013	日本	银魂完结篇：直到永远的万事屋 劇場版 銀魂 完結篇 万事屋よ	21513	剧情/动画	2013-07-06 00:00:00	110	9.4	日本	A	A
9	1994	法国	这个杀手不太冷	662552	剧情/动作/犯罪	1994-09-14 00:00:00	133	9.4	法国	A	A
100	1993	韩国	101	146	喜剧/爱情	1993-06-19 00:00:00	112	7.4	韩国	B	D
101	1995	英国	10	186	喜剧	1995-01-25 00:00:00	101	7.4	美国	B	D
102	2013	韩国	素媛	114819	剧情/家庭	2013-10-02 00:00:00	123	9.1	韩国	A	A
103	2003	美国	101忠狗续集：伦敦	924	喜剧/动画/家庭	2003-01-21 00:00:00	70	7.5	美国	B	B
104	2000	美国	10	9514	喜剧/家庭	2000-09-22 00:00:00	100	7.0	美国	C	A
105	2013	韩国	10	601	剧情	2014-04-24 00:00:00	93	7.2	美国	B	C
106	2006	美国	10件或	1770	剧情/喜剧/爱情	2006-12-01 00:00:00	82	7.7	美国	B	B
107	2014	美国	10年	1531	喜剧/同性	2015-06-02 00:00:00	90	6.9	美国	C	B
108	2012	日本	11·25自决之日 三岛由纪夫与年轻人们 11・25自決の	149	剧情	2012-06-02 00:00:00	119	5.6	日本	C	D
109	1997	美国	泰坦尼克号	535491	剧情/爱情/灾难	1998-04-03 00:00:00	194	9.1	中国大陆	A	A
200	2014	日本	最完美的离婚 2014特别篇	18478	剧情/喜剧/爱情	2014-02-08 00:00:00	120	9.1	日本	A	A
201	2009	日本	2001夜物	84	剧情/动画	2009-10-02 00:00:00	80	6.6	美国	C	D
202	2009	中国香港	头七 頭	7039	恐怖	2009-05-21 00:00:00	60	6.2	美国	C	A
203	1896	法国	火车进站 L	7001	纪录片/短片	1896-01-06	60	8.8	法国	B	A
204	2009	美国	银行舞蹈	6944	短片	1905-07-01 00:00:00	60	7.8	美国	B	A
205	2003	荷兰	2003提雅	48	音乐	2003-10-07 00:00:00	200	8.9	美国	B	E
206	2012	美国	死亡飞车3：地狱烈	6937	动作	2012-12-12 00:00:00	60	5.8	美国	C	A
207	2012	日本	时光钟摆 振り	6876	剧情/动画/短片	2012-03-20 00:00:00	60	8.7	美国	B	A
208	2011	中国香港	你还可爱么 你還可愛	6805	短片	2011-04-22 00:00:00	60	8.3	美国	B	A
209	2002	中国香港	一碌蔗	6799	剧情/喜剧/爱情	2002-09-19 00:00:00	60	6.7	美国	C	A