动手学数据分析——泰坦尼克号案例（一）

P1 数据载入及初步观察

1.1 数据载入

# 1.1.1 导包
import numpy as np
import pandas as pd
-----------------------------------
#1.1.2 载入数据
df = pd.read_csv('train.csv')
df = pd.read_csv('E:/pythonProject/jupyter/第一单元项目集合/train.csv')
df.head(3)
    # 调用head()，默认显示前5行数据,
    # 相对路径和绝对路径效果一致
    # os.getcwd()可以获取目录地址
    # pd.read_table()设定sep=',',效果与pd.read_csv()一致
------------------------------------------------------
# 1.1.3 每1000行一个数据模块，逐块读取
chunker = pd.read_csv('train.csv', chunksize=1000)
chunker.get_chunk()
    # chunker(数据块)为TextFileReader格式，需要用.get_chunk()获取
---------------------------------------------------------------
# 1.1.4 修改表头
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()
    # 不设置header=0,则在原表格上插入一行表头
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']

1.2 初步观察数据

# 1.2.1 查看数据的基本信息
df.info()
-------------------------
#1.2.2 观察表格前10行和后15行的数据
df.head(10)
df.tail(15)
----------------------------------
#1.2.3 判断数据是否为空
df.isnull().head

1.3 保存数据

df.to_csv('train_chinese.csv')

P2 Pandas基础

1.4 知道你的数据叫什么

import numpy as np
import pandas as pd

# 1.4.1 pandas的数据类型
data1 = {1:'a', 2:'b', 3:'c'}
s1 = pd.Series(data1)
s1
data2 = {1:['q','w','e'], 2::['a','s','d'], 3:['z','x','c']}
s2 = pd.DataFrame(data2)
s2
    # 区别：series，只是一个一维数据结构，它由index和value组成。dataframe，是一个二维结构，除了拥有index和value之外，还拥有column。
    # 联系：dataframe由多个series组成，无论是行还是列，单独拆分出来都是一个series。

# 1.4.2 载入文件
df = pd.read_csv('E:/pythonProject/jupyter/第一单元项目集合/train.csv')

# 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
df['Cabin']
df.Cabin

# 1.4.5 删除列
test_1 = pd.read_csv('test_1.csv')
test_1.head(3)
del test_1['a']
    # test_1.pop['a']
    # test_1.drop['a', axis=1]  #返回一个副本
    # test_1.drop['a'，axis=1, inplace=True]  #直接修改了test_1
test_1.head(3)

# 1.4.6  将['PassengerId','Name','Age','Ticket']这几个列元素隐藏
df.drop(['PassengerId','Name','Age','Ticket'],axis=1).head(3)

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.shape
midage1 = df[(df["Age"]>10)| (df["Age"]<50)]
midage1.shape

# 1.5.3 将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来
midage.loc[[100],['Pclass','Sex']]
    # 第一列为索引，删除部分行后索引不变，此时返回的并非第100行，而是索引为100的
midage = midage.reset_index(drop=True)
    # 加入一列0、1、2、3……的索引，drop=true删掉原索引
midage.head(3)
midage.loc[[100],['Pclass','Sex']]

# 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
midage.iloc[[100,105,108],[2,3,4]]
    # 2,3,4为"Pclass"，"Name"和"Sex"的索引；先行后列

P3 探索性数据分析

1.6 了解你的数据吗？

import numpy as np
import pandas as pd

text = pd.read_csv('train_chinese.csv')

# 1.6.1 利用Pandas对示例数据进行排序，要求升序
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
frame.sort_index()  #按行升序排列
frame.sort_index(axis=1)  #按列升序排列
frame.sort_index(axis=1, ascending=False)  #按列降序排列
frame.sort_values(by=['a', 'c'], ascending=False)  #a、c按列降序排列，先a后c

# 1.6.2 按票价和年龄两列进行综合排序（降序排列）
text.sort_values(by=['票价', '年龄'], ascending=False)

# 1.6.3 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
max(text['兄弟姐妹个数'] + text['父母子女个数'])
    #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 学会使用Pandas describe()函数查看数据基本统计信息
text.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
text['票价'].describe()
text['父母子女个数'].describe()