动手学数据分析——泰坦尼克号案例（二）

P4 数据清洗及特征处理

2.1-2.2  缺失值与重复值的处理

import numpy as np
import pandas as pd

df = pd.read_csv('train.csv')

# 2.1.1 缺失值观察
df.info()
df.isnull().sum()

# 2.1.2 处理缺失值
df[df['Age']==None] = 0
df[df['Age'].isnull()] = 0
df[df['Age']==np.nan] = 0
    # 数值列读取数据后，空缺值的数据类型为float64所以用None一般索引不到，比较的时候最好用np.nan

df.dropna(inplace=True)
df.fillna(0, inplace=True)
    #直接整行删除，或者填充为0

# 2.2 重复值的观察与处理
df[df.duplicated()]
df.drop_duplicated()

dt.to_csv('test_clear.csv')

2.3  特征观察与处理

# 2.3.1 对年龄进行分箱（离散化）处理

df['AgeBand'] = pd.cut(df['Age'], 5,labels = [1,2,3,4,5])
    #将连续变量Age平均分箱成5个年龄段，并分别用类别变量12345表示
df['AgeBand'] = pd.cut(df['Age'],[0,5,15,30,50,80],labels = [1,2,3,4,5])
    #将连续变量Age划分为(0,5] (5,15] (15,30] (30,50] (50,80]五个年龄段，并分别用类别变量12345表示
df['AgeBand'] = pd.qcut(df['Age'],[0,0.1,0.3,0.5,0.7,0.9],labels = [1,2,3,4,5])
    #将连续变量Age按10% 30% 50 70% 90%五个年龄段，并用分类变量12345表示

df.to_csv('test_pr.csv')

# 2.3.2 对文本变量进行转换
df['Sex'].value_counts()
df['Cabin'].value_counts()
df['Embarked'].value_counts()
    #用.value_counts()查看类别文本变量名及种类
df['Sex'].unique()
df['Sex'].nunique()
    #用.unique()查看类别文本变量名及种类,返回不重复的值
    #用.nunique()查看类别文本变量名及种类,返回不重复值的个数
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})
    #将类别文本转换为12345
from sklearn.preprocessing import LabelEncoder
df['Cabin'] = LabelEncodeer().fit_transform(df['Cabin'])
    #将类别文本转换为12345

for feat in ["Age", "Embarked"]:
    x = pd.get_dummies(df[feat], prefix=feat)  # 获得编码表
    df = pd.concat([df, x], axis=1)    # 将x和df按照列拼接在一起
    #将类别文本转换为one-hot编码

# 2.3.3 从纯文本Name特征里提取出Titles的特征(所谓的Titles就是Mr,Miss,Mrs等)
df['Title'] = df.Name.str.extract('([A-Za-z]+)\.', expand=False)
    #A-Z代表写，a-z代表小写，+代表长度不等，\.表示以.结尾
   
df.to_csv('test_fin.csv')

P5 数据重构

2.4 数据的合并与拆分

import numpy as np
import pandas as pd

text = pd.read_csv('data/train-left-up.csv')

# 2.4.1 将data文件夹里面的所有数据都载入，与之前的原始数据相比，观察他们的之间的关系
text_left_up = pd.read_csv("data/train-left-up.csv")
text_left_down = pd.read_csv("data/train-left-down.csv")
text_right_up = pd.read_csv("data/train-right-up.csv")
text_right_down = pd.read_csv("data/train-right-down.csv")

# 2.4.2 使用concat方法：将数据train-left-up.csv和train-right-up.csv横向合并为一张表
list_up = [text_left_up,text_right_up]
result_up = pd.concat(list_up,axis=1)
result_up.head()

# 2.4.3 使用concat方法：将train-left-down和train-right-down横向合并为一张表
list_down=[text_left_down,text_right_down]
result_down = pd.concat(list_down,axis=1)

# result_up和result_down纵向合并为result。
result = pd.concat([result_up,result_down])
result.head()

# 2.4.4 使用DataFrame自带的方法join方法和append完成2.4.2和2.4.3
resul_up = text_left_up.join(text_right_up)
result_down = text_left_down.join(text_right_down)
result = result_up.append(result_down)
result.head()
#.join()是横向合并，即按列合并；
#.append()是纵向合并，即按行合并。

# 2.4.5 使用Panads的merge方法和DataFrame的append方法：完成任务二和任务三的任务完成2.4.2和2.4.3
result_up = pd.merge(text_left_up,text_right_up,left_index=True,right_index=True)
result_down = pd.merge(text_left_down,text_right_down,left_index=True,right_index=True)
result = resul_up.append(result_down)
result.head()
    #.merge()是横向合并，即按列合并；

result.to_csv('result.csv')


#2.5 换一种角度看数据

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

# 2.5.1 将我们的数据变为Series类型的数据
unit_result=text.stack().head(20)
unit_result.head()
    #.stack()是将列标签转换为行标签

unit_result.to_csv('unit_result.csv')

2.6 数据运用

import numpy as np
import pandas as pd

text = pd.read_csv('result.csv')
text.head()

# 2.6.1 GroupBy机制
# GroupBy可以实现分组操作，类似与分类汇总

# 2.6.2 计算泰坦尼克号男性与女性的平均票价
df = text['Fare'].groupby(text['Sex'])
means = df.mean()
means

# 2.6.3 统计泰坦尼克号中男女的存活人数
survived_sex = text['Survived'].groupby(text['Sex']).sum()
survived_sex.head()

# 2.6.4 计算客舱不同等级的存活人数
survived_pclass = text['Survived'].groupby(text['Pclass'])
survived_pclass.sum()

# 用.agg()函数计算2.6.2和2.6.3，并用rename函数修改列名
text.groupby('Sex').agg({'Fare': 'mean', 'Pclass': 'count'}).rename(columns=
                            {'Fare': 'mean_fare', 'Pclass': 'count_pclass'})

# 2.6.5 统计在不同等级的票中的不同年龄的船票花费的平均值
text.groupby(['Pclass','Age'])['Fare'].mean().head()

# 2.6.6 将任务二和任务三的数据合并，并保存到sex_fare_survived.csv
result = pd.merge(means,survived_sex,on='Sex')
result

result.to_csv('sex_fare_survived.csv')

# 2.6.7 得出不同年龄的总的存活人数，然后找出存活人数最多的年龄段，计算存活人数最高的存活率（存活人数/总人数）
survived_age = text['Survived'].groupby(text['Age']).sum()
survived_age.head()

survived_age[survived_age.values==survived_age.max()]

_sum = text['Survived'].sum()
print("sum of person:"+str(_sum))
precetn =survived_age.max()/_sum
print("最大存活率："+str(precetn))