第一章 数据基础操作
第一节 数据载入及初步观察
1.1 载入数据
数据集下载 https://www.kaggle.com/c/titanic/overview
1.1.1 导入必要的库,即numpy和pandas
import numpy as np
import pandas as pd
1.1.2 载入数据
train1 = pd.read_csv('train.csv') #使用相对路径载入数据
import os # 导入必要的库
path = os.path.abspath("train.csv") # 显示train.csv的绝对路径
train2 = pd.read_csv(path)
正确载入后的输出:
1.1.3 将数据分为模块,逐块读取
chunker = pd.read_csv('train.csv', chunksize=1000)
type(chunker) # 由这行代码的输出可知: chunker(数据块)是TextFileReadershujuleixing
1.1.4 替换表头
我们可以将将表头改成中文,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地熟悉我们的数据)
写法一:
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
输出一:
写法二:
df = pd.read_csv(path)
df.columns = ['乘客ID','是否幸存','乘客等级','乘客姓名','性别','年龄','堂兄弟/妹个数','父母与小孩个数','船票信息','票价','客舱','登船港口']
df.head()
输出二:
1.2 初步观察数据
1.2.1 查看数据的基本信息
方法一:
df.info()
输出:
方法二:
df.describe()
输出二:
1.2.2 观察指定范围的数据
df.head() # 默认显示正数5行的内容
df.head(10) # 显示正数10行的内容
df.tail() # 默认显示倒数5行的内容
df.tail(15) # 显示倒数15行的内容
1.2.3 判断数据是否为空,为空的地方返回True,其余地方返回False
pd.isnull(df)
输出:
1.3 保存数据
df.to_csv('train_chinese.csv')
运行成功后,会生成一个新的csv文件:
1.4 了解数据
(以下还是以train.csv文件为例)
pandas中有两个数据类型DateFrame和Series
- DataFrame是 pandas 中的一个二维数据结构,类似于电子表格或 SQL 表,它包含有序的列,每一列可以是不同的值类型(数字、字符串、布尔值等)。DataFrame 既有行索引,又有列索引,可以通过行索引或列索引来获取数据。
- Series 是 pandas 中的一维数据结构,类似于一维数组或列表,它包含一组数据以及与之相关联的标签(索引)。Series 的索引部分是用来访问数据的,数据部分是一个包含各种类型数据的数组。
1.4.1 查看DataFrame数据的每列的名称
df.columns
1.4.2 查看"Cabin"这列的所有值
df.Cabin # 方法一
df['Cabin'] # 方法二
1.4.3 删除多余的列
先载入文件“test_1.csv”
test_1 = pd.read_csv('test_1.csv')
对比test_1.csv文件和train.csv文件,可以发现,test_1.csv文件多出了一列,我们想要将这多余的一列删掉,有以下两种方法:
方法一:
del test_1['a'] # 删除列元素为a的这一列
方法二:
test_1.drop(['a'], axis=1) # axis = 0 表示删除行, axis = 1 表示删除列
# drop操作后,返回的是test_1的副本,并不是test_1本身
test_1.drop(['a'], axis=1, inplace = True) # 如果想要删掉原本文件的某列,需要将关键字inplace设置为True
1.4.4 隐藏某些列
如果想将[‘PassengerId’,‘Name’,‘Age’,‘Ticket’]这几个列元素隐藏,只观察其他几个列元素,可以通过以下代码实现:
test_1.drop(['PassengerId','Name','Age','Ticket'], axis = 1)
1.5 筛选数据
以"Age"为筛选条件,显示年龄在10岁以下的乘客信息。
test_1['Age'] < 10 # 返回一个判断条件是否成立的True/False表
test_1[test_1['Age'] < 10] # 返回一个年龄在10岁以下的乘客的表
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 = test_1[(test_1['Age'] > 10) & (test_1['Age'] < 50)]
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']]
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"]]
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]]
1.6 了解数据
1.6.1 利用Pandas对数据进行排序
- 创建一个DataFrame对象
sample = pd.DataFrame(np.random.randn(3,3),
index=list('213'),
columns=list('bca'))
- 将构建的DataFrame中的数据根据某一列,升序排列
sample.sort_values('b') # 把b列按升序排列
- 按行索引升序排列
sample.sort_index() # 该函数默认按行排列
- 按列索引升序排列
sample.sort_index(axis=1) # axis=1 表示按列排列
- 按列索引降序排列
sample.sort_index(axis=1, ascending=False)
- 让任选两列数据同时降序排序
sample.sort_index(by=['a', 'c'], ascending=False)
- 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)
df.sort_index(by=['票价', '年龄'], ascending=False) # 优先排票价,再排年龄
1.6.2 利用Pandas进行算术计算
创建两个DataFrames: x 和 y
x = pd.DataFrame(np.random.randn(3,3),
index=list('213'),
columns=list('bca'))
y = pd.DataFrame(np.random.randn(3,3),
index=list('413'),
columns=list('bcd'))
x+y # 只有x和y共有的行和列才能相加,不共有的行和列会显示‘nan’
输出: