定量分析---频率分布直方图（groupby，agg，round具体用法）

对数据集“捞起生鱼片”做定量分析

穿插pandas的cut，groupby，agg方法

定量数据分布分析

对于定量数据而言，选择组数与组宽是做评率分布分析时最主要的问题，步骤如下：

​ -第一步：求极差【max-min】

​ -第二步：决定组距与组数【组距观察数据自己给出，一般组距都是左闭右开区间的；组数=极差/组距】

​ -第三步：决定分点【也就是分布区间表格】

​ -第四步：列出频率分布表

​ -第五步：绘制频率分布直方图

​ 原则：各组是相斥的，且包含了所有数据，各组的组宽最好相等

例子：菜品“捞起生鱼片”在2014年第二个季度的销售数据，绘制销售量的频率分布表，频率分布图，对该定量数据做出相应分析。

• #加载查看数据

import pandas

data = pd.read_excel(catering_fish_congee.xls")
print(data.max()-data.min())
》》》》》结果：

2014-04-01 00:00:00    89 days 00:00:00
420                                3915
dtype: object

• 第一步：求极差 最大值-最小值=3915

• 第二步：分组 ，组距看实际情况可取为500
  组数 = 极差/组距 = 3915/500 约等于8

• 第三步：决定分点
  [0,500) [500,1000) … [3500,4000)

• 第四步：绘制频率分布直方表
  Excel操作

• 第五步：绘制频率分布直方图

#分析生鱼片第二季度的销售数据   每天的销售额为x轴，频率与组距之比为y轴

import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_excel("catering_fish_congee.xls", names = ['date','sale'])

#print(data.head())
#print(data['sale'].max())
#print(data['sale'].min())
bins = [0,500,1000,1500,2000,2500,3000,3500,4000]#由销售量分布区间可知
labels = ['[0,500)','[500,1000)','[1000,1500)','[1500,2000)',
          '[2000,2500)','[2500,3000)','[3000,3500)','[3500,4000)']

#在对数据进行分段分组时，可采用cut方法，用bins的方式实现。这种情况一般使用于，对于销售量，年龄、分数等数据。
data["sale分层"] = pd.cut(data.sale, bins = bins, labels = labels)

print(data["sale分层"].head())
print(data.head())


>>>>>>结果：
>
D:\Tool\Anaconda\python.exe "D:/python/数据挖掘与分析/第三章 数据探索/定量数据频率分布直方图.py"
0     [500,1000)
1    [1000,1500)
2        [0,500)
3    [1500,2000)
4    [1000,1500)
Name: sale分层, dtype: category
Categories (8, object): ['[0,500)' < '[500,1000)' < '[1000,1500)' < '[1500,2000)' < '[2000,2500)' <
                         '[2500,3000)' < '[3000,3500)' < '[3500,4000)']
        date  sale       sale分层
0 2014-04-02   900   [500,1000)
1 2014-04-03  1290  [1000,1500)
2 2014-04-04   420      [0,500)
3 2014-04-05  1710  [1500,2000)
4 2014-04-06  1290  [1000,1500)

Process finished with exit code 0

1.pandas.cut()：一般常用于对数据进行分段分组，比如销售量，年龄等。具体可以参照上面代码

2.data.head()：查看数据，默认前五行，可以自己指定查看多少行；相反的，data.tail()默认是查看数据最后五行的。
3.原始数据只有date与sale两列，并且列名是自己加上去的。

aggResult = data.groupby(by = ['sale分层'])['sale'].agg(np.size)
print(aggResult,type(aggResult))
paggResult = round(aggResult/aggResult.sum(), 2, ) * 100
#round（数值，保留小数位数）,当保留小数位大于0时采用四舍五入的方法
print(paggResult,type(paggResult))

》》》》》》》》结果：
sale分层
[0,500)        28
[500,1000)     20
[1000,1500)    12
[1500,2000)    12
[2000,2500)     8
[2500,3000)     3
[3000,3500)     4
[3500,4000)     3
Name: sale, dtype: int64 <class 'pandas.core.series.Series'>
sale分层
[0,500)        31.0
[500,1000)     22.0
[1000,1500)    13.0
[1500,2000)    13.0
[2000,2500)     9.0
[2500,3000)     3.0
[3000,3500)     4.0
[3500,4000)     3.0
Name: sale, dtype: float64 <class 'pandas.core.series.Series'>

Process finished with exit code 0

1.groupy()：分组操作，不计算，返回已分组的DataFrame或者Series。
2.agg(func)：聚合操作，计算，接收函数，如max(),min(),size()等。
3.round()：语法 round（数值，保留小数位数）,当保留小数位大于0时采用四舍五入的方法

#pandas引入了agg函数，它提供基于列的聚合操作，进行计算。
#groupby是分组操作，不进行计算，或者说index的聚合操作。这种索引操作所返回的对象是一个已分组的DataFrame（如果传入的是列表或数组）或已分组的Series。
#s.groupby([1,1,2,2]).agg([‘min’,‘max’])：加[]，agg的func仅接受一个参数，等效于s.groupby([1,1,2,2]).min()

对data1，把min更名为a，max更名为b

#df.groupby([‘key1’])[‘data1’].agg({‘a’:‘min’,‘b’:‘max’})#这里的’min’ 'max’为两个函数名

重要技巧： groupby之后直接.reset_index()可以得到一个没有多级索引的DataFram，之后可以通过df.rename({‘old_col1’:‘new_col1’,‘old_col2’:‘new_col2’,…})重命名

#df1= df.groupby([‘date’])[‘price’].agg({‘sum’,‘count’}).reset_index()

参考了该博主的文章

https://blog.csdn.net/u013317445/article/details/85268877

plt.figure(figsize=(10,10))#设置图标框大小尺寸
paggResult.plot(kind = 'bar', width = 0.8, fontsize = 10)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.title("季度销售额频率分布直方图", fontsize = 20)
plt.show()