Pandas文本数据分析

import pandas as pd
df = pd.read_csv('superstarinfo.txt')
df.head()

	序号	中文名	性别	国籍	民族	星座	血型	身高	体重	出生地	出生日期	毕业院校	代表作品
0	1	赵丽颖	女	中国	汉族	天秤座	A型	165cm	44.6kg	河北省廊坊市	1987年10月16日	NaN	花千骨、楚乔传、陆贞传奇、杉杉来了、知否知否应是绿肥红瘦、乘风破浪、西游记女儿国
1	2	迪丽热巴	女	中国	维吾尔族	双子座	NaN	168cm	NaN	新疆维吾尔自治区乌鲁木齐市	1992年6月3日	上海戏剧学院	阿娜尔罕、克拉恋人、漂亮的李慧珍、三生三世十里桃花、烈火如歌、一千零一夜、傲娇与偏见
2	3	周杰伦	男	中国	汉族	摩羯座	O型	175cm	NaN	台湾省新北市	1979年1月18日	淡江中学	星晴、龙卷风、简单爱、双截棍、晴天、以父之名、东风破、七里香、青花瓷、彩虹、稻香、告白气球
3	4	杨幂	女	中国	汉族	处女座	B型	166.5cm	NaN	北京市	1986年9月12日	北京电影学院	宫锁心玉、三生三世十里桃花、小时代、我是证人、逆时营救、仙剑奇侠传三、亲爱的翻译官、王昭君
4	5	胡歌	男	中国	汉族	处女座	O型	185cm	70kg	上海市徐汇区	1982年9月20日（农历八月初四）	上海戏剧学院	仙剑奇侠传、天外飞仙、仙剑奇侠传三、神话、伪装者、琅琊榜、大好时光、猎场

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100 entries, 0 to 99
Data columns (total 13 columns):
序号      100 non-null int64
中文名     100 non-null object
性别      100 non-null object
国籍      100 non-null object
民族      95 non-null object
星座      91 non-null object
血型      80 non-null object
身高      95 non-null object
体重      69 non-null object
出生地     99 non-null object
出生日期    100 non-null object
毕业院校    88 non-null object
代表作品    93 non-null object
dtypes: int64(1), object(12)
memory usage: 10.2+ KB

df = df.set_index('序号')

(1)男女明星数量各是多少？

a = len(df[df['性别'] == '女'])
b = len(df[df['性别'] == '男'])
c = len(df[df['性别'] != '男']) - len(df[df['性别'] == '女'])
print('男明星的人数为：%s'%b)
print('女明星的人数为：%s'%a)
print('性别不详的人数为：%s'%c)

男明星的人数为：59
女明星的人数为：40
性别不详的人数为：1

(2)明星的年龄分布情况？

# str.extract(r'(\d+)', expand=True) python正则表达式
df['age'] = df['出生日期'].str.extract(r'(\d+)', expand=True)
df['age'] = 2020 - df['age'].astype('int')
df.head()

	中文名	性别	国籍	民族	星座	血型	身高	体重	出生地	出生日期	毕业院校	代表作品	age
序号
1	赵丽颖	女	中国	汉族	天秤座	A型	165cm	44.6kg	河北省廊坊市	1987年10月16日	NaN	花千骨、楚乔传、陆贞传奇、杉杉来了、知否知否应是绿肥红瘦、乘风破浪、西游记女儿国	33
2	迪丽热巴	女	中国	维吾尔族	双子座	NaN	168cm	NaN	新疆维吾尔自治区乌鲁木齐市	1992年6月3日	上海戏剧学院	阿娜尔罕、克拉恋人、漂亮的李慧珍、三生三世十里桃花、烈火如歌、一千零一夜、傲娇与偏见	28
3	周杰伦	男	中国	汉族	摩羯座	O型	175cm	NaN	台湾省新北市	1979年1月18日	淡江中学	星晴、龙卷风、简单爱、双截棍、晴天、以父之名、东风破、七里香、青花瓷、彩虹、稻香、告白气球	41
4	杨幂	女	中国	汉族	处女座	B型	166.5cm	NaN	北京市	1986年9月12日	北京电影学院	宫锁心玉、三生三世十里桃花、小时代、我是证人、逆时营救、仙剑奇侠传三、亲爱的翻译官、王昭君	34
5	胡歌	男	中国	汉族	处女座	O型	185cm	70kg	上海市徐汇区	1982年9月20日（农历八月初四）	上海戏剧学院	仙剑奇侠传、天外飞仙、仙剑奇侠传三、神话、伪装者、琅琊榜、大好时光、猎场	38

df['age'].describe()

count    100.00000
mean      38.69000
std        9.93585
min       20.00000
25%       32.00000
50%       38.00000
75%       44.25000
max       66.00000
Name: age, dtype: float64

import matplotlib.pyplot as plt #导入图像库
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号

plt.figure(figsize = (15,10)) #创建图像区域，指定比例
df['age'].plot(kind='box')

(3)什么星座的明星最受欢迎？

def XZ(name):
    num = len(df[df['星座'] == name])
    return num
name = ['白羊座','金牛座','双子座','巨蟹座','狮子座','处女座','天秤座','天蝎座','射手座','摩羯座','水瓶座','双鱼座']
dic = {}
sum = 0
for i in name:
    num = XZ(i)
    #print('{}的明星有{}位'.format(i,num))
    sum = sum + num
    dic[i] = num
#print('未知星座的明星有{}位',len(df)-sum)
dic['other'] = len(df) - sum
print(dic)
print('最受欢迎的星座是:{}，共有{}位明星'.format(max(dic, key=dic.get),dic[max(dic, key=dic.get)]))

{'白羊座': 9, '金牛座': 5, '双子座': 3, '巨蟹座': 5, '狮子座': 6, '处女座': 13, '天秤座': 17, '天蝎座': 4, '射手座': 7, '摩羯座': 7, '水瓶座': 6, '双鱼座': 9, 'other': 9}
最受欢迎的星座是:天秤座，共有17位明星

(4)能够查询任意一个明星与其他明星的合作情况？

df.head()

	中文名	性别	国籍	民族	星座	血型	身高	体重	出生地	出生日期	毕业院校	代表作品	age
序号
1	赵丽颖	女	中国	汉族	天秤座	A型	165cm	44.6kg	河北省廊坊市	1987年10月16日	NaN	花千骨、楚乔传、陆贞传奇、杉杉来了、知否知否应是绿肥红瘦、乘风破浪、西游记女儿国	33
2	迪丽热巴	女	中国	维吾尔族	双子座	NaN	168cm	NaN	新疆维吾尔自治区乌鲁木齐市	1992年6月3日	上海戏剧学院	阿娜尔罕、克拉恋人、漂亮的李慧珍、三生三世十里桃花、烈火如歌、一千零一夜、傲娇与偏见	28
3	周杰伦	男	中国	汉族	摩羯座	O型	175cm	NaN	台湾省新北市	1979年1月18日	淡江中学	星晴、龙卷风、简单爱、双截棍、晴天、以父之名、东风破、七里香、青花瓷、彩虹、稻香、告白气球	41
4	杨幂	女	中国	汉族	处女座	B型	166.5cm	NaN	北京市	1986年9月12日	北京电影学院	宫锁心玉、三生三世十里桃花、小时代、我是证人、逆时营救、仙剑奇侠传三、亲爱的翻译官、王昭君	34
5	胡歌	男	中国	汉族	处女座	O型	185cm	70kg	上海市徐汇区	1982年9月20日（农历八月初四）	上海戏剧学院	仙剑奇侠传、天外飞仙、仙剑奇侠传三、神话、伪装者、琅琊榜、大好时光、猎场	38

def Cooperation(name):
    # 获取索引位置,变为二维数组，变为list，再提取数据
    num = df[df['中文名'] == name].index.values.tolist()[0]
    # 将所有人的作品变为list
    works = df['代表作品'].values
    works = works.astype('str').tolist()
    # 存储有合作关系的人的姓名
    coo_dic = {}
    # 判断是否为空值
    if works[num-1] == 'nan':
        print('%s没有与其它明星合作过'%name)
    else:
        # 提取当前人的作品，并以'、'分割为列表
        work = works[num-1].split('、')
        # print(work)
        # 构造遍历整个表格的循环
        for i in range(len(df)):
            # 提取其他人的作品，不包括自己，并以'、'分割为列表
            if i+1 != num and works[i] != 'nan':
                work_other = works[i].split('、')
                # 构造遍历当前人作品的循环
                for j in work:
                    # 判断当前人的作品是否在其他人的作品出现过
                    if j in work_other:
                        # 存储出现过的人的姓名
                        coo_dic[df['中文名'].values.astype('str').tolist()[i]] = j
    return print(coo_dic)

y_or_n = input('是否退出程序(y/n)')
while y_or_n != 'y':
    name = input('请输入需要查询合作信息明星的姓名：')
    if name in df['中文名'].values.astype('str').tolist():
        Cooperation(name)
    else:
        print('没有该明星的相关信息，输入错误')
    y_or_n = input('是否退出程序(y/n)')

是否退出程序(y/n)n
请输入需要查询合作信息明星的姓名：杨幂
{'迪丽热巴': '三生三世十里桃花', '胡歌': '仙剑奇侠传三', '鹿晗': '我是证人', '唐嫣': '仙剑奇侠传三', '刘诗诗': '仙剑奇侠传三', '黄轩': '亲爱的翻译官', '赵又廷': '三生三世十里桃花', '霍建华': '仙剑奇侠传三'}
是否退出程序(y/n)n
请输入需要查询合作信息明星的姓名：胡歌
{'杨幂': '仙剑奇侠传三', '刘涛': '琅琊榜', '刘亦菲': '仙剑奇侠传', '吴磊': '琅琊榜', '成龙': '神话', '唐嫣': '仙剑奇侠传三', '靳东': '伪装者', '刘诗诗': '仙剑奇侠传三', '王凯': '琅琊榜', '霍建华': '仙剑奇侠传三'}
是否退出程序(y/n)y