数据载入与初步观察
载入数据集
#导入库
import numpy as np
import pandas as pd
#载入数据
#使用相对路径
df = pd.read_csv('train.csv')
df.head(3)#显示前三行
#使用绝对路径
df = pd.read_csv('C:/Users/LZN/Desktop/hands-on-data-analysis-master/第一单元项目集合/train.csv')
df.head(3)
读取csv文件:pd.read_csv(),写入csv文件:pd.to_csv()
pandas还可以读取一下文件:
read_csv,
read_excel,
read_hdf,
read_sql,
read_json,
read_msgpack (experimental),
read_html,
read_gbq (experimental),
read_stata,
read_sas,
read_clipboard,
read_pickle;
#每100行 为一个数据模块,逐块读取
chunker = pd.read_csv('train.csv', chunksize=100)
for i in chunker:
print(i)
本质就是将文本分成若干块,每次处理 chunksize 行的数据,最终返回一个TextParser 对象,对该对象进行迭代遍历,可以完成逐块统计的合并处理。
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()
初步观察
df.info() #观数据的基本信息
df.head(10) #观察表格的前十行
df.tail(15) #观察表格的后十五行数据
#判断数据是否为空,为空的地方返回True,其余地方返回False
df.isnull().head()
保存数据
# 注意:不同的操作系统保存下来可能会有乱码。大家可以加入`encoding='GBK' 或者 ’encoding = ’uft-8‘‘
#将你加载并做出改变的数据,在工作目录下保存为一个新文件train_chinese.csv¶`
df.to_csv('train_chinese.csv')
pandas基础
知道你的数据叫什么
data = {'apple':[1,2,3,4,5],
'banana':[1,2,3,4,5],
'color':['red','blue','pink','yellow','purple']}
ex=pd.Series(data)
ex2=pd.DataFrame(data)
ex
ex2
ex
ex2
注意:arrays must all be same length
# 查看DataFrame数据的每列的名称
df.columns
# 查看"Cabin"这列的所有值
#法一
df['Cabin'].head()
#法二
df.Cabin.head()
#读取test文件
test_1 = pd.read_csv('test_1.csv',index_col=0)
#删除其中多余的a列
del test_1['a']
#隐藏列元素,之观察其他几列的元素
#axis取值有0和1,0代表删除行,1代表删除列
df.drop(['PassengerId','Name','Age','Ticket'],axis=1).head(3)
inplace = True:不创建新的对象,直接对原始对象进行修改;
inplace = False:对数据进行修改,创建并返回新的对象承载其修改结果。
默认是False,即创建新的对象进行修改,原对象不变,和深复制和浅复制有些类似。
有的时候pd.read_csv会出现Unnamed列,需要设置index_col为0
1.index_col 默认值(index_col = None)——重新设置一列成为index值
2.index_col=False——重新设置一列成为index值
3.index_col=0——第一列为index值
筛选的逻辑
#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()
# 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.head(3)
reset_index用来重置索引,因为有时候对dataframe做处理后索引可能是乱的。
drop=True就是把原来的索引index列去掉,重置index。
drop=False就是保留原来的索引,添加重置的index。
#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]]
loc是根据index来索引,比如下边的df定义了一个index,那么loc就根据这个index来索引对应的行。iloc并不是根据index来索引,而是根据行号来索引,行号从0开始,逐次加1。
探索性数据分析
#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
大多数时候我们都是想根据列的值来排序,所以,将你构建的DataFrame中的数据根据某一列,升序排列
#sort_values这个函数中by参数指向要排列的列,ascending参数指向排序的方式(升序还是降序)
frame.sort_values(by='c', ascending=True)
按行列来:
# 让行索引升序排序
frame.sort_index()
# 让列索引升序排序
frame.sort_index(axis=1)
# 让列索引降序排序
frame.sort_index(axis=1, ascending=False)
# 让任选两列数据同时降序排序
frame.sort_values(by=['a', 'c'], ascending=False)
#建立一个例子
frame1_a = pd.DataFrame(np.arange(9.).reshape(3, 3),
columns=['a', 'b', 'c'],
index=['one', 'two', 'three'])
frame1_b = pd.DataFrame(np.arange(12.).reshape(4, 3),
columns=['a', 'e', 'c'],
index=['first', 'one', 'two', 'second'])
frame1_a
#建立一个例子
frame2 = pd.DataFrame([[1.4, np.nan],
[7.1, -4.5],
[np.nan, np.nan],
[0.75, -1.3]
], index=['a', 'b', 'c', 'd'], columns=['one', 'two'])
frame2
frame2.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