datawhale组队学习——数据分析入门（一）

本文为datawhale数据分析开源课程的学习笔记,课程链接

数据载入

以kaggle上泰坦尼克的任务为例，数据链接

导入numpy和pandas

import numpy as np
import pandas as pd

载入数据路径

# 绝对路径
#df = pd.read_csv('E:/file/data_analysis/train.csv')

#相对路径
df = pd.read_csv('train.csv')

#读取数据前三行
df.head(3)

读取结果：

逐块读取
有时遇到大文件，需要分块读取，利用pandas可以逐块读取

#每1000行为一个数据模块，逐块读取
chunker = pd.read_csv('train.csv', chunksize=1000)

利用pandas,可以实现将表头修改为中文，方便观察。
例如将泰坦尼克案例中的英文标签替换为如下中文：
PassengerId => 乘客ID
Survived => 是否幸存
Pclass => 乘客等级(1/2/3等舱位)
Name => 乘客姓名
Sex => 性别
Age => 年龄
SibSp => 堂兄弟/妹个数
Parch => 父母与小孩个数
Ticket => 船票信息
Fare => 票价
Cabin => 客舱
Embarked => 登船港口

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()

利用pandas查看基本信息：

# 查看数据的基本信息
df.info()

结果：

pandas查询数据的基本操作

#观察表格前10行的数据
df.head(10)

#观察表格后15行的数据
df.tail(15)

#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()

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， 不同的操作系统保存下来可能会有乱码，需要加入encoding='GBK' 或者 encoding = ’utf-8‘

df.to_csv('train_chinese.csv')

pandas 基础入门

pandas中有两个数据类型DateFrame和Series。

Series

Series类似于1维数组，由索引+数值组成。

import pandas as pd
s=pd.Series(['a','b','c','d'])

结果：

、

Series常用方法

s.index #查看索引
s.values #查看数值
s.isnull() #查看为空的，返回布尔型
s.notnull()
s.sort_index() #按索引排序
s.sort_values() #按数值排序

Series的计算

运算
s1+s2 #索引相同的元素相加，不同的则补充Nan
s*2 #所有元素*2
s+1 #所有元素+1

dataframe

dataframe是非常常见的一个表格型数据结构，每一列可以是不同的数值类型，有行索引、列索引。提到它就会自然想到Pandas这个包。平常用Python处理xlsx、csv文件，读出来的就是dataframe格式。

#创建
df=pd.DataFrame([[1,2,3],[4,5,6],[7,8,9]],columns=['a','b','c'])

运行结果：

#索引
#查看第a列的第1个元素：
df['a'][0]
df.loc[0]['a']
df.iloc[0][0]

#结果均为“1”

dataframe常用方法

df[['a' ,'b' ] #查看a、b两列
df.head( 5 ) #查看前5行
df.tail( 3 ) #查看后3行
df.values #查看数值
df.shape #查看行数、列数
df.fillna(0) #将空值填充0
df.replace( 1, -1) #将1替换成-1
df.isnull() #查找df中出现的空值
df.notnull() #非空值
df.dropna() #删除空值
df.unique() #查看唯一值
df.reset_index() #修改、删除，原有索引
df.columns #查看df的列名
df.index #查看索引
df.sort_values() #排序
pd.merge(df1,df2) #合并
pd.concat([df1,df2]) #合并，与merge的区别，自查
pd.pivot_table( df ) #用df做数据透视表（类似于Excel的数透）

查看DataFrame某一列的值

df['a'].head(2)#方法1
df.a.head(3)#方法2

删除某一列

del df['a']#方法1
df.drop(['id'],axis=1，inplace=True) #方法2，不增加axis=1，则是删除行；没有inplace=True，不在原DataFrame上操作，不会对原数据造成影响。

利用条件筛选数据，以泰坦尼克号数据为例。

#加载数据
df = pd.read_csv('train.csv')

#我们以"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(3)

#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)]

#将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来
midage = midage.reset_index(drop=True)
#reset_index()reset_index()重置索引，防止之前操作导致索引错误
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]]

loc是指location的意思，iloc中的i是指integer。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则根据行号来索引，行号从0开始，逐次加1。

数据分析探索

以泰坦尼克号数据为例

载入数据

import numpy as np
import pandas as pd
#载入之前保存的train_chinese.csv数据，关于泰坦尼克号的任务，我们就使用这个数据
text = pd.read_csv('train_chinese.csv')
text.head()

利用pandas 进行数据分析

#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'])
# 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
frame.sort_values(by='c', ascending=True)

pandas关于升降序的操作

# 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)

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）

text.sort_values(by=['票价', '年龄'], ascending=False).head(3)

利用Pandas进行算术计算，计算两个DataFrame数据相加结果

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'])
#将frame_a和frame_b进行相加
frame1_a + frame1_b

通过泰坦尼克号数据如何计算出在船上最大的家族有多少人？

max(text['兄弟姐妹个数'] + text['父母子女个数'])

使用Pandas describe()函数查看数据基本统计信息

#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.describe()

分别看看泰坦尼克号数据集中 票价、父母子女 这列数据的基本统计数据

text['票价'].describe()
text['父母子女个数'].describe()

参考链接

https://github.com/datawhalechina/hands-on-data-analysis
https://zhuanlan.zhihu.com/p/41092771