需求:
1.读取数据
2.查看是否有缺失数据
3.用统计学指标快速描述数值型属性的概要
4.空值处理。可能因为忘记填写保密等原因,相关字段出现了空值,将其填充为NOT PROVIDE
df.fillna(value = 'NOT PROVIDE',inplace=True)
5.异常值的处理。将捐赠金额<=0的数据删除
df.drop(labels=drop_indexs,axis=0,inplace=True)
axis=0是行,唯一一个特殊的
6.新建一列为各个候选人所在党派的party
7.查看party这一列中有哪些不同的元素
8.统计party列中各个元素出现的次数
9.查看各个党派收到的政治献金总数
10.查看具体每天各个党派收到的政治献金总数
11.将表中的时期格式转变为"yyyy-mm-dd"
12.查看老兵(捐赠者职业)主要支持谁
1、2、读取数据、查看是否有缺失数据
import pandas as pd
from pandas import DataFrame
import numpy as np
df=pd.read_csv("C:\\Users\\zoutong\\Desktop\\programming\\case\\usa_election .txt")
df.head()
parties = {'Bachmann, Michelle':'Republican',
'Romney, Mitt':'Republican',
'Obama, Barack':'Democrat',
"Roemer, Charles E. 'Buddy' III":'Reform',
'Pawlenty, Timothy':'Republican',
'Johnson, Gary Earl':'Libertarian',
'Paul, Ron':'Republican',
'Santorum, Rick':'Republican',
'Cain, Herman':'Republican',
'Gingrich, Newt':'Republican',
'McCotter, Thaddeus G':'Republican',
'Huntsman, Jon':'Republican',
'Perry, Rick':'Republican'}
months = {'JAN':1,'FEB':2,'MAR':3,'APR':4,'MAY':5,'JUN':6,
'JUL':7,'AUG':8,'SEP':9,'OCT':10,'NOV':11,'DEC':12}
##对新数据进行总览,查看是否缺失存在数据
df.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 536041 entries, 0 to 536040 Data columns (total 16 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 cmte_id 536041 non-null object 1 cand_id 536041 non-null object 2 cand_nm 536041 non-null object 3 contbr_nm 536041 non-null object 4 contbr_city 536026 non-null object 5 contbr_st 536040 non-null object 6 contbr_zip 535973 non-null object 7 contbr_employer 525088 non-null object 8 contbr_occupation 530520 non-null object 9 contb_receipt_amt 536041 non-null float64 10 contb_receipt_dt 536041 non-null object 11 receipt_desc 8479 non-null object 12 memo_cd 49718 non-null object 13 memo_text 52740 non-null object 14 form_tp 536041 non-null object 15 file_num 536041 non-null int64 dtypes: float64(1), int64(1), object(14) memory usage: 65.4+ MB
3、用统计学指标快速描述数值型属性的概要
describe()函数
- include:包含哪类数据。默认只包含连续值,不包含离散值;include = ‘all’ 设置全部类型
- percentiles:设置输出的百分位数,默认为[.25,.50,.75],返回第25,50,75百分位数
df.describe()##对数值行数据进行分析
4、空值处理。可能因为忘记填写保密等原因,相关字段出现了空值,将其填充为NOT PROVIDE。
df.fillna()
1.df.fillna()函数的功能:该函数的功能是用指定的值去填充dataframe中的缺失值。
2.df.fillna()函数的基本语法:df.fillna(a,[inplace=False]),其中参数a表示的是常数或字典,若a为常数,则用常数a填充缺失值,若a为字典,则表示第key列的缺失值用key对应的value值填充,如:df.fillna({0:10,1:20}),表示用10去填充第0列的缺失值,用20去填充第1列的缺失值;inplace为可选参数,默认为False,表示不修改原对象,若指定inplace=True,则直接修改原对象。
3.df.fillna()函数的返回值:若指定inplace=True,则函数返回值为None,若未指定,则函数返回填充缺失值后的数据。
df.fillna(value="NOT PROVISED",inplace=True)
df.info()
###用value=NOT PROVISED 来填充空值
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 536041 entries, 0 to 536040
Data columns (total 16 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 cmte_id 536041 non-null object
1 cand_id 536041 non-null object
2 cand_nm 536041 non-null object
3 contbr_nm 536041 non-null object
4 contbr_city 536041 non-null object
5 contbr_st 536041 non-null object
6 contbr_zip 536041 non-null object
7 contbr_employer 536041 non-null object
8 contbr_occupation 536041 non-null object
9 contb_receipt_amt 536041 non-null float64
10 contb_receipt_dt 536041 non-null object
11 receipt_desc 536041 non-null object
12 memo_cd 536041 non-null object
13 memo_text 536041 non-null object
14 form_tp 536041 non-null object
15 file_num 536041 non-null int64
dtypes: float64(1), int64(1), object(14)
memory usage: 65.4+ MB
5、异常值的处理。将捐赠金额<=0的数据删除
df.drop(labels=drop_indexs,axis=0,inplace=True)
只有在df.drop()里面的axis=0表示行,labels=drop_indexes表示删除这一列
#异常值的处理。将捐赠金额<=0的数据删除
df["contb_receipt_amt"]<=0
df.loc[df["contb_receipt_amt"]<=0]
drop_indexs=df.loc[df["contb_receipt_amt"]<=0].index
df.drop(labels=drop_indexs,axis=0,inplace=True)
6、新建一列为各个候选人所在党派的party
map函数作用: 根据提供的函数对指定的序列做映射。通俗地讲就是以参数序列中的每个元素分别调用参数中的函数(func()),把每次调用后返回的结果保存到返回值中
#新建一列为各个候选人所在党派的party
#新建一列为各个候选人所在党派的party
#根据名字去百度查询,各个候选人所在的党派,写成一个字典
"""字典形式为:
partise={
"人名,人名":"所在的党派",
"人名,人名":"所在的党派",
"人名,人名":"所在的党派",
}"""
df['party'] = df['cand_nm'].map(parties)
7、查看party这一列中有哪些不同的元素
df["party"].unique()
array(['Republican', 'Democrat', 'Reform', 'Libertarian'], dtype=object)
8、统计party列中各个元素出现的次数
value_counts()函数
value_counts() 方法返回一个序列 Series,该序列包含每个值的数量。也就是说,对于数据框中的任何列,value-counts () 方法会返回该列每个项的计数。
#统计party列中各个元素出现的次数
df["party"].value_counts()
9、查看各个党派收到的政治献金总数
#查看各个党派收到的政治献金总数contb_receipt_amt
df.groupby(by='party')["contb_receipt_amt"].sum()
10、查看具体每天各个党派收到的政治献金总数
df.group()函数
df.groupby() 函数返回的对象是一系列键值对,其中键是分组的字段值,值是该字段值下的数据表。分组的结果是无法直接输出的,print()只能看到该结果的数据类型。可以用循环对分组后的结果进行遍历。
#查看具体每天各个党派收到的政治献金总数
df.groupby(by=["contb_receipt_dt","party"])["contb_receipt_amt"].sum()
11、将表中的时期格式转变为"yyyy-mm-dd"
##将表中日期格式转换为:"yyyy_mm_dd"
def trandformData(d):
day,month,year = d.split('-')
month = months[month]#将英文月份转换为中文月份
return '20'+year+'-'+str(month)+'-'+day
df['contb_receipt_dt'] = df['contb_receipt_dt'].map(trandformData)
12、查看老兵(捐赠者职业)主要支持谁
#查看老兵(捐赠者职业)DISABLED VETERAN主要支持谁,给谁捐赠的钱越多表示越支持谁
#可以先将源数据中的老兵这个职业对应的行数据取出
df["contbr_occupation"]=="DISABLED VETERAN"
df_old=df.loc[df["contbr_occupation"]=="DISABLED VETERAN"]
#分组:以候选人分组,对捐赠金额求和
df_old.groupby(by='cand_nm')['contb_receipt_amt'].sum()
cand_nm Cain, Herman 300.00 Obama, Barack 4205.00 Paul, Ron 2425.49 Santorum, Rick 250.00 Name: contb_receipt_amt, dtype: float64
复习
df.describe() | 对数据进行统计描述形分析 |
df.fillna(value=“”,inplace=True) | 对缺失值进行填充,填充值是value的值 |
df[].map() | 提供的函数对指定的序列做映射 |
df.groupby(by="")[] | 通过by里面的关键字进行分组 |
df.value_counts() | 统计各个元素出现的次数 |
df[].unique() | 看某一列有几个元素 |