Python数据分析——分析欧洲杯数据集

最新推荐文章于 2024-06-03 18:02:13 发布

Waitind_

最新推荐文章于 2024-06-03 18:02:13 发布

阅读量872

点赞数 17

文章标签： python pandas

本文链接：https://blog.csdn.net/waitind_/article/details/137785772

版权

读取数据集`Euro_stats.csv`，将其存成`DataFrame`，并命名为`euro`

import pandas as pd
euro = pd.read_csv(r'C:\Users\75559\Python\expt1\Euro_stats.csv')
euro

import pandas as pd：这是导入pandas库的命令。pandas是一个强大的Python数据分析工具库，用于数据处理、清洗、转换等。在这里，我们使用import语句将pandas库导入到当前的Python环境中，并给它起了一个别名pd，这样在后续的代码中就可以用pd来调用pandas库中的函数和类。
euro = pd.read_csv(r'C:\Users\75559\Python\expt1\Euro_stats.csv')：这是使用pandas库中的read_csv函数读取CSV文件的命令。CSV（Comma-Separated Values，逗号分隔值）是一种 plain text 数据格式，用于存储表格数据（数字和文本）。read_csv函数将CSV文件转换为一个DataFrame对象。在这里，r'C:\Users\75559\Python\expt1\Euro_stats.csv'是文件路径，r表示字符串是原始字符串，不会对路径中的反斜杠进行转义。
euro：这个变量名表示存储读取的数据的DataFrame对象的名称。在后续的代码中，可以通过euro这个变量来访问或操作这个DataFrame对象。
euro：这又是一行代码，尝试打印出euro这个DataFrame对象的内容。但是这行代码没有换行符，所以可能会和下一行代码在同一行显示。

这段代码的主要作用是读取一个CSV文件，并将文件内容存储在一个DataFrame对象中，以便后续进行数据分析。

有多少支球队参加了欧洲杯？

euro['Team'].nunique()

euro：这是之前读取CSV文件后创建的DataFrame对象。
euro['Team']：这表示 euro DataFrame对象中名为 ‘Team’ 的列。在pandas中，你可以通过方括号 [] 的方式访问DataFrame中的列。
.nunique()：这是pandas中的一个内置方法，用来计算某一列中唯一不同的值（即唯一键）的数量。这个方法会返回一个Series对象，其中包含了该列中唯一值的数量。

euro['Team'].nunique() 这行代码的作用是计算 ‘Team’ 这一列中不同团队的个数。例如，如果 ‘Team’ 列包含了 ‘Team A’, ‘Team B’, ‘Team C’ 等值，那么 nunique() 方法将返回3，因为有三支不同的团队。

这通常用于检查数据集中某一列的多样性，例如在一组数据中团队、商品种类或者类别变量的不同选项有多少。

该数据集中一共有多少列？分别是什么？

print(euro.shape[1])
print(euro.columns)

在pandas中，DataFrame对象有一个属性叫做shape，它是一个元组，包含了DataFrame的行数和列数。shape[1]就是获取DataFrame的列数。

这里的意思是：

print(euro.shape[1])：这行代码会打印出euro DataFrame的列数。如果你想看整个DataFrame的形状，可以只打印euro.shape而不索引它。
print(euro.columns)：这行代码会打印出euro DataFrame的所有列名。euro.columns是一个包含所有列名的Index对象。

将数据集中的列`Team`, `Yellow Cards`和`Red Cards`单独存为一个名叫`discipline`的数据框

discipline = euro[['Team', 'Yellow Cards', 'Red Cards']]
print(discipline)

这段代码的作用是创建一个新的DataFrame，它包含了原始DataFrame euro 中特定的几列数据。具体来说：

discipline = euro[['Team', 'Yellow Cards', 'Red Cards']]：
- euro 是原始的DataFrame对象。
- [['Team', 'Yellow Cards', 'Red Cards']] 是一个列表，其中包含了列名。这告诉pandas从euro中选择这些列。
- discipline = euro[['Team', 'Yellow Cards', 'Red Cards']] 创建了一个新的DataFrame对象discipline，它只包含euro中名为’Team’, ‘Yellow Cards’, 和 'Red Cards’的列。
print(discipline)：
- 这行代码会打印出discipline DataFrame的内容。你会看到与’Team’, ‘Yellow Cards’, 和 'Red Cards’相关的数据，但是没有其他列的数据。

所以，如果你运行这段代码，你会得到一个只包含’Team’, ‘Yellow Cards’, 和 'Red Cards’这三列的DataFrame，并且这些列的数据会打印出来。这通常用于数据分析时，当你只需要数据集中的部分信息时，可以通过这种方式来子集数据。

对`discipline`按照先`Red Cards`再`Yellow Cards`进行排序

discipline.sort_values(by=['Red Cards', 'Yellow Cards'])

discipline：这是之前通过选择 euro DataFrame 中特定列而创建的新的DataFrame对象，它包含了 ‘Team’, ‘Yellow Cards’, 和 ‘Red Cards’ 这三列的数据。
.sort_values()：这是pandas中的一个方法，用于对DataFrame进行排序。它的参数可以指定排序的依据，即哪一列或者哪几列的值。
by=['Red Cards', 'Yellow Cards']：这个参数指定了排序的依据是 ‘Red Cards’ 和 ‘Yellow Cards’ 这两列。pandas会根据这两列的值来对数据进行排序。
如果 ‘Red Cards’ 和 ‘Yellow Cards’ 两列中有一个或多个有缺失值（例如NaN），pandas默认会按照缺失值后面的列进行排序。如果两列都有缺失值，那么缺失值多的行会排在后面。
默认情况下，.sort_values() 方法会按照升序对数据进行排序，即数值从小到大排列。如果你想要进行降序排序，可以使用 ascending=False 参数。

计算每支球队拿到的黄牌数的平均值

print(discipline.groupby('Team').agg({'Yellow Cards': 'sum'}).mean())

discipline.groupby('Team')：
- 这部分代码将 discipline DataFrame 按照 ‘Team’ 这一列进行分组。这意味着数据会被分成不同的组，每个组对应于 DataFrame 中 ‘Team’ 列的一个唯一值。
.agg({'Yellow Cards': 'sum'})：
- .agg() 方法是用来对分组后的数据进行聚合操作的。在这里，我们指定要对 ‘Yellow Cards’ 这一列进行求和（‘sum’）操作。这意味着对于每个团队组，将计算该组中 ‘Yellow Cards’ 列所有值的和。
.mean()：
- 这部分代码对聚合后的结果进行计算平均值的操作。由于我们之前对 ‘Yellow Cards’ 列进行了求和，所以这里计算的是每个团队组 ‘Yellow Cards’ 总和除以该组的大小（即该组有多少行）。如果组中没有缺失值，这将给出每个团队平均获得的黄色卡片数。
print(...)：
- 这行代码会打印出聚合和平均操作的结果。

这行代码的作用是计算每个团队平均获得的黄色卡片数。需要注意的是，如果 ‘Team’ 列中有重复的值，那么 .groupby('Team') 会将这些重复的值视为不同的组进行处理。如果 ‘Team’ 列中没有重复值，那么每个团队只算一个组，聚合和平均的结果将直接反映在该团队对应的 ‘Yellow Cards’ 列上。

展示进球数`Goals`超过6的球队数据

Goals_over_6 = euro['Goals'] > 6
print(euro.loc[Goals_over_6, :])

Goals_over_6 = euro['Goals'] > 6：
- 这部分代码创建了一个新的布尔系列 Goals_over_6，其中每个元素对应于 euro DataFrame 中 ‘Goals’ 列的每个值。如果 ‘Goals’ 列的值大于6，相应的元素为 True，否则为 False。
euro.loc[Goals_over_6, :]：
- .loc[] 方法用于基于布尔系列选择 DataFrame 的行。在这里，我们使用 Goals_over_6 来选择所有为 True 的行。
- : 表示选择所有列，因此 euro.loc[Goals_over_6, :] 会选择 ‘Goals_over_6’ 中所有 True 值的行，并打印出这些行中所有的列数据。
print(...)：
- 这行代码会打印出筛选出来的行的数据。

选取数据框`euro`的前6列

euro.iloc[:, :6]

euro.iloc[:, :6]：
- .iloc[] 是 pandas DataFrame 的一个方法，用于基于整数的位置索引来选择数据。
- : 表示选择所有的行。
- :6 表示选择列的范围，从第一列（索引为0）到第六列（索引为5）。
因此，euro.iloc[:, :6] 会返回一个新的 DataFrame，其中包含 euro 的前6列，而不管行数。
如果你想要选择特定的行和列，你可以这样做：
- euro.iloc[0:10, 0:3]：这将选择第0到第9行（不包括第10行）和第0到第2列（不包括第3列）的数据。
- euro.iloc[1, 2]：这将选择第1行第2列的一个单一的单元格。
需要注意的是，.iloc[] 方法使用的是基于零的索引，也就是说，第一列的索引是0，第二列的索引是1，依此类推。

选取数据框`euro`的除最后3行之外的全部行

print(euro.iloc[:,:-3])

euro.iloc[:,:-3]：
- .iloc[] 是 pandas DataFrame 的一个方法，用于基于整数的位置索引来选择数据。
- : 表示选择所有的行。
- :-3 表示选择列的范围，从第一列（索引为0）到最后第三列（索引为-3）之前的所有列。在Python中，负数索引表示从最后一项开始倒数，因此 :-3 会包含索引为0到索引为-4的所有列，但不包括索引为-3的列。
因此，euro.iloc[:,:-3] 会返回一个新的 DataFrame，其中包含 euro 的所有列，但不包括最后一列到倒数第三列之间的数据。
print(...)：
- 这行代码会打印出通过 .iloc[:,:-3] 方法选择的数据。

找到英格兰(England)、意大利(Italy)和俄罗斯(Russia)的射门准确率(Shooting Accuracy)

euro.set_index('Team',inplace=True)
print(euro.loc[['England','Italy','Russia'],'Shooting Accuracy'])

euro.set_index('Team',inplace=True)：这行代码将名为euro的DataFrame的’Team’列设置为其索引。inplace=True参数表示直接在原始数据上进行修改。这意味着euro DataFrame的索引将被更新，以后你可以通过索引来快速访问行。
print(euro.loc[['England','Italy','Russia'],'Shooting Accuracy'])：这行代码打印出euro DataFrame中特定行的’Shooting Accuracy’列的值。euro.loc函数的第一个参数是一个索引标签的列表，这些标签对应于euro DataFrame中你感兴趣的团队（在这里是’England’，‘Italy’，和’Russia’）。第二个参数是列的名称（在这里是’Shooting Accuracy’），它告诉你哪一列的值你想要查看。