1 第一章:数据的载入及初步观察
1.1 载入数据
数据集下载:https://www.kaggle.com/c/titanic/overview
1.1.1 导入numpy 和pandas
import numpy as np
import pandas as pd
1.1.2 载入数据
(1)使用相对路径
df = pd.read_csv('../data/train.csv')
df.head(3)
(2)使用绝对路径
import os
os.getcwd()
得到绝对地址后,copy地址。
df = pd.read_csv('E:/jupyter/hands-on-data-analysis-master/data/train.csv')
df.head(3)
这样便可以实现相对路径及绝对路径的读取数据了。
【思考】:知道数据加载的方法后,试试pd.read_csv()和pd.read_table()的不同,如果想让他们效果一样,需要怎么做?了解一下’.tsv’和’.csv’的不同,如何加载这两个数据集?
实际上pd.read_table及pd.read_csv均可以实现读取,df2 = pd.read_table(‘地址’,sep = ‘,’)与pd.read_csv(‘地址’)一样。
1.1.3 每100行为一个数据模块,逐块读取
chunkers = pd.read_csv('train.csv',chunksize =100)
可以通过for循环实现迭代
for chunker in chunkers:
print(chunker.shape)
(100, 12)
(100, 12)
(100, 12)
(100, 12)
(100, 12)
(100, 12)
(100, 12)
(100, 12)
(91, 12)
1.1.4 将表头改成中文,索引改为乘客ID [对于某些英文资料,我们可以通过翻译来更直观的熟悉我们的数据
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')
df.head()
如果不设置header = 0 会把第一行英文名称显示出来:
加了header = 0
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(3)
1.2初步观察
导入数据后,你可以对数据的整体结构和样例进行概览。
1.2.1 查看数据基本信息
df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 891 entries, 1 to 891
Data columns (total 11 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 是否幸存 891 non-null int64
1 仓位等级 891 non-null int64
2 姓名 891 non-null object
3 性别 891 non-null object
4 年龄 714 non-null float64
5 兄弟姐妹个数 891 non-null int64
6 父母子女个数 891 non-null int64
7 船票信息 891 non-null object
8 票价 891 non-null float64
9 客舱 204 non-null object
10 登船港口 889 non-null object
dtypes: float64(2), int64(4), object(5)
memory usage: 83.5+ KB
df.describe()
1.2.2 观察表格前10行的数据和后15行的数据
df.head(10)
df.tail(15)
1.2.3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(5)
df.isnull().tail(10)
df.head(10).append(df.tail(15))
1.3 保存数据
1.3.1 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('../data/train_chinese.csv')