hands-data-analysis-master第一章第一节

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')