python数据分析基础及流程回顾，重点数据预处理之异常值发现与处理

一、 python数据分析基础库的导入

基本是固定搭配

import numpy as np               #科学计算基础库，多维数组对象ndarray
import pandas as pd              #数据处理库，DataFrame（二维数组）
import matplotlib as mpl         #画图基础库
import matplotlib.pyplot as plt  #最常用的绘图库


mpl.rcParams["font.family"]="SimHei"  #使用支持的黑体中文字体
mpl.rcParams["axes.unicode_minus"]=False # 用来正常显示负号  "-"
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
# % matplotlib inline  #jupyter中用于直接嵌入图表，不用plt.show()
import warnings
warnings.filterwarnings("ignore") #用于排除警告
 
#用于显示使用库的版本
print("numpy_" + np.__version__)
print("pandas_" + pd.__version__)
print("matplotlib_"+ mpl.__version__)

numpy_1.17.4
pandas_0.23.4
matplotlib_2.2.3

二、基础回顾

基本使用简单描述统计1

统计：
sum, mean, std, var,
min, max, argmin, argmax
cumsum, cumprod

排序相关
sort(axis)、
unique( )

随机数生成
from numpy.random import **

numpy.random

简单的随机数据

rand(d0, d1, …, dn),

randn(d0, d1, …, dn)

sigma * np.random.randn(…) + mu

randint(low[, high, size])

random_integers(low[, high, size])

choice(a[, size, replace, p])

排列

shuffle(x) #洗牌

permutation(x) #转置

changes=pd.DataFrame(np.random.normal(loc=0.001,scale=np.sqrt(0.005),size=(100,100)))
#np.random.normal(loc=期望值,scale=标准差，size=(行个数,列个数))，
#生成期望为0.001，方差为0.005（标准差sqrt(0.005)）的服从正态分布的100 rows × 100 columns个数，然后放入二维表中
#print(changes.head()) #获取前5行
display(changes.loc[:3,:3]) #切片获取前4行，前4列
#changes.plot() 简单的化一个折线图
returns = changes.cumsum(axis=0)  #cumsum(0)表示按照行进行累加
display(returns.loc[97:100,:3])
#returns.plot()简单的化一个折线图
print(returns.loc[99,].mean())#计算最后一行的均值
print(returns.loc[99,].std()) #计算最后一行的标准差
print(returns.loc[99,].var()) #计算最后一行的方差

	0	1	2	3
0	-0.073265	0.027694	-0.005274	0.018362
1	-0.162326	-0.027650	0.013609	-0.002829
2	0.027491	0.108222	-0.079539	-0.007628
3	-0.063755	-0.032045	0.076477	0.084774

	0	1	2	3
97	-0.621215	-0.131843	-0.440428	-1.508183
98	-0.508074	-0.243702	-0.522049	-1.435103
99	-0.447405	-0.366133	-0.471084	-1.376747

-0.0037164612652884122
0.6395170858647697
0.40898210311296734

基本使用分布函数2

三、数据分析流程

任务描述：
–理解数据类型和数据结构
–载入数据
–清洗数据
–做简单的统计分析
–使用基础的可视化

数据分析的步骤：
–获取数据
–数据预处理
–数据分析
–数据挖掘
–可视化展现

数据预处理（数据分析和挖掘的瓶颈）：
–获取数据
–载入数据
–清洗数据：异常
–清洗数据：维度
–清洗数据：粒度
–缺失值；无效值；格式转换；命名变换；类型转换

数据预处理案例

1、 理解和获取数据

# 理解和获取数据
# 头部导入库在最前面一中：此处略
df = pd.read_csv(r"E:\tips.csv",encoding='utf-8') #导入csv格式数据
display(df.sample(5))  #随机抽样5行
#某餐厅顾客消费记录
#解释数据结构：total_bill	消费， tip	小费，sex	服务员性别，smoker	是否抽烟，day	星期几，time	午餐/晚餐，size	本桌人数

	total_bill	tip	sex	smoker	day	time	size
235	10.07	1.25	Male	No	Sat	Dinner	2
110	14.00	3.00	Male	No	Sat	Dinner	2
48	28.55	2.05	Male	No	Sun	Dinner	3
133	12.26	2.00	Female	No	Thur	Lunch	2
131	20.27	2.83	Female	No	Thur	Lunch	2

2、数据清洗及简单统计

清洗数据：https://blog.csdn.net/weixin_41685388/article/details/103841296

# 对数据做基本统计，检查异常，看看数据质量
print("行列数：",df.shape)  #查看总的有n行，m列
print("info统计：",df.info()) #查看数据是否有缺失值，这里无
display("查看重复值：",df[df.duplicated(subset=["total_bill","tip"],keep=False)])#这组数据查看重复值没什么意义，true无重复
#df1 = df.drop_duplicates(subset=["total_bill","tip"],keep='first',inplace=False) #当然这里没必要删除
display("数值列统计:",df.describe()) # 数值列 和 非数值列  的统计结果不一样！默认统计数值列
display("非数值列统计:",df[["sex","smoker","day","time"]].describe()) #统计非数值列

行列数： (244, 7)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 244 entries, 0 to 243
Data columns (total 7 columns):
total_bill    244 non-null float64
tip           244 non-null float64
sex           244 non-null object
smoker        244 non-null object
day           244 non-null object
time          244 non-null object
size          244 non-null int64
dtypes: float64(2), int64(1), object(4)
memory usage: 13.4+ KB
info统计： None



'查看重复值：'

	total_bill	tip	sex	smoker	day	time	size
61	13.81	2.0	Male	Yes	Sat	Dinner	2
163	13.81	2.0	Male	No	Sun	Dinner	2
198	13.00	2.0	Female	Yes	Thur	Lunch	2
202	13.00	2.0	Female	Yes	Thur	Lunch	2

'数值列统计:'

	total_bill	tip	size
count	244.000000	244.000000	244.000000
mean	19.785943	2.998279	2.569672
std	8.902412	1.383638	0.951100
min	3.070000	1.000000	1.000000
25%	13.347500	2.000000	2.000000
50%	17.795000	2.900000	2.000000
75%	24.127500	3.562500	3.000000
max	50.810000	10.000000	6.000000

'非数值列统计:'

	sex	smoker	day	time
count	244	244	244	244
unique	2	2	4	2
top	Male	No	Sat	Dinner
freq	157	151	87	176

3、位置度量

• -算数平均:mean

• -中位数：median

• -截尾均值：去除部分小/大的离散值之后再算均值

• -M估计：估计的初衷是为了解决最小二乘法的不稳健问题,但从它的发展来看永远超越了它最初的目的,实际上它是包括了稳健估计、最小二乘估计在内的一个广义的估计类。

• -位置估计的比较：

• -自助法估计位置度量的变异性：

#均值和中位数比较
pd.DataFrame({"mean":df.mean(),"median":df.median()})

	mean	median
total_bill	19.785943	17.795
tip	2.998279	2.900
size	2.569672	2.000

4、画图检验

简单画一下箱型图，看看离群点的分布，可以根据实际业务对离群点进行处理（这里就不做处理了）

matplotlib画图库：https://blog.csdn.net/weixin_41685388/article/details/103947701

import numpy as np
import matplotlib.pyplot as plt

figure = plt.figure(num="箱型图",figsize=(12,4),dpi=80,facecolor="LightGray",edgecolor="blue",frameon=True)

total_bill = df["total_bill"]
tip = df["tip"]

axes1= plt.subplot(1,2,1)
plt.title("total_bill箱型图")
plt.xlabel("total_bill")
plt.ylabel("value")
axes1.boxplot(total_bill,sym="o",whis=1.5)

axes2= plt.subplot(1,2,2)
plt.title("tip箱型图")
plt.xlabel("tip")
plt.ylabel("value")
axes2.boxplot(tip,sym="o",whis=1.5)

plt.show()

画图看一下total_bill和tip关系图，根据直方图，发现似乎有两个离群点，但这里样本量不大的情况，暂时就不做处理啦。

import numpy as np
import matplotlib.pyplot as plt

figure = plt.figure(num="total_bill和tip",figsize=(12,4),dpi=80,facecolor="LightGray",edgecolor="blue",frameon=True)

x = df["tip"]
y = df["total_bill"]
axes1= plt.subplot(1,2,1)
plt.title("total_bill和tip关系图")
plt.xlabel("tip")
plt.ylabel("total_bill")
plt.grid(True, color="g", axis="both", ls="--", lw=0.5) #设置网格线
axes1.plot(x, y, 'bo')


x=df['tip']/df['total_bill']
num_bins = 25 #直方图柱子数量
axes2= plt.subplot(1,2,2)
plt.title("tip/total_bill直方图")
plt.xlabel("tip/total_bill")
plt.ylabel("数量")
plt.grid(True, color="g", axis="both", ls="--", lw=0.5) #设置网格线
n, bins, patches = axes2.hist(x, num_bins)


plt.show()

画图看一下total_bill和size是否存在某种函数关系

import numpy as np
import matplotlib.pyplot as plt

x = df["size"]
y = df["total_bill"]

#按照size分组聚合total_bill 获取均值
g_a = df[["size","total_bill"]].groupby("size").agg(["count","sum","mean"])
x2 = g_a.index
y2 =g_a["total_bill"]["mean"]

fig, ax = plt.subplots()
plt.title("total_bill和size关系图")
plt.xlabel("size")
plt.ylabel("values")
ax.plot(x, y, 'ro',x2, y2, 'b--')
plt.legend(["total_bill","mean(total_bill)"],loc="best", frameon=False, ncol=2)

plt.show()