『Python』快速复盘【泰坦尼克获救预测分析】·动手学数据分析

半年前为了学习机器学习的分类模型，首次写下这篇博客泰坦尼克获救预测分析，如今为了巩固python分析基础（提醒自己基础熟练的重要性！！！），还有分享如何快速“动手学数据分析”，快速复盘这个案例。

一、数据基本操作

1.数据加载

1.1载入数据

数据集下载： https://www.kaggle.com/c/titanic/overview
1.1.1 导基本包

1.1.2 导数据
(1) 使用相对路径载入数据
(2) 使用绝对路径载入数据
也可以把地址赋给一个变量，之后引用这个变量即可。


备注：电脑是Mac系统，我得到绝对地址的方法是：把文件直接拖拽到终端里，自动会显示此文件的绝对地址。

1.1.3每1000行为一个数据模块，逐块读取文件

问题：什么是逐块读取?
答案：利用chunksize参数，来控制每次块数据的大小。它的本质就是将文本分成若干块。其实，每次进行迭代的时候还是一个DataFrame类型的数据结构。
问题：为什么要逐块读取呢?
答案：使用pandas来处理文件的时候，经常会遇到大文件，而有时候我们只想要读取其中的一部分数据，这时对文件进行逐块处理。

1.1.4将表头改为中文，索引改为乘客id

1.2初步观察

1.2.1查看数据的基本信息

1.2.2观察表格前10行的数据和后15行的数据


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

量化一下：

1.3保存数据

将你加载并作出改变的数据，在工作目录下保存为一个新的文件train_chinese.csv

2.Pandas基础

2.1认识Pandas中两数据结构：DateFrame和Series

总结：
1、Series是一种类似于一维数组的对象。它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。Series只有行索引。
2、DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共同用一个索引）。
3、dataframe类型的每一列都是Series类型。

2.2查看数据

2.2.1加载上面保存的"train_chinese.csv"文件。

2.2.2查看数据的某列的所有项

注意：取值时用[]包含才是dataframe，否则取出来就是Series

2.2.3删除某些列
①del df[]
②df.drop([],axis = 1)

#方法一
del test_df['某一列']
#方法二
test_df.drop(['乘客ID','姓名','年龄','票价'],axis=1)

2.2数据筛选

表格数据中，最重要的一个功能就是要具有可筛选的能力，选出我所需要的信息，丢弃无用的信息。 用实战来学习pandas这个功能。

2.3.1 以‘age’为筛选条件，显示年龄在10岁以下的乘客信息

2.3.2以‘Age’为条件，将年龄在10岁以上和50岁以下的乘客信息显示出来，并将这个数据命名为midage

Ps:小心标注的符号吼！！！

2.3.3数值筛选

原本是这样的，如果想要按索引筛选，需要重置索引。



总结：loc和iloc的区别:
loc：只能通过选取行标签索引数据；
iloc：只能通过选取行位置编号索引数据。

3.探索性数据分析

3.1利用Pandas-describe()函数查看数据基本统计信息

说明：
·count : 样本数据大小
·mean : 样本数据的平均值
·std : 样本数据的标准差
·min : 样本数据的最小值
·25% : 样本数据25%的时候的值
·50% : 样本数据50%的时候的值
·75% : 样本数据75%的时候的值
·max : 样本数据的最大值

分析：
仅对于票价分析
一共有891个票价数据，
平均值约为:32.20，
标准差约为49.69，说明票价波动特别大， 25%的人的票价是低于7.91的，50%的人的票价低于14.45，75%的人的票价低于31.00， 票价最大值约为512.33，最小值为0。

3.2利用Pandas对示例数据进行排序，要求升序

代码解析：
pd.DataFrame() :创建一个DataFrame对象
np.arange(8).reshape((2, 4)) : 生成一个二维数组(2*4),第一列:0，1，2&#x