常用方法:
df[属性名].unique() | 去除对应列的重复值,并将其转换成列表 | 可以用来去重 |
df[属性名].tolist() | 将属性列中的内容转换成列表 | 属性列——>列表 |
df[属性列].str.split(分隔符) | 切割字符串 | pandas内置的str列内置的方法 |
现在我们有一组从2006年到2016年1000部最流行电影的数据,我们呢想知道这些电影数据中评分的平均分,导演的人数等信息,应该如何操作?
1、查看数据文件中的内容
import pandas as pd
file_path = "C:/Users/Lenovo/Desktop/IMDB-Movie-Data.csv"
df = pd.read_csv(file_path)
print(df.head(1))
print(df.info())
2、求影评平均分、导演数
import pandas as pd
file_path = "C:/Users/Lenovo/Desktop/IMDB-Movie-Data.csv"
df = pd.read_csv(file_path)
#获取电影平均评分
print(df["Rating"].mean())
#导演的人数
#set顾名思义是集合,里面不能包含重复的元素,接收一个list作为参数
print(len(set(df["Director"].tolist())))
3、求演员的数量
#获取演员数量
temp_actors_list = df["Actors"].str.split(", ").tolist() #列表嵌套列表
actors_list = [i for j in temp_actors_list for i in j] #双重循环拆解开嵌套链表
actors_num = len(set(actors_list))
print(actors_num)
4、电影数直方图(对连续数据的统计)
对于这一组电影数据,如果我们想知道rating、runtime的分布情况,使用直方图进行数据呈现。
import pandas as pd
from matplotlib import pyplot as plt
file_path = "C:/Users/Lenovo/Desktop/IMDB-Movie-Data.csv"
df = pd.read_csv(file_path)
print(df.info())
#rating、runtime分布情况——>直方图
#准备数据
runtime_data = df["Runtime (Minutes)"].values
max_runtime = runtime_data.max()
min_runtime = runtime_data.min()
#计算组数
print(max_runtime, min_runtime, max_runtime - min_runtime)
num_bin = (max_runtime - min_runtime) // 5
#图形绘制
plt.figure(figsize=(20,8), dpi=80)
plt.hist(runtime_data, num_bin)
plt.xticks(range(min_runtime, max_runtime+5, 5)) #刻度设置
plt.show()
5、字符串离散化案例
对于一组电影的数据,如果我们希望统计电影分类(Genre)的情况,应该如何处理数据?
思路:重新构造一个全为0的数组,列名为分类,如果某一条数据中分类出现过,就让0变成1
- 字符串转换成离散数据,使用条形图绘制具体图形(构造全为0的列表,统计各类出现的频数)
(1)构造出来的分类统计表
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
def myDeal():
file_path = "C:/Users/Lenovo/Desktop/IMDB-Movie-Data.csv"
df = pd.read_csv(file_path)
#统计分类列表
temp_list = df["Genre"].str.split(",").tolist() #[[], [], []]
genre_list = list(set([i for j in temp_list for i in j]))
#构造全为0的数组
zeros_df = pd.DataFrame(np.zeros((df.shape[0], len(genre_list))), columns=genre_list)
#print(zeros_df)
#给每个电影出现的分类位置赋为1
for i in range(df.shape[0]):
zeros_df.loc[i, temp_list[i]] = 1
#print(zeros_df.head(3))
#统计每个分类的电影的数量和
genre_count = zeros_df.sum(axis=0)
print(genre_count)
#为各个分类出现的次数进行排序
genre_count = genre_count.sort_values()
print(genre_count)
#绘图
_x = genre_count.index
_y = genre_count.values
plt.figure(figsize=(20, 8), dpi=80)
plt.bar(range(len(_x)), _y)
plt.xticks(range(len(_x)), _x)
plt.show()
if __name__ == '__main__':
myDeal()