python数据分析与建模实现-第一次笔记

python数据分析与建模实现-第一次笔记

第一次写博客，有什么不好的希望大家能谅解，也希望大家能喜欢。
- 1.数据的读取
- 2.数据的处理
- - 2.1.异常值（空值）处理
- - 2.1.1删除
- - 2.1.2指代
- 3.利用四分位数来去除异常值
- 4.静态结构分析
- 5.数据分区间
- 6.英文异常值数据的处理
- 7.对比分析

---

前言

首先我们做数据分析，想要得出最科学，最真实的结论，必须要有好的数据。而实际上我们一般面对的的都是复杂，多变的数据，所以必须要有强大的数据处理能力，接下来，我从我们面临的最真实的情况，一步一步教会大家怎么做。

1.数据的读取

（1）读取模块
Import pandas as pd 
Import numpy as np
（2）读取表格的全部数据
df = pd.read_csv(".data/HR.csv")
（3）读取你所需要的数据
sl_s=df["sactisfaction_level"]

2. 数据的处理

2.1.异常值（空值）处理

2.1.1删除

首先，第一步是对空值的处理。
有两种，一种直接删除，另一种指代。
如果数据多，想简单一点，就直接删除，方法都很简单。

首先，建立一个DataFrame表
1.为了确定是否含有空值：
df.isnull()          #如果含有空值，返回True
2.删除
df.dropna()          #去掉含空值的行
如果想要删除某一个属性含空值的行就加入subset参数
df.dropna(subset=["B"])    #去掉B属性含空值的行
判断是否有重复的数据：
df.duplicated(["A"])      #A属性中重复的数据返回True
删除A属性重复的行
df.drop_duplicates(["A"])
df.drop_duplicates(["A"],keep=False)   #删除A属性全部重复的行
df.drop_duplicates(["A"],keep=first)   #删除A属性全部重复的行，保留第一个
df.drop_duplicates(["A"],keep=last)    #删除A属性全部重复的行，保留最后一个

2.1.2指代

有些数据非常重要，不能删除，那我们就选择指代，也就是替换

#含空值的数据被替换为“b*”
df.fillna("b*")
#E属性中的含空值的数据被替换成该属性的平均值
df.fillna(df["E"].mean())
#插值替换
如果含空值的元素为最后一个，那么空值的数据替换成和上一个数据一样
如何含空值的元素为中间，那么空值的数据被（上+下）/2代替
df["E"].interpolate()   
#3次样条插值  order 参数就是几次样条插值
df["E"].interpolate(method="spline",order=3)

*函数

（4）异常值分析（含有就返回True）            --isnull()
sl_s.isnull()
主要表示没有空值
（5）提取异常值的该属性信息             
sl_s[sl_s.isnull()]
（6）提取异常值的表格全部信息
df[df["sactisfaction_level"].isnull()]
（7）丢弃异常值                         --dropna()
sl_s=sl_s.dropna()
注：删除为空的异常值
可以利用where()把异常数据赋空，然后利用dropna()删除
（8）填充异常值                         --fillna()
sl_s=sl_s.fillna()
（9）平均值                             --mean()
sl_s.mean()
（10）标准差                            --std()
Sl_s.std()
（11）最大值                            --max()
sl_s.max()
（12）最小值                            --min()
sl_s.min()
（13）中位数                            --median()
sl_s.median()
（14）下四分位数                         --quantile(q=0.25)
sl_s.quantile(q=0.25)
（15）上四分位数                         --quantile(q=0.75)
sl_s.quantile(q=0.75)
（16）偏度                              --skew()
sl_s.skew()    
分析：小于0   是负偏  均值偏小，大部分数是比他的均值大的
     大于 0  稍微有些振偏 
     远大于0， 是极度振偏，均值要比他的大多数值大好多。
（17）峰度                               --kurt()
sl_s.kurt()
分析：<0   相比于正态分布，他的趋势相对平缓
远大于0   说明他的形变是非常大的，所以是不靠谱的
（18）获得离散化的分布(numpy模块)          --histogram()
np.histogram(sl_s.values,bins = np.arange(0.0,1.1,0.1))
结果分析：
[195,1214,532,974,…]
[0.0,0.1,0.2,0.3,0.4…]
代表0.0-0.1之间有195个数，0.1-0.2之间有1214个数，以此类推
分布间隔为0.1

3.利用四分位数来去除异常值

3.1.提取大于1的值
le_s[le_s>1]
3.2 去除大于1的异常值
le_s[le_s<=1]
3.3 提取正常值（利用四分位数）
3.3.1 下四分位
q_low=le_s.quantile(q =0.25)
3.3.2 上四分位
q_high=le_s.quantile(q=0.75)
3.3.3 四分位间距
q_interval=q_high-q_low
3.3.4 定义k的值
K=1.5~3之间
如果k=1.5,删除的异常值是中度异常
如果k=3.0，删除的异常值是极度异常
3.3.5 筛选
le_s=le_s[le_s<q_high+k*q_interval][le_s>q_low-k*q_interval]
3.4 数据的个数                               --len()
len(le_s)
3.5离散分布直方图(numpy模块)
np.histogram(le_s.values,bins=np.arange(0.0,1.1,0.1))
3.6回顾数据的平均值，标准差，中位数，最大值，最小值，偏度，峰度,确定数据的正常。

4.静态结构分析

4.1每个值出现的次数                    --values_counts()
np_s.value_counts()
4.2获取该数据的构成和比例(每个值的频率)
np_s.value_counts(normalize=True)
4.3 排序
np_s.value_counts(normalize=True).sort_index()

5.数据分区间

5.1把数据分成几份          --histogram（） 
np.histogram(amh_s.values,bins=10)     把数据分成10份
5.2另一种方法     加了区间，计算区间的频数
(左闭右开的区间)
Np.histogram(amh_s.values,bins = np.arange(amh_s.min(),amh_s.max()+10,10))
（左开右闭的区间）
amh_s.value_counts(bins=np.arange(amh_s.min(),amh_s.max()+10,10))

6.英文异常值数据的处理

6.1 首先，统计该数据的分布频数
s_s.value_counts()
6.2确定异常值的名字。
6.3把异常值赋空(NaN)            --where()
s_s.where(s_s!="name")
意思是把”name”的数据赋空
6.4把赋空的异常值删除           --dropna()删除异常值
s_s.where(s_s!="name").dropna()
6.5 检查删除异常值的结果
s_s.where(s_s!="name").dropna().value_counts()

7.对比分析

7.1对表格中空值的行删除
Df = df.dropna(axis=0,how=’any’)
axis =0 ,代表的是行删除
how=‘any’ 代表的是含有部分空值就执行行删除
how=‘all’ 代表的是一行全部是空值执行行删除
7.2含有条件性的对异常值的删除
df=df[df["last_evaluation"]<=1][df["salary"]!="name"][df["department"]!="sale"]
7.3分组(比如：把同一部门的人分为一组)     --groupby()
df.groupby("department")
7.4对分组后的组取均值
df.groupby("department").mean()
7.5 取部分数据（切片）                     --loc()
df.loc[:,["last_evaluation","department"]].groupby("department")
7.6 取部分数据求平均
df.loc[:,["last_evaluation","department"]].groupby("department").mean()
7.7 取部分数据求极差                       --apply()
df.loc[:,["average_monthly_hours","department"]].groupby("department")[ "average_monthly_hours"].apply(lambda x:x.max()-x.min())

不忘初心，继续前进！