【Python】Decision on buying cars COROLLA or LEVIN（数据分析技术实现过程之·2 data_analysis①）

# 前面已经对数据进行了初步清洗。Python暂时搞不定的，用excel先搞定了应应急。

# 下面正式开始数据分析

# 导入常用模块
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 读取卡罗拉口碑数据文件
corolla1=pd.read_csv("D:\\2018_BigData\\Python\\Python_files_Notebook\\Decision on buying cars COROLLA or LEVIN\\corolla_1st_deal.csv",encoding="ANSI")
corolla1.head(1)

# 发现有31列那么多。。。23+1+2+5，还是得drop一些列，清爽一些先。

	Unnamed: 0	name-text	车型	购买地点	购车经销商	购买时间	nakedprice	driven-distance	发表时间	空间	...	reviews	购车目的1	购车目的2	购车目的3	购车目的4	购车裸车价	行驶里程	支持人数	阅览人数	评论人数
0	1	八号零陈	2018款 双擎 1.8L E-CVT智尚版	北京	北京中业丰田	2018年12月	14.18	2500	2019/1/13	4	...	29	购物	接送小孩	无	无	14.18?万元	2500?公里	有36人支持该口碑	有82222人看过	评论(29)

1 rows × 31 columns

# 删除多余列——其实本来可以在Excel里将多出的6列先删除。
corolla2=corolla1.drop(["Unnamed: 0","购车裸车价","行驶里程","支持人数","阅览人数","评论人数"],axis=1)
corolla2.head(1)

	name-text	车型	购买地点	购车经销商	购买时间	nakedprice	driven-distance	发表时间	空间	动力	...	内饰	性价比	购买车型	support	read	reviews	购车目的1	购车目的2	购车目的3	购车目的4
0	八号零陈	2018款 双擎 1.8L E-CVT智尚版	北京	北京中业丰田	2018年12月	14.18	2500	2019/1/13	4	3	...	4	4	卡罗拉 2018款 双擎 1.8L E-CVT智尚版?>>	36	82222	29	购物	接送小孩	无	无

1 rows × 25 columns

# 同样，导入levin口碑数据并删除多余列
levin1=pd.read_csv("D:\\2018_BigData\\Python\\Python_files_Notebook\\Decision on buying cars COROLLA or LEVIN\\levin_1st_deal.csv",encoding="ANSI")
levin2=levin1.drop(["Unnamed: 0","购车裸车价","行驶里程","支持人数","阅览人数","评论人数"],axis=1)
levin2.head(1)

	name-text	车型	购买地点	购车经销商	购买时间	nakedprice	driven-distance	发表时间	空间	text-cont	...	内饰	性价比	购买车型	support	read	reviews	购车目的1	购车目的2	购车目的3	购车目的4
0	VOLVO110	2018款 双擎 1.8H GS-V CVT尊贵版 国V	广州	广汽丰田天河店	2018年11月	13.18	3300	2018/11/29	4	【最满意的一点】最满意当然是油耗，还有就是能在广州摇节能号，广州人都知道摇号不是一般的难啊，...	...	3	3	雷凌 2018款 双擎 1.8H GS-V CVT尊贵版 国V?>>	26	47833	25	上下班	自驾游	泡妞	跑长途

1 rows × 25 columns

corolla2.shape

(405, 25)

levin2.shape

(340, 25)

# 好了，至此，统一corolla和levin的数据列，且都是有效数据样本。

# 按照之前拟好的分析框架思路，先看下裸车价格分布

plt.hist(corolla2['nakedprice'],bins=18)
plt.xlabel("购车裸车价",fontproperties="SimHei",fontsize=18)
plt.ylabel("数量",fontproperties="SimHei",fontsize=18)
plt.title("Nakedprice Distribution",fontsize=20)
plt.show()   # 此语句可不用。

# 发现有个漏网之鱼，数值为2左右。估计是Excel里填充的时候出错或者源数据有误。
# 速战速决，就不用Python替换了，直接回去Excel里搞定，顺便检查一下其他填充处理的几列有没有异常值。

# Excel处理完后，回Python更新数据，得到如下直方图。

# 可见，卡罗拉裸车价分布主要集中在11~12.8万，14.5~15.3万，对应两个价位区间的车型及客户群体。

# 其实之前的分析框架是根据行业经验定下的，现在既然有数据了，那先把框架放一边，先继续看看数据呈现。

# 先试试提取一列
price=corolla2["nakedprice"]
price.head(5)

0    14.18
1    11.28
2    14.43
3    14.18
4    14.28
Name: nakedprice, dtype: float64

# 然后试试提取两列。
# 为什么要提取两列呢？因为后面有一些画图，data来源是两列或多列表格。需要提取定义。

# area_price=corolla2["nakedprice","购买地点"]
# area_price.head(5)

# 运行报错  KeyError: ('nakedprice', '购买地点')
# 以为是“购买地点”中文字符的原因，就替换成了“driven-distance”再试，也是报同样的KeyError，说明不是字符格式问题。

area_price=corolla2[["nakedprice","购买地点"]]
area_price.head(5)

# 尝试corolla2(["nakedprice","购买地点"])，错误
# 尝试corolla2(["nakedprice","购买地点"]).values，错误
# 尝试corolla2.ix(["nakedprice","购买地点"])，错误
# ……
# 找了好久都找不到提取两列数据的方法，终于在这里找到了，原来加多一个中括号就搞定——http://www.sohu.com/a/289195562_468731

	nakedprice	购买地点
0	14.18	北京
1	11.28	泉州
2	14.43	郑州
3	14.18	沈阳
4	14.28	上海

# 耍耍帅，购车裸车价这列，再用其他可视化形式看看