Task01 数据加载及探索性数据分析_数据加载经过前两步处理后的数据可直接载入数据参库-CSDN博客

本文链接：https://blog.csdn.net/weixin_44336912/article/details/121920311

文章目录

前言
1、第一章：数据载入及初步观察
总结
参考资料

前言

本任务主要讲解了我们获得一个要分析的数据，学会如何加载数据，查看数据，然后学习Pandas的一些基础操作，最后开始尝试探索性的数据分析。

1、第一章：数据载入及初步观察

1.1 载入数据

数据集下载 https://www.kaggle.com/c/titanic/overview

1.1.1 任务一：导入numpy和pandas

import numpy as np
import pandas as pd

注：如果加载失败，学会如何在python环境下安装numpy和pandas这两个库。

1.1.2 任务二：载入数据

#使用相对路径
df = pd.read_csv('train.csv')
df.head()

#使用绝对路径
df = pd.read_csv("C:\\Users\\lenovo\\train.csv")
df.head()

在这里插入图片描述
【思考】知道数据加载的方法后，试试pd.read_csv()和pd.read_table()的不同，如果想让他们效果一样，需要怎么做？了解一下’.TSV’和’.CSV’的不同，如何加载这两个数据集？

df = pd.read_table("train.csv")
df.head()

在这里插入图片描述

#与pd.read_csv()效果一致
df = pd.read_table("train.csv",sep=",")
df.head()

在这里插入图片描述

TSV文件与CSV文件的区别：

1.TSV 是Tab-separated values的缩写，即制表符分隔值。相对来说CSV，Comma-separated values（逗号分隔值）更常见一些。

2.TSV与CSV的区别： 1）从名称上即可知道，TSV是用制表符（Tab,’\t’）作为字段值的分隔符；CSV是用半角逗号（’,’）作为字段值的分隔符；
2）IANA规定的标准TSV格式，字段值之中是不允许出现制表符的。
Python对TSV文件的支持： Python的csv模块准确的讲应该叫做dsv模块，因为它实际上是支持范式的分隔符分隔值文件（DSV，delimiter-separated values）的。 delimiter参数值默认为半角逗号，即默认将被处理文件视为CSV。当delimiter=’\t’时，被处理文件就是TSV。

#读取.tsv文件
train=pd.read_csv('test.tsv', sep='\t')

1.1.3 任务三：每1000行为一个数据模块，逐块读取

chunker=pd.read_csv("train.csv",chunksize=1000)
for piece in chunker:
    print(piece)

【思考】什么是逐块读取？为什么要逐块读取呢？
逐块读取就是将文本分成若干块；对于几百MB的CSV文件，可以直接使用pd.read_csv（）进行读取。然而如果csv文件太大，达到几个GB，这种方法就不可取。这时应使用chunk，进行分块读取;通过设置chunksize的参数，控制每次迭代的大小；如上面的数据只有891行，参数设置1000后只迭代了一次；改成500试一下，循环打印了两次。

1.1.4 任务四：将表头改成中文，索引改为乘客ID

PassengerId => 乘客ID
Survived => 是否幸存
Pclass => 乘客等级(1/2/3等舱位)
Name => 乘客姓名
Sex => 性别
Age => 年龄
SibSp => 堂兄弟/妹个数
Parch => 父母与小孩个数
Ticket => 船票信息
Fare => 票价
Cabin => 客舱
Embarked => 登船港口

df = pd.read_csv('train.csv') # 在使用pandas的read_csv方法时，它默认会自动加上一列行号。index_col=0 去掉默认行号
df.columns = ['乘客ID', '是否幸存', '乘客等级(1/2/3等舱位)', '乘客姓名', '性别', '年龄', '堂兄弟/妹个数','父母与小孩个数','船票信息','票价','客舱','登船港口']
df = df.set_index('乘客ID')  # 重新设 乘客ID 为索引，去掉默认会自动加上一列行号
df.head()

在这里插入图片描述

#结果同上
names=['乘客ID','是否幸存','仓位等级','姓名','性别','年龄','兄弟姐妹个数','父母子女个数','船票信息','票价','客舱','登船港口']
df = pd.read_csv('train.csv', names=names, index_col='乘客ID', header = 0)
df.head()#默认读取前5行

1.2 初步观察

导入数据后，你可能要对数据的整体结构和样例进行概览，比如：数据大小、有多少列，各列都是什么格式的，是否包含null等。

1.2.1 任务一：查看数据的基本信息

df.info()

在这里插入图片描述

df.describe()

在这里插入图片描述

#查看数据的基本信息的函数总结
df.info():          # 打印摘要
df.describe():      # 描述性统计信息
df.values:          # 数据 <ndarray>
df.to_numpy()       # 数据 <ndarray> (推荐)
df.shape:           # 形状 (行数, 列数)
df.columns:         # 列标签 <Index>
df.columns.values:  # 列标签 <ndarray>
df.index:           # 行标签 <Index>
df.index.values:    # 行标签 <ndarray>
df.head(n):         # 前n行
df.tail(n):         # 尾n行
pd.options.display.max_columns=n: # 最多显示n列
pd.options.display.max_rows=n:    # 最多显示n行
df.memory_usage():                # 占用内存(字节B)

1.2.2 任务二：观察表格前10行的数据和后15行的数据

#观察表格前10行的数据
df.head(10)

在这里插入图片描述

#观察表格后15行的数据
df.tail(15)

在这里插入图片描述

1.2.3 任务三：判断数据是否为空，为空的地方返回True，其余地方返回False

df.isnull().head()

在这里插入图片描述
【思考】对于一个数据，还可以从哪些方面来观察？
查看每列的平均数，方差，标准差等等。

1.3 保存数据

1.3.1 任务一：将你加载并做出改变的数据，在工作目录下保存为一个新文件train_chinese.csv

#注意：不同的操作系统保存下来可能会有乱码。大家可以加入encoding='GBK' 或者 encoding = utf-8
df.to_csv('train_chinese1.csv',encoding='GBK')

1.4 知道你的数据叫什么

我们学习pandas的基础操作，那么上一节通过pandas加载之后的数据，其数据类型是什么呢？

1.4.1 任务一：pandas中有两个数据类型DateFrame和Series，通过查找简单了解他们。然后自己写一个关于这两个数据类型的小例子

import numpy as np
import pandas as pd

data1 = {'apple':20,'banana':10,"orange":25,'lemon':30}
df1=pd.Series(data1)
df1

在这里插入图片描述

data2 = {'fruit':['apple','banana','orange','lemon'],
        'price':[20,10,25,30]}
df2 = pd.DataFrame(data2)
df2

在这里插入图片描述

1.4.2 任务二：根据上节课的方法载入"train.csv"文件

df = pd.read_csv("train.csv")
df.head(3)

在这里插入图片描述

1.4.3 任务三：查看DataFrame数据的每列的名称

df.columns

在这里插入图片描述

1.4.4任务四：查看"Cabin"这列的所有值

df['Cabin'].head()

在这里插入图片描述

#结果同上
df.Cabin.head()

1.4.5 任务五：加载文件"test_1.csv"，然后对比"train.csv"，看看有哪些多出的列，然后将多出的列删除

#加载文件"test_1.csv"
df3 = pd.read_csv("test_1.csv")
df3.head(3)

在这里插入图片描述

#删除多余的列
del df3['a']
df3.head(3)

在这里插入图片描述
【思考】还有其他的删除多余列的方式吗？

df3.drop('a', axis=1, inplace=True)#参数axis为1表示在1轴（行）上搜索名字为a的对象，然后删除对象a对应的列。inplace=True会修改原本数据
df3.head()

1.4.6 任务六：将[‘PassengerId’,‘Name’,‘Age’,‘Ticket’]这几个列元素隐藏，只观察其他几个列元素

df3.drop(['PassengerId','Name','Age','Ticket'], axis=1).head(3)

在这里插入图片描述
【思考】对比任务五和任务六，是不是使用了不一样的方法(函数)，如果使用一样的函数如何完成上面的不同的要求呢？
使用drop()方法时，如果设置参数inplace=True，会替换原本的数据，如果设置为False则只是隐藏不显示。

1.5 筛选的逻辑

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。

下面我们还是用实战来学习pandas这个功能。

1.5.1 任务一：我们以"Age"为筛选条件，显示年龄在10岁以下的乘客信息

df = pd.read_csv("train.csv")
df[df['Age']<10].head()

在这里插入图片描述

1.5.2 任务二：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

midage = df[(df['Age']>10)&(df['Age']<50)]
midage

在这里插入图片描述

1.5.3 任务三：将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来

midage.loc[[100], ['Pclass', 'Sex']]

在这里插入图片描述
这里虽然取得了数据，但是有一个隐患—使用dataframe读取对象后，索引可能是乱的，我们需要重置索引才能确保取得需要的数据：

midage = midage.reset_index(drop=True)
#对dataframe做处理后索引可能是乱的。 drop=True就是把原来的索引index列去掉,重置index

1.5.4 任务四：使用loc方法将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

midage.loc[[100,105,108], ['Pclass', 'Name','Sex']]

在这里插入图片描述

1.5.5 任务五：使用iloc方法将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

midage.iloc[[100,105,108],[2,3,4]]

在这里插入图片描述
【思考】对比iloc和loc的异同。
1.loc：通过行标签索引行数据；
例：loc[n]表示索引的是第n行（index 是整数）
loc[‘d’]表示索引的是第’d’行（index 是字符）
有行索引可以没有字段取值，但有字段取值前必须得有行索引，而且行索引只能为标签索引形式来取，不能按切片形式来取。单取切片形式可以，只是索引为左闭右闭。
2.iloc：
通过行索引获取行数据，不能是字符，取索引必须按切片形式来取，不能按标签，这是与loc的不同。索引为左闭右开。iloc也可以取指定行列，只不过得按切片形式索引，不能直接拿标签索引来做。
建议：
当用行索引的时候, 尽量用 iloc 来进行索引; 而用标签索引的时候用 loc 。

1.6 了解你的数据吗？

开始之前，导入numpy、pandas包和数据

import numpy as np
import pandas as pd
#载入之前保存的train_chinese.csv数据，关于泰坦尼克号的任务，我们就使用这个数据
text = pd.read_csv('train_chinese.csv',encoding='gbk')
text.head()

在这里插入图片描述

1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序

frame = pd.DataFrame(np.arange(8).reshape((2, 4)), 
                     index=['2', '1'], 
                     columns=['d', 'a', 'b', 'c'])
frame

在这里插入图片描述
【总结】下面将不同的排序方式做一个总结
1.让行索引升序排序

frame.sort_index()

在这里插入图片描述

2.让列索引升序排序

frame.sort_index(axis=1)

在这里插入图片描述

3.让列索引降序排序

frame.sort_index(axis=1,ascending = False)

在这里插入图片描述

4.让任选两列数据同时降序排序

frame.sort_values(by = ['a','c'],ascending = False)

在这里插入图片描述

1.6.2 任务二：对泰坦尼克号数据（trian.csv）按票价和年龄两列进行综合排序（降序排列），从这个数据中你可以分析出什么？

df.sort_values(by = ['票价','年龄'],ascending=False).head(20)

在这里插入图片描述

【思考】排序后，如果我们仅仅关注年龄和票价两列。根据常识我们发现票价越高的应该客舱越好，所以我们会明显看出，票价前20的乘客中存活的有14人，这是相当高的一个比例，那么我们后面是不是可以进一步分析一下票价和存活之间的关系，年龄和存活之间的关系呢？当你开始发现数据之间的关系了，数据分析就开始了。

1.6.3 任务三：利用Pandas进行算术计算，计算两个DataFrame数据相加结果

#建立一个例子
frame1_a = pd.DataFrame(np.arange(9.).reshape(3, 3),
                     columns=['a', 'b', 'c'],
                     index=['one', 'two', 'three'])
frame1_b = pd.DataFrame(np.arange(12.).reshape(4, 3),
                     columns=['a', 'e', 'c'],
                     index=['first', 'one', 'two', 'second'])
frame1_a

在这里插入图片描述

frame1_b

在这里插入图片描述

frame1_a + frame1_b

在这里插入图片描述
两个DataFrame相加后，会返回一个新的DataFrame，对应的行和列的值会相加，没有对应的会变成空值NaN。
当然，DataFrame还有很多算术运算，如减法，除法等，有兴趣的同学可以看《利用Python进行数据分析》第五章算术运算与数据对齐部分，多在网络上查找相关学习资料。

1.6.4 任务四：通过泰坦尼克号数据如何计算出在船上最大的家族有多少人？

max(df['堂兄弟/妹个数'] + df['父母与小孩个数'])

在这里插入图片描述

1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息

frame2 = pd.DataFrame([[1.4, np.nan], 
                       [7.1, -4.5],
                       [np.nan, np.nan], 
                       [0.75, -1.3]
                      ], index=['a', 'b', 'c', 'd'], columns=['one', 'two'])
frame2

在这里插入图片描述
调用 describe 函数，观察frame2的数据基本信息

frame2.describe()

在这里插入图片描述

1.6.6 任务六：分别看看泰坦尼克号数据集中票价、父母子女这列数据的基本统计数据，你能发现什么？

df['票价'].describe()

在这里插入图片描述
从票价数据我们可以看出，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。

df['父母与小孩个数'].describe()

在这里插入图片描述
从上面数据我们可以看出，一共有891个数据，每个家庭父母与孩子的平均个数几乎为0，最多可达到6个，标准差约为0.81，最小值为0。

总结

本节中我们通过Pandas的一些内置函数对数据进行了初步统计查看，这个过程最重要的不是大家得掌握这些函数，而是看懂从这些函数出来的数据，构建自己的数据分析思维，这也是第一章最重要的点。

参考资料

https://blog.csdn.net/weixin_44818729/article/details/107357334
https://blog.csdn.net/qq_37975685/article/details/107953941
https://www.cnblogs.com/herj-0925/p/14883542.html
https://blog.csdn.net/Leon_Kbl/article/details/97492966