Hands-on data analysis_task01

Hands-on data analysis

第一章：数据加载

1 载入数据

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

1.1 任务一：导入numpy和pandas

import numpy as np
import pandas as pd

1.2 任务二：载入数据
(1) 使用相对路径载入数据

pd.read_csv('train.csv')

(2) 使用绝对路径载入数据

os.path.abspath('train.csv') 

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 i in chunker:
    print(i)

1.4 任务四：将表头改成中文，索引改为乘客ID

df=pd.read_csv('train.csv')
df.columns=['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.head()

2 初步观察

2.1 任务一：查看数据的基本信息

df.info()

2.2 任务二：观察表格前10行的数据和后15行的数据

df.head(10)

df.tail(15)

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()

3 保存数据

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

df.to_csv('train_chinese.csv')

第二章：pandas基础

1 知道你的数据叫什么

1.1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
import os

sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
example_1 = pd.Series(sdata)
example_1

data = {'x': ['1', '3', '5', '7'], 'y': [1,3,5,7],'z': ['mango','banana','orange','apple']}
example_2 = pd.DataFrame(data)
example_2

1.2 任务二：根据上节课的方法载入"train.csv"文件

df=pd.read_csv('train.csv')
path=os.path.abspath('train.csv')

1.3 任务三：查看DataFrame数据的每列的名称

df.columns

1.4 任务四：查看"Cabin"这列的所有值

#方法一
df['Cabin'].head(3)

#方法二
df.Cabin.head(3)

1.5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

test_1 = pd.read_csv('test_1.csv')
test_1.head(3)

# 删除多余的列
del test_1['a']
test_1.head(3)

1.6 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

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

2 筛选的逻辑

2.1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[df["Age"]<10].head(3)

2.2 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.head(3)

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

midage = midage.reset_index(drop=True)
midage.head(3)

2.4 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']] 

2.5 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]]

第三章：探索性数据分析

1 了解你的数据吗？

开始之前，导入numpy、pandas包和数据

#加载所需的库
import numpy as np
import pandas as pd

#载入之前保存的train_chinese.csv数据
text = pd.read_csv('train_chinese.csv')
text.head()

1.1任务一：利用Pandas对示例数据进行排序，要求升序

#自己构建一个都为数字的DataFrame数据
frame = pd.DataFrame(np.arange(8).reshape((2, 4)), 
                     index=['2', '1'], 
                     columns=['d', 'a', 'b', 'c'])
frame

# 根据构建的DataFrame中的数据某一列升序排列
frame.sort_values(by='c', ascending=True)

1.2 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）

text.sort_values(by=['票价', '年龄'], ascending=False).head(3)

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

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

frame1_b

frame1_a + frame1_b

1.4 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(text['兄弟姐妹个数'] + text['父母子女个数'])

1.5 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

frame2.describe()

1.6 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？

#看看泰坦尼克号数据集中 票价这列数据的基本统计数据
text['票价'].describe()

#通过上面的例子，我们再看看泰坦尼克号数据集中 父母子女个数 这列数据的基本统计数据，然后可以说出你的想法
text['父母子女个数'].describe()

【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，希望大家学完第一章能对数据有个基本认识，了解自己在做什么，为什么这么做，后面的章节我们将开始对数据进行清洗，进一步分析。