人口分析案例

• 需求：
  • 导入文件，查看原始数据
  • 将入口数据和各州简称数据进行合并
  • 将合并的数据中重复的abbreviation列进行删除
  • 查看存在缺失数据的列
  • 找到有哪些state/region使得state的值NaN，进行去重操作
  • 为找到的这些state/region的state项补上正确的值，从而取出掉state这一列的所有NaN
  • 合并各州面积数据areas
  • 我们会发现area这一列有缺失数据，找出是哪些行
  • 取出含有缺失数据的行
  • 找出2010年的全民人口数据
  • 计算各州的人口密度
  • 排序，并找出人口密度最高的州

import numpy as np
import pandas as pd
from pandas import DataFrame

#导入文件，查看原始数据
#state(州的全称)abbreviation(州的简称)
abb = pd.read_csv('./data/state-abbrevs.csv')

#state州的全称area (sq. mi)州的面积
area = pd.read_csv('./data/state-areas.csv')

#state/region简称ages年龄year时间population人口
pop = pd.read_csv('./data/state-population.csv')

#将人口数据和各州简称数据进行合并
abb_pop = pd.merge(abb,pop,left_on='abbreviation',right_on='state/region',how='outer')

#将合并的数据中重复的abbreviation列进行删除
abb_pop.drop(labels='abbreviation',axis=1,inplace=True)


#查看存在缺失数据的列
#方式一：isnull,notnull,any,all
abb_pop.isnull().any(axis=0)
#state,population这两列中是存在空值
#方式二：
abb_pop.info()

#找到有哪些state/region使得state的值NaN，进行去重操作
#将state中的空值定位到
abb_pop['state'].isnull()
#将上诉的布尔值作为源数据的行索引
#将state中空对应的行数据取出
abb_pop.loc[abb_pop['state'].isnull()]
#将简称取出
abb_pop.loc[abb_pop['state'].isnull()]['state/region']
#对简称去重
abb_pop.loc[abb_pop['state'].isnull()]['state/region'].unique()
#结论：只有PR和USA对应的全称数据为空值

#为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN
#使用元素赋值的方法进行填充
#先给USA的全称对应的空值进行批量赋值
#将USB对应的行数据找出（行数据中就存在state的空值）
abb_pop['state/region'] == 'USA'
#将USA对应的行数据取出
abb_pop.loc[abb_pop['state/region'] == 'USA']

#将USA对应的全称空对应的行索引取出
indexs = abb_pop.loc[abb_pop['state/region'] == 'USA'].index
abb_pop.iloc[indexs]
abb_pop.loc[indexs,'state'] = 'United States'

#可以将PR的全程进行赋值
abb_pop['state/region'] == 'PR'
abb_pop.loc[abb_pop['state/region'] == 'PR']
indexs = abb_pop.loc[abb_pop['state/region'] == 'PR'].index
abb_pop.loc[indexs,'state'] = 'ppprrr'

#合并各州面积数据areas
abb_pop_area = pd.merge(abb_pop,area,how='outer')

#我们会发现area这一列有缺失数据，找出是哪些行
abb_pop_area['area (sq. mi)'].isnull()
#空对应的行数据
abb_pop_area.loc[abb_pop_area['area (sq. mi)'].isnull()]
indexs = abb_pop_area.loc[abb_pop_area['area (sq. mi)'].isnull()].index
#去除含有缺失数据的行
abb_pop_area.drop(labels=indexs,axis=0,inplace=True)

#找出2010年的全民人口数据(基于df做条件查询)
#用query做条件筛选
abb_pop_area.query('ages == "total" & year == 2010')

#计算各州的人口密度（）人口除以面积
abb_pop_area['midu'] = abb_pop_area['population'] / abb_pop_area['area (sq. mi)']

#排序，并找出人口密度最高的州
#ascending=False降序，默认是升序
abb_pop_area.sort_values(by='midu',axis = 0,ascending=False)['state'][0]