python数据分析基础03——练习项目

最新推荐文章于 2024-07-16 17:08:46 发布
最新推荐文章于 2024-07-16 17:08:46 发布
阅读量516 收藏
点赞数
分类专栏： 大数据——数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiaoyoupei/article/details/122813594
版权

人口分析 美国大选 数据分析 政党献金 人口密度
关键词由CSDN通过智能技术生成

文章目录

人口分析案例

  • 需求：
    • 导入文件，查看原始数据
    • 将人口数据和各州简称数据进行数据汇总
    • 将汇总的数据中重复的abbreviation列进行删除
    • 在汇总的数据中查看存在缺失数据的列
    • 在汇总的数据中找到有哪些state/region使得state的值为NaN，进行去重操作
    • 为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN
    • 汇总的数据和各州面积数据areas进行汇总
    • 我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行
    • 去除含有缺失数据的行
    • 找出2010年的全民人口数据
    • 计算各州的人口密度
import pandas as pd
import numpy as np

# state州全称 abbreviation州的简称
abb = pd.read_csv('./state-abbrevs.csv')
abb
stateabbreviation
0AlabamaAL
1AlaskaAK
2ArizonaAZ
3ArkansasAR
4CaliforniaCA
5ColoradoCO
6ConnecticutCT
7DelawareDE
8District of ColumbiaDC
9FloridaFL
10GeorgiaGA
11HawaiiHI
12IdahoID
13IllinoisIL
14IndianaIN
15IowaIA
16KansasKS
17KentuckyKY
18LouisianaLA
19MaineME
20MontanaMT
21NebraskaNE
22NevadaNV
23New HampshireNH
24New JerseyNJ
25New MexicoNM
26New YorkNY
27North CarolinaNC
28North DakotaND
29OhioOH
30OklahomaOK
31OregonOR
32MarylandMD
33MassachusettsMA
34MichiganMI
35MinnesotaMN
36MississippiMS
37MissouriMO
38PennsylvaniaPA
39Rhode IslandRI
40South CarolinaSC
41South DakotaSD
42TennesseeTN
43TexasTX
44UtahUT
45VermontVT
46VirginiaVA
47WashingtonWA
48West VirginiaWV
49WisconsinWI
50WyomingWY
#state/region:州的简称 ages：年龄 year时间  population人口数量
pop = pd.read_csv('./state-population.csv')

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

abb_pop = pd.merge(left=abb,right=pop,left_on='abbreviation',right_on='state/region',how='outer')
abb_pop
stateabbreviationstate/regionagesyearpopulation
0AlabamaALALunder1820121117489.0
1AlabamaALALtotal20124817528.0
2AlabamaALALunder1820101130966.0
3AlabamaALALtotal20104785570.0
4AlabamaALALunder1820111125763.0
.....................
2539NaNNaNUSAtotal2010309326295.0
2540NaNNaNUSAunder18201173902222.0
2541NaNNaNUSAtotal2011311582564.0
2542NaNNaNUSAunder18201273708179.0
2543NaNNaNUSAtotal2012313873685.0

2544 rows × 6 columns

# 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
abb_pop.isnull().any(axis=0)

state            True
state/region    False
ages            False
year            False
population       True
dtype: bool

# 汇总数据找到哪些state/region使得state的值为NaN,进行去重的操作
# 1、定位state列中的空值
ex = abb_pop['state'].isnull()
# 2、取出state中空值对应的行数据
abb_pop.loc[ex]
# 3、取出state空对应的简称数据
abb_pop.loc[ex]['state/region']
# 4、对第三步获取的简称进行去重
abb_pop.loc[ex]['state/region'].unique()

array(['PR', 'USA'], dtype=object)

# 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
# 1、定位USA简称对应的全称
abb_pop['state/region'] == 'USA'
# 2、上述布尔值作为元数据的行索引，取出USA的行数据
abb_pop.loc[abb_pop['state/region'] == 'USA']
# 3、获取USA的行索引
indexs = abb_pop.loc[abb_pop['state/region'] == 'USA'].index
#4.将indexs这些行的state列的值批量填充成USA的全称
abb_pop.loc[indexs,'state'] = 'United State'

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'

#检测state列中是否还存在空值
abb_pop['state'].isnull().sum()

# 汇总的数据和各州面积数据areas进行汇总
abb_pop_area = pd.merge(left=abb_pop,right=area,on='state',how='outer')
abb_pop_area.head()
statestate/regionagesyearpopulationarea (sq. mi)
0AlabamaALunder182012.01117489.052423.0
1AlabamaALtotal2012.04817528.052423.0
2AlabamaALunder182010.01130966.052423.0
3AlabamaALtotal2010.04785570.052423.0
4AlabamaALunder182011.01125763.052423.0
# 发现area(sq.mi)这一列有缺失数据，找出是哪些行,去除含有缺失数据的行
abb_pop_area['area (sq. mi)'].isnull()
# 将area (sq. mi)列中空对应的行数据取出
abb_pop_area.loc[abb_pop_area['area (sq. mi)'].isnull()]
# 获取了area (sq. mi)列中空对应的行索引
indexs = abb_pop_area.loc[abb_pop_area['area (sq. mi)'].isnull()].index

Int64Index([2448, 2449, 2450, 2451, 2452, 2453, 2454, 2455, 2456, 2457, 2458,
            2459, 2460, 2461, 2462, 2463, 2464, 2465, 2466, 2467, 2468, 2469,
            2470, 2471, 2472, 2473, 2474, 2475, 2476, 2477, 2478, 2479, 2480,
            2481, 2482, 2483, 2484, 2485, 2486, 2487, 2488, 2489, 2490, 2491,
            2492, 2493, 2494, 2495, 2496, 2497, 2498, 2499, 2500, 2501, 2502,
            2503, 2504, 2505, 2506, 2507, 2508, 2509, 2510, 2511, 2512, 2513,
            2514, 2515, 2516, 2517, 2518, 2519, 2520, 2521, 2522, 2523, 2524,
            2525, 2526, 2527, 2528, 2529, 2530, 2531, 2532, 2533, 2534, 2535,
            2536, 2537, 2538, 2539, 2540, 2541, 2542, 2543],
           dtype='int64')

# 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
abb_pop_area.query('year == 2010 & ages == "total"')
statestate/regionagesyearpopulationarea (sq. mi)
3AlabamaALtotal2010.04785570.052423.0
91AlaskaAKtotal2010.0713868.0656425.0
101ArizonaAZtotal2010.06408790.0114006.0
189ArkansasARtotal2010.02922280.053182.0
197CaliforniaCAtotal2010.037333601.0163707.0
283ColoradoCOtotal2010.05048196.0104100.0
293ConnecticutCTtotal2010.03579210.05544.0
379DelawareDEtotal2010.0899711.01954.0
389District of ColumbiaDCtotal2010.0605125.068.0
475FloridaFLtotal2010.018846054.065758.0
485GeorgiaGAtotal2010.09713248.059441.0
570HawaiiHItotal2010.01363731.010932.0
581IdahoIDtotal2010.01570718.083574.0
666IllinoisILtotal2010.012839695.057918.0
677IndianaINtotal2010.06489965.036420.0
762IowaIAtotal2010.03050314.056276.0
773KansasKStotal2010.02858910.082282.0
858KentuckyKYtotal2010.04347698.040411.0
869LouisianaLAtotal2010.04545392.051843.0
954MaineMEtotal2010.01327366.035387.0
965MontanaMTtotal2010.0990527.0147046.0
1050NebraskaNEtotal2010.01829838.077358.0
1061NevadaNVtotal2010.02703230.0110567.0
1146New HampshireNHtotal2010.01316614.09351.0
1157New JerseyNJtotal2010.08802707.08722.0
1242New MexicoNMtotal2010.02064982.0121593.0
1253New YorkNYtotal2010.019398228.054475.0
1338North CarolinaNCtotal2010.09559533.053821.0
1349North DakotaNDtotal2010.0674344.070704.0
1434OhioOHtotal2010.011545435.044828.0
1445OklahomaOKtotal2010.03759263.069903.0
1530OregonORtotal2010.03837208.098386.0
1541MarylandMDtotal2010.05787193.012407.0
1626MassachusettsMAtotal2010.06563263.010555.0
1637MichiganMItotal2010.09876149.096810.0
1722MinnesotaMNtotal2010.05310337.086943.0
1733MississippiMStotal2010.02970047.048434.0
1818MissouriMOtotal2010.05996063.069709.0
1829PennsylvaniaPAtotal2010.012710472.046058.0
1914Rhode IslandRItotal2010.01052669.01545.0
1925South CarolinaSCtotal2010.04636361.032007.0
2010South DakotaSDtotal2010.0816211.077121.0
2021TennesseeTNtotal2010.06356683.042146.0
2106TexasTXtotal2010.025245178.0268601.0
2117UtahUTtotal2010.02774424.084904.0
2202VermontVTtotal2010.0625793.09615.0
2213VirginiaVAtotal2010.08024417.042769.0
2298WashingtonWAtotal2010.06742256.071303.0
2309West VirginiaWVtotal2010.01854146.024231.0
2394WisconsinWItotal2010.05689060.065503.0
2405WyomingWYtotal2010.0564222.097818.0
# 计算各州的人口密度
midu = abb_pop_area['population'] / abb_pop_area['area (sq. mi)']

abb_pop_area['midu'] = midu
abb_pop_area.head()
statestate/regionagesyearpopulationarea (sq. mi)midu
0AlabamaALunder182012.01117489.052423.021.316769
1AlabamaALtotal2012.04817528.052423.091.897221
2AlabamaALunder182010.01130966.052423.021.573851
3AlabamaALtotal2010.04785570.052423.091.287603
4AlabamaALunder182011.01125763.052423.021.474601

2012美国大选献金项目数据分析

import numpy as np
import pandas as pd
# 将月份和参选人以及所在政党进行定义：
months = {'JAN' : 1, 'FEB' : 2, 'MAR' : 3, 'APR' : 4, 'MAY' : 5, 'JUN' : 6,
          'JUL' : 7, 'AUG' : 8, 'SEP' : 9, 'OCT': 10, 'NOV': 11, 'DEC' : 12}

parties = {
  'Bachmann, Michelle': 'Republican',
  'Romney, Mitt': 'Republican',
  'Obama, Barack': 'Democrat',
  "Roemer, Charles E. 'Buddy' III": 'Reform',
  'Pawlenty, Timothy': 'Republican',
  'Johnson, Gary Earl': 'Libertarian',
  'Paul, Ron': 'Republican',
  'Santorum, Rick': 'Republican',
  'Cain, Herman': 'Republican',
  'Gingrich, Newt': 'Republican',
  'McCotter, Thaddeus G': 'Republican',
  'Huntsman, Jon': 'Republican',
  'Perry, Rick': 'Republican'           
 }
需求
  • 加载数据
  • 查看数据的基本信息
  • 指定数据截取，将如下字段的数据进行提取，其他数据舍弃
    • cand_nm ：候选人姓名
    • contbr_nm ： 捐赠人姓名
    • contbr_st ：捐赠人所在州
    • contbr_employer ： 捐赠人所在公司
    • contbr_occupation ： 捐赠人职业
    • contb_receipt_amt ：捐赠数额（美元）
    • contb_receipt_dt ： 捐款的日期
  • 对新数据进行总览,查看是否存在缺失数据
  • 用统计学指标快速描述数值型属性的概要。
  • 空值处理。可能因为忘记填写或者保密等等原因，相关字段出现了空值，将其填充为NOT PROVIDE
  • 异常值处理。将捐款金额<=0的数据删除
  • 新建一列为各个候选人所在党派party
  • 查看party这一列中有哪些不同的元素
  • 统计party列中各个元素出现次数
  • 查看各个党派收到的政治献金总数contb_receipt_amt
  • 查看具体每天各个党派收到的政治献金总数contb_receipt_amt
  • 将表中日期格式转换为’yyyy-mm-dd’。
  • 查看老兵(捐献者职业)DISABLED VETERAN主要支持谁
df = pd.read_csv('./data/usa_election.txt',low_memory=False)
df = df[['cand_nm','contbr_nm','contbr_st','contbr_employer','contbr_occupation','contb_receipt_amt','contb_receipt_dt']]
df.head()
cand_nmcontbr_nmcontbr_stcontbr_employercontbr_occupationcontb_receipt_amtcontb_receipt_dt
0Bachmann, MichelleHARVEY, WILLIAMALRETIREDRETIRED250.020-JUN-11
1Bachmann, MichelleHARVEY, WILLIAMALRETIREDRETIRED50.023-JUN-11
2Bachmann, MichelleSMITH, LANIERALINFORMATION REQUESTEDINFORMATION REQUESTED250.005-JUL-11
3Bachmann, MichelleBLEVINS, DARONDAARNONERETIRED250.001-AUG-11
4Bachmann, MichelleWARDENBURG, HAROLDARNONERETIRED300.020-JUN-11
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 536041 entries, 0 to 536040
Data columns (total 7 columns):
 #   Column             Non-Null Count   Dtype  
---  ------             --------------   -----  
 0   cand_nm            536041 non-null  object 
 1   contbr_nm          536041 non-null  object 
 2   contbr_st          536040 non-null  object 
 3   contbr_employer    525088 non-null  object 
 4   contbr_occupation  530520 non-null  object 
 5   contb_receipt_amt  536041 non-null  float64
 6   contb_receipt_dt   536041 non-null  object 
dtypes: float64(1), object(6)
memory usage: 28.6+ MB

#将所有的缺失数据填充成NOT PROVIDE
df.fillna(value='NOT PROVIDE',inplace=True)

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 536041 entries, 0 to 536040
Data columns (total 7 columns):
 #   Column             Non-Null Count   Dtype  
---  ------             --------------   -----  
 0   cand_nm            536041 non-null  object 
 1   contbr_nm          536041 non-null  object 
 2   contbr_st          536041 non-null  object 
 3   contbr_employer    536041 non-null  object 
 4   contbr_occupation  536041 non-null  object 
 5   contb_receipt_amt  536041 non-null  float64
 6   contb_receipt_dt   536041 non-null  object 
dtypes: float64(1), object(6)
memory usage: 28.6+ MB

#异常值处理。将捐款金额<=0的数据删除
(df['contb_receipt_amt'] <= 0).sum()

5727

~(df['contb_receipt_amt'] <= 0)
df = df.loc[~(df['contb_receipt_amt'] <= 0)]

#新建一列为各个候选人所在党派party
df['party'] = df['cand_nm'].map(parties)
df.head()
cand_nmcontbr_nmcontbr_stcontbr_employercontbr_occupationcontb_receipt_amtcontb_receipt_dtparty
0Bachmann, MichelleHARVEY, WILLIAMALRETIREDRETIRED250.020-JUN-11Republican
1Bachmann, MichelleHARVEY, WILLIAMALRETIREDRETIRED50.023-JUN-11Republican
2Bachmann, MichelleSMITH, LANIERALINFORMATION REQUESTEDINFORMATION REQUESTED250.005-JUL-11Republican
3Bachmann, MichelleBLEVINS, DARONDAARNONERETIRED250.001-AUG-11Republican
4Bachmann, MichelleWARDENBURG, HAROLDARNONERETIRED300.020-JUN-11Republican
#查看party这一列中有哪些不同的元素
df['party'].unique()

array(['Republican', 'Democrat', 'Reform', 'Libertarian'], dtype=object)

df
cand_nmcontbr_nmcontbr_stcontbr_employercontbr_occupationcontb_receipt_amtcontb_receipt_dtparty
0Bachmann, MichelleHARVEY, WILLIAMALRETIREDRETIRED250.020-JUN-11Republican
1Bachmann, MichelleHARVEY, WILLIAMALRETIREDRETIRED50.023-JUN-11Republican
2Bachmann, MichelleSMITH, LANIERALINFORMATION REQUESTEDINFORMATION REQUESTED250.005-JUL-11Republican
3Bachmann, MichelleBLEVINS, DARONDAARNONERETIRED250.001-AUG-11Republican
4Bachmann, MichelleWARDENBURG, HAROLDARNONERETIRED300.020-JUN-11Republican
...........................
536036Perry, RickANDERSON, MARILEE MRS.XXINFORMATION REQUESTED PER BEST EFFORTSINFORMATION REQUESTED PER BEST EFFORTS2500.031-AUG-11Republican
536037Perry, RickTOLBERT, DARYL MR.XXT.A.C.C.LONGWALL MAINTENANCE FOREMAN500.030-SEP-11Republican
536038Perry, RickGRANE, BRYAN F. MR.XXINFORMATION REQUESTED PER BEST EFFORTSINFORMATION REQUESTED PER BEST EFFORTS500.029-SEP-11Republican
536039Perry, RickDUFFY, DAVID A. MR.XXDUFFY EQUIPMENT COMPANY INC.BUSINESS OWNER2500.030-SEP-11Republican
536040Perry, RickGORMAN, CHRIS D. MR.XXINFORMATION REQUESTED PER BEST EFFORTSINFORMATION REQUESTED PER BEST EFFORTS5000.029-SEP-11Republican

530314 rows × 8 columns

#统计party列中各个元素出现次数
df['party'].value_counts()

Democrat       289999
Republican     234300
Reform           5313
Libertarian       702
Name: party, dtype: int64

#查看各个党派收到的政治献金总数contb_receipt_amt
df.groupby(by='party')['contb_receipt_amt'].sum()

party
Democrat       8.259441e+07
Libertarian    4.132769e+05
Reform         3.429658e+05
Republican     1.251181e+08
Name: contb_receipt_amt, dtype: float64

#查看具体每天各个党派收到的政治献金总数contb_receipt_amt
df.groupby(by=['contb_receipt_dt','party'])['contb_receipt_amt'].sum()

contb_receipt_dt  party      
01-APR-11         Reform             50.00
                  Republican      12635.00
01-AUG-11         Democrat       182198.00
                  Libertarian      1000.00
                  Reform           1847.00
                                   ...    
31-MAY-11         Republican     313839.80
31-OCT-11         Democrat       216971.87
                  Libertarian      4250.00
                  Reform           3205.00
                  Republican     751542.36
Name: contb_receipt_amt, Length: 1183, dtype: float64

#将表中日期格式转换为'yyyy-mm-dd'
def transform_date(d):
    day,month,year = d.split('-')
    month = months[month]
    return '20'+year+'-'+str(month)+'-'+day
    
df['contb_receipt_dt'] = df['contb_receipt_dt'].map(transform_date)

df.head()
cand_nmcontbr_nmcontbr_stcontbr_employercontbr_occupationcontb_receipt_amtcontb_receipt_dtparty
0Bachmann, MichelleHARVEY, WILLIAMALRETIREDRETIRED250.02011-6-20Republican
1Bachmann, MichelleHARVEY, WILLIAMALRETIREDRETIRED50.02011-6-23Republican
2Bachmann, MichelleSMITH, LANIERALINFORMATION REQUESTEDINFORMATION REQUESTED250.02011-7-05Republican
3Bachmann, MichelleBLEVINS, DARONDAARNONERETIRED250.02011-8-01Republican
4Bachmann, MichelleWARDENBURG, HAROLDARNONERETIRED300.02011-6-20Republican
# 查看老兵（DISABLED VETERAN）最支持的人是谁
# 取出仅含老兵职业的数据
df['contbr_occupation'] == 'DISABLED VETERAN'
old_bing_df = df.loc[df['contbr_occupation'] == 'DISABLED VETERAN']
old_bing_df.head()
cand_nmcontbr_nmcontbr_stcontbr_employercontbr_occupationcontb_receipt_amtcontb_receipt_dtparty
149790Obama, BarackMAHURIN, DAVIDFLVETERANS ADMINISTRATIONDISABLED VETERAN10.02012-1-17Democrat
150910Obama, BarackMAHURIN, DAVIDFLVETERANS ADMINISTRATIONDISABLED VETERAN20.02012-1-01Democrat
174041Obama, BarackKRUCHTEN, MICHAELILDISABLEDDISABLED VETERAN50.02011-12-02Democrat
175244Obama, BarackKRUCHTEN, MICHAELILDISABLEDDISABLED VETERAN250.02011-10-12Democrat
183790Obama, BarackBRYANT, J.L.KSRET ARMYDISABLED VETERAN100.02011-10-12Democrat
old_bing_df.groupby(by='cand_nm')['contb_receipt_amt'].sum()

cand_nm
Cain, Herman       300.00
Obama, Barack     4205.00
Paul, Ron         2425.49
Santorum, Rick     250.00
Name: contb_receipt_amt, dtype: float64

友培
关注
专栏目录
100天精通Python（数据分析篇）——第66天：Pandas透视表基础+实战案例（pivot_table函数）
努力让自己发光，对的人才能迎着光而来
11-28 1万+
一、透视表基础参数说明+实战案例 0. 导入Excel数据 1. data 2. index 3. values 4. columns 5. aggfunc 6. fill_value 7. dropna 8. margins 9. margins_name 10. observed 11. sort
79 | Python数据分析篇 —— Pandas中groupby聚合操作和透视表基础
微信号：RunsenLiu
08-06 632
'C' : my_mean }) print(mean) # 输出 # C # A # bar 2.0 # foo 4.0本文介绍了Pandas中groupby聚合操作和透视表的基础知识，包括groupby操作、透视表的创建和使用。groupby操作可以将数据按照指定的列进行分组，并对每组数据进行聚合计算，常用的聚合函数包括count、sum、mean、median、min、max等。透视表是一种数据汇总工具，它可以将数据按照指定的列进行分组，并对每组数据进行聚合计算。
python数据分析练习(三）
bigfatbean
11-08 1301
问题3、分析数据（比如：优点，缺点，规律等，按你自己的理解） 继前两篇博文后的数据可视化分析 python破某公司数据分析笔试题(一）：https://blog.csdn.net/dafeidouzi/article/details/100168562 python破某公司数据分析笔试题(二）：https://blog.csdn.net/dafeidouzi/article/details/...
python数据分析的项目案例练习
最新发布
2401_85855266的博客
07-16 921
SciPy是一个开源的Python算法库和数学工具包，它基于NumPy，并提供了大量的数学算法和便利的函数来处理线性代数、积分、优化、统计等问题。书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
python练手_Python数据分析练手项目
weixin_39622988的博客
11-21 127
最近，我在阿里天池大数据竞赛中发现了一些练手的项目，例如，用Python“画月饼过云上中秋”，虽然中秋已经过去了，但还是好奇Python是怎么画出月饼的？先上图↓火龙果馅的月饼。主要使用了Matplotlib模块和NumPy模块，这里我只修改了字体、线宽和颜色相关代码。修改后的完整代码如下：# 解决中文乱码 plt.rcParams['font.sans-serif'] = ['SimHei'] ...
牛客网Python篇数据分析习题（五）
漫步桔田
02-14 1041
牛客网Python篇数据分析习题
python数据分析小项目练习
qq_38121967的博客
04-12 8655
python数据分析小项目练习 在敲代码中领悟 转自：大神原文链接 import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False...
python数据分析基础教程-可视化（第二版）第四章习题
11-13
在Python数据分析领域，数据可视化是一项至关重要的技能。本篇内容主要围绕着使用Python进行数据可视化，特别是使用matplotlib库创建条形图及其相关参数进行讲解。同时，也涉及到了数据的统计分析，包括均值、中位数...
python训练——简单股票数据分析
12-22
总的来说，这个简单的股票数据分析项目涵盖了Python编程、数据处理、数据分析和可视化的基础，是学习Python在金融领域应用的良好实践。不过要注意，实际的股票市场策略远比这个例子复杂，涉及到更多的统计学、经济学...
大数据Python基础学习——练习（一）
m0_68754495的博客
10-19 869
方法一此算法存在缺陷，取出的名字根据集合去重，有可能取到少于提取数量的名字个数a = input('请输入学员的名字,退出请按q：')breakelse:b = int(input('请输入你想提取的名字个数：'))breakdianming()方法二#创造一定数量的名字#random.shuffle方法else:return '名字数量不足'#random.choice方法breakelse:return '名字数量不足'#random.randrange方法break。
python人口普查数据数据分析_7、Python 数据分析-Pandas人口分析案例
weixin_39992660的博客
12-05 2564
需求：1.导入文件，查看原始数据2.将人口数据和各州简称数据进行合并3.将合并的数据中重复的abbreviation列进行删除4.查看存在缺失数据的列5.找到有哪些state/region使得state的值为NaN，进行去重操作6.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NaN7合并各州面积数据areas8.我们会发现area(sq.mi)这...
3 Python数据分析 美国各州人口分析案例 Pandas高级操作 美国大选献金案例 matplotlib
健浩的博客
07-15 4903
Python数据分析 1 案例 人口分析 1.1 数据介绍 数据来源：https://github.com/jakevdp/data-USstates/ 1.1.1 州人口数量表 state-population.csv 字段 字段名 备注 state/region 州/区域 州简称，与state-abbrevs.csv文件中的abbreviation字段对应 ages 人口年龄 选项包括18岁以下under18和全部年龄段total year 年份 population 人口
111个Python数据分析实战项目，代码已跑通，数据可下载
热门推荐
12-05 12万+
111个Python数据分析实战项目，代码已跑通，数据可下载
简单python数据分析项目实例-入门Python数据分析最好的实战项目（一）
weixin_37988176的博客
10-30 3177
作者：xiaoyu微信公众号：Python数据科学目的：本篇给大家介绍一个数据分析的初级项目，目的是通过项目了解如何使用Python进行简单的数据分析。数据源：博主通过爬虫采集的链家全网北京二手房数据（公众号后台回复?二手房数据?便可获取）。下面是第二篇建模篇，看完这篇可继续研究这篇。数据初探首先导入要使用的科学计算包numpy,pandas,可视化matplotlib,seaborn,以及机器学...
推荐几个适合新人上手的Python项目
机器学习算法与Python学习
06-23 3967
温馨提示：文末有福利人生苦短，我用Python！Python的前景光明不许要过多赘述了，那么作为新人如何快速上手这门语言呢？废话不多说，今天给大家分享三个极实用的Pyth...
20个python数据分析实战项目（附源码）
weixin_42241770的博客
11-05 6万+
1.用python制作炫酷的滚动地球 https://mp.weixin.qq.com/s/mTBhLsO6IuU7l4rme1G1yw 2.python数据分析——pyecharts柱状图全解（小白必看） https://mp.weixin.qq.com/s/fvenxqQBIh-UaYVTJVADrw 3.太震撼了，我用python画出全北京的公交线路动图 https://mp.weixin.qq.com/s/TbxeM7LnBGdyCfjn96EI5A 4.30行python代码帮秘书小姐姐填了上百份
Python数据分析pandas入门练习题（三）
baobaobao0000的博客
07-04 2848
Python数据分析基础Exercise 1Step 1. Go to https://www.kaggle.com/openfoodfacts/world-food-facts/dataStep 2. Download the dataset to your computer and unzip it.Step 3. Use the tsv file and assign it to a dataframe called foodStep 4. See the first 5 entriesStep 5.
Python编程：SQL练习题——数据操作
"Python练习题.md" 这篇文档包含了一些...这些SQL概念在数据库查询中非常基础且重要，对于数据分析、数据挖掘和Web应用开发等许多IT领域都是必不可少的技能。通过实践和理解这些概念，可以更好地处理和分析数据。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

友培

数据皆开源！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值