【Datawhale动手学数据分析笔记】第三章 数据重构

数据重构

我们学习了数据的清洗，这一部分十分重要，只有数据变得相对干净，我们之后对数据的分析才可以更有力。而这一节，我们要做的是数据重构，数据重构依旧属于数据理解（准备）的范围。

载入数据

# 载入data文件中的:train-left-up.csv
text = pd.read_csv('data/train-left-up.csv')
text.head()

结果：

数据的合并

将data文件夹里面的所有数据都载入，与之前的原始数据相比，观察他们的之间的关系

text_left_up = pd.read_csv("data/train-left-up.csv")
text_left_down = pd.read_csv("data/train-left-down.csv")
text_right_up = pd.read_csv("data/train-right-up.csv")
text_right_down = pd.read_csv("data/train-right-down.csv")

查看每个表的信息

text_left_up.head()

结果：

text_left_down.head()

结果：

text_right_up.head()

结果：

text_right_down.head()

结果：

使用concat方法：将数据train-left-up.csv和train-right-up.csv横向合并为一张表，并保存这张表为result_up

list_up = [text_left_up,text_right_up]
result_up = pd.concat(list_up,axis=1)
result_up.head()

运行结果：

使用concat方法：将train-left-down和train-right-down横向合并为一张表，并保存这张表为result_down。然后将上边的result_up和result_down纵向合并为result。

list_down=[text_left_down,text_right_down]
result_down = pd.concat(list_down,axis=1)
result = pd.concat([result_up,result_down])
result.head()

运行结果：

使用DataFrame自带的方法join方法和append：完成任务二和任务三的任务

resul_up = text_left_up.join(text_right_up)
result_down = text_left_down.join(text_right_down)
result = result_up.append(result_down)
result.head()

运行结果：

使用Panads的merge方法和DataFrame的append方法：完成任务二和任务三的任务

result_up = pd.merge(text_left_up,text_right_up,left_index=True,right_index=True)
result_down = pd.merge(text_left_down,text_right_down,left_index=True,right_index=True)
result = resul_up.append(result_down)
result.head()

运行结果：

完成的数据保存为result.csv

result.to_csv('result.csv')

换一种角度看数据

任务一：将我们的数据变为Series类型的数据

# 将完整的数据加载出来
text = pd.read_csv('result.csv')
text.head()
# 代码写在这里
unit_result=text.stack().head(20)
unit_result.head()

运行结果：

0  Unnamed: 0                           0
   PassengerId                          1
   Survived                             0
   Pclass                               3
   Name           Braund, Mr. Owen Harris
dtype: object

#将代码保存为unit_result,csv
unit_result.to_csv('unit_result.csv')

test = pd.read_csv('unit_result.csv')
test.head()

载入Result数据

# 载入data文件中的:result.csv
text = pd.read_csv('result.csv')
text.head()

结果：

数据聚合与运算

数据运用

GroupBy机制

Hadley Wickham创造了一个用于表示分组运算的术语"split-apply-combine"(拆分-应用-合并)。第一个阶段，pandas对象(无论是Series、DataFrame还是其他的)中的数据会根据你所提供的一 个或多个键被拆分(split)为多组。拆分操作是在对象的特定轴上执行的。 例如，DataFrame可以在其行(axis=0)或列(axis=1)上进行分组。然 后，将一个函数应用(apply)到各个分组并产生一个新值。最后，所有这些 函数的执行结果会被合并(combine)到最终的结果对象中。结果对象的形式一般取决于数据上所执行的操作。下图大致说明了一个简单的分组聚合过程。

分组键可以有多种形式，且类型不必相同:
列表或数组，其长度与待分组的轴一样。
表示DataFrame某个列名的值。
字典或Series，给出待分组轴上的值与分组名之间的对应关系
函数，用于处理轴索引或索引中的各个标签。

计算泰坦尼克号男性与女性的平均票价

df  = text['Fare'].groupby(text['Sex'])
means = df.mean()
means

运行结果：

Sex
female    44.479818
male      25.523893
Name: Fare, dtype: float64

统计泰坦尼克号中男女的存活人数

survived_sex = text['Survived'].groupby(text['Sex']).sum()
survived_sex.head()

运行结果：

Sex
female    233
male      109
Name: Survived, dtype: int64

计算客舱不同等级的存活人数

survived_pclass = text['Survived'].groupby(text['Pclass'])
survived_pclass.sum()

运行结果：

Pclass
1    136
2     87
3    119
Name: Survived, dtype: int64

表中的存活那一栏，可以发现如果还活着记为1，死亡记为0

从任务二到任务三中，这些运算可以通过agg()函数来同时计算。并且可以使用rename函数修改列名

text.groupby('Sex').agg({'Fare': 'mean', 'Pclass': 'count'}).rename(columns=
                            {'Fare': 'mean_fare', 'Pclass': 'count_pclass'})

运行结果：

统计在不同等级的票中的不同年龄的船票花费的平均值

text.groupby(['Pclass','Age'])['Fare'].mean().head()

运行结果：

Pclass  Age  
1       0.92     151.5500
        2.00     151.5500
        4.00      81.8583
        11.00    120.0000
        14.00    120.0000
Name: Fare, dtype: float64

任务二和任务三的数据合并

result = pd.merge(means,survived_sex,on='Sex')
result

运行结果：

得出不同年龄的总的存活人数，然后找出存活人数最多的年龄段，最后计算存活人数最高的存活率（存活人数/总人数）

#不同年龄的存活人数
survived_age = text['Survived'].groupby(text['Age']).sum()
survived_age.head()

运行结果：

Age
0.42    1
0.67    1
0.75    2
0.83    2
0.92    1
Name: Survived, dtype: int64

#找出最大值的年龄段
survived_age[survived_age.values==survived_age.max()]

运行结果：

Age
24.0    15
Name: Survived, dtype: int64

_sum = text['Survived'].sum()
print(_sum)

运行结果：342

#首先计算总人数
_sum = text['Survived'].sum()

print("sum of person:"+str(_sum))

precetn =survived_age.max()/_sum

print("最大存活率："+str(precetn))

运行结果：

sum of person:342
最大存活率：0.043859649122807015