python数据分析基础知识

1. 常用数据结构

• List,tuple,dir,series,dataframe
• 区别：list可修改，tuple不可修改
• 操作：pop弹出最后一个元素；alist.append([5,6,7])在最后直接加上；alist.extend([5,6,7])  把元素打开后添加到list里面去。

 

1. I/O数据的导入导出

• do=pd.read_csv("country_facts.csv"),一般只推荐read_csv,因为从EXCEL里面读取数据容易出错，excel转换成csv或者txt再进行读文件。excel读取： pandas.read_excel()不推荐。
• 一般步骤：

Pwd #查看当前文件夹；

df=pd.read_csv()；

df.head()  #查看前几行，默认为五行；

type(df)  #查看当前类型，例如这个是dataframe数据框，最前面的列是索引（重要！） ，每一列的数据类型都是相同的，各自列数据类型相互独立。  Series如果取出第一列df['fips']，这个是series,可以理解为一个dataframe是由不同的series组成的;

df.loc(0)  #取一行，type(df.loc[0])也是一个series ，（索引变成了行的字符串）；Series为一维数据，DataFrame为二维数据。

• 处理数据保存到本地：DataFrame.to_csv(),df.to_csv("df1.csv")
• 为什么读取的数据是乱码的？(尤其是读取中文的时候)

解决方法：设置参数encoding="gbk",error_bad_lines=False；或者文件转换为utf-8；或者使用python3。

 

1. 字典的创建

• adir={'a':1,'b':2}
• pd.series(adir,name="shujufenxi")  #字典被转换为series ，key为索引。
• Pd.DataFrame(adir,index=[0])   #时候'a' 'b'变成了列的第一行名称，dataframe必须要传入索引，否则会报错。
• Pd.DataFrame.from_dict(adir,orient="index")  #这时候'a' 'b'变为索引，orient为方向。

 

 

1. Missing value

• 一般针对数值型的，如果是文本型的可以用空格替代，不太重要。

例如：df1=pd.read_csv("df.csv",error_bad_line=False,encoding="gbk")#设置成False后可以在读到missing value之后不会停止而是继续读下去，这里encoding的设置是在报错的时候尝试这样解决。

• 检查：df1.isnull(), df.notnull     # 一般来说missingvalue是数值型，字符型不能用数字替换（没有意义）。

替换：df.fillna(0) #用0替换missing value,但一般来说没有意义。

删除：df.dropna() # 整个样本都会被删掉，不推荐。

 

1. 索引的选取：

• dataframe与series的属性：方法是动态的有（），方法是静态的无括号  #df.index为属性，无括号, index=df.index,

df.T为转置，df.shape查看行列数目，不包括索引。

• 选取行：df[1;5]

列选取：选取某一列   

df["fips"]    #选取一列 , df[["a","b"]]推荐使用这种,不推荐使用df.class

df["class"]=None   #给df增加一列，值为none

• rename重命名:

df.rename??  

df.rename(columns={"class":"label"}).head()  #"class"变为"label",但是返回的是新的数据集，原始数据并不发生变化。       df.rename(columns={"class":"label"}，inplace=True)  #取代，对原有的数据进行修改。

df.drop??  

df.drop("label",axis=1,inplace=True)   #在列上面进行删除，轴设置为1。

df['area_name'].value_counts() #计算频次：把某一列的元素出现的次数统计出来。

• 索引选取：
  • loc常用，用在选取索引名称，但在选取索引的位置时使用ilox。

df.loc：  

df.loc[1:4]  #不是前闭后开（凑巧这里索引是数字）  

df[1:4]      #前闭后开 

df.iloc[1:4] #前闭后开

df.set_index?     #将某一列设置为索引   

dfnew=df.set_index("are_name")  

dfnew.loc[1:4]   #找不到索引，loc是对索引名称进行切片 

dfnew.loc["Alabama"] #跟“”有关的所有样本会被选出来   

df.iloc[1:4]     #可以找到索引，但是对字符串是绝对不可以的，是对索引的位置进行选择，不是对名称   

dfnew.loc["Barbour",["fips","state"]]#逗号前面是对索引操作，逗号后面是对列进行操作,在这里所有只能用名称进行操作

     dfnew.iloc[1:4,:2]      #只能用数字操作不能用名称，传统的切片。

 

#creat a label ,when area_name==US，label=1 else label=0

代码：

df.loc[df['area_name']=="unite states"]   #将索引位上True的位置选取出来

df.loc[df['area_name']=="unite states"，"label"]=1  #label列赋值为1

df.loc[df['area_name']!=="unite states"，"label"]=0

 

#PST>==100000 AND PST04>=100000  labelp=1 else labelp=0

Df,loc[(df['PST']>=100000)&(df['PST']>=100000),'labelp']=1 #运算优先级，括号里先运算

Df,loc[~((df['PST']>=100000)&(df['PST']>=100000)),'labelp']=0 #加括号和波浪号~:取这个条件的全部的反面

 

• df.ix[1:4,['fips']] #可以混合选取索引名称和位置，df.ix[1:4]为闭区间，但是需要判别是选取索引名称还是索引位置，是要消耗运行的，所以推荐loc和iloc。

 

• df.query("PST">=100000&pst04>=100000) #运行的时候要注意优先级，字符串作比较的时候用单引号''，只能在当前的语句使用； 不能使用引用变量值

 

 

1. 多重索引：

• 前处理：

movie=pd.read_csv("movie_metadata.csv")

movie.dtypes  #每一列的属性

movie["movietitle"]=movie["movie_title"].map(lambdas:s.stripe(""))   #处理空格

movie.head()

• 双重索引：

movie.set_index(['director_name','duration'],drop=False,append=False,inpalce=True)

           #drop作用于列，append作用于索引，inplace取代原来变量，原来的索引就不存在了，使这两个字符串作为索引

Index=movie.index   #索引赋值

len(index)

Index.get_leveal_values(1)   #设置了两个索引，只有0层和1层索引，所以这里括号内只能为0，1

movie.loc['Avatar']          #在第0个level上进行的操作，不行？

movie.swapelevel(0,1)        #交换leverl方法

movie.sort_index(inplace=True)#对数据进行排序，这个是对索引按照alphabet进行排序

slice()选取  slice（1，100）索引的值的范围选取出来

 

movie.loc[(slice(None),"Avatar"),:]  #第0个level不进行slice，不管什么都选取出来；第1个level只选取'Avater'的行（多个元素选取使用列表或者切片） ,最后的:表示对所有列选取或者选取特定列（用列表表示），多重索引必须指定列，这是和loc单重索引的区别。

Idx.pd.IndexSlice

movie.loc[ ( ["james","jon"] , slice (100,200) ), "movie_title" ]=1   #这里可以创建新变量比如"movie_title"=1，但是不能使用~（）

 

• PS：关于括号，方括号为列表，圆括号代表函数、tupe