前言: 第一次接触数据分析这方面的知识,但是自己又耐不住闲,于是跟着datawhale学下数据分析,如果有任何错误还请大家不吝赐教。
学习过程中将会使用kaggle上面泰坦尼克号的任务,数据集:https://www.kaggle.com/c/titanic/overview
1.导入numpy和pandas。
import numpy as np
import pandas as pd
df = pd.read_csv('train.csv')
df.head(3)
df = pd.read_csv('C:/Users/user/Desktop/Forme/titanic/train.csv')
df.head(3)
相对路径报错后,可使用os.getcwd()查看当前的工作目录
'.tsv’和‘.csv’的区别:
1.tsv是从制表符作为分隔符的字段符,csv使用逗号作为分隔符的字段符。
2.IANA规定的标准TSV格式,字段值之中是不允许出现制表符的。
详情区别参照博文:https://www.jianshu.com/p/6e1c3e9f5e42
chunker = pd.read_csv('train.csv', chunksize=1000)
思考:什么是逐块读取?为什么要逐块读取呢?
有chunksize参数可以进行逐块加载。它的本质就是将文本分成若干块,每次处理chunksize行的数据,最终返回一个TextParser对象,对该对象进行迭代遍历,可以完成逐块统计的合并处理。
PassengerId => 乘客ID
Survived => 是否幸存
Pclass => 乘客等级(1/2/3等舱位)
Name => 乘客姓名
Sex => 性别
Age => 年龄
SibSp => 堂兄弟/妹个数
Parch => 父母与小孩个数
Ticket => 船票信息
Fare => 票价
Cabin => 客舱
Embarked => 登船港口
df = pd.read_csv('train.csv', names=['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'],index_col='乘客ID',header=0)
df.head()
导入数据后,你可能要对数据的整体结构和样例进行概览,比如说,数据大小、有多少列,各列都是什么格式的,是否包含null等
df.info()
df.head(10)
df.tail(15)
Series相当于一个一维数组,Series显示时的一大好处就是会自动对齐
DataFrame是一种表格型数据结构,它含有一组有序的列,每列可以是不同的值。DataFrame既有行索引,也有列索引,它可以看作是由Series组成的字典,不过这些Series公用一个索引
Series和DataFrame的区别与联系:
series,只是一个一维数据结构,它由index和value组成。
dataframe,是一个二维结构,除了拥有index和value之外,还拥有column。
dataframe由多个series组成,无论是行还是列,单独拆分出来都是一个series。
【例子】:
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada', 'Nevada'],
'year': [2000, 2001, 2002, 2001, 2002, 2003],'pop': [1.5, 1.7, 3.6, 2.4, 2.9, 3.2]}
example_2 = pd.DataFrame(data)
example_2
sdata = {'ali': 35000, 'TX': 71000, 'baidu': 16000, 'mt': 5000}
example_2 = pd.Series(sdata)
example_2
df =pd.read_csv('train_chinese.csv')
df.head(3)
df.columns
df.客舱.head(3)
df['客舱'].head(3)
test_1=pd.read_csv('test_1.csv')
test_1.head(3)
del test_1['a']
test_1.head(3)
【思考】还有其他的删除多余的列的方式吗?
方法一:直接del DF[‘column-name’]
方法二:采用drop方法,有下面三种等价的表达式:
- DF= DF.drop(‘column_name’, 1);
- DF.drop(‘column_name’,axis=1, inplace=True)
- DF.drop([DF.columns[[0,1, 3]]], axis=1,inplace=True) # Note: zero indexed
df.drop(['乘客ID','姓名','年龄','票价'],axis=1).head(3)
【思考】对比任务五和任务六,是不是使用了不一样的方法(函数),如果使用一样的函数如何完成上面的不同的要求呢?
如果想要完全的删除你的数据结构,使用inplace=True,因为使用inplace就将原数据覆盖了,所以这里没有用
df[df['年龄']<10].head(3)
midage = df[(df["年龄"]>10)& (df["年龄"]<50)]
midage.head(3)
midage=midage.reset_index(drop=True)
midage.head(3)
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]]
frame = pd.DataFrame(np.arange(10).reshape((2, 5)),
index=['1', '2'],
columns=['a', 'b', 'c', 'd','e'])
frame
pd.DataFrame() :创建一个DataFrame对象
np.arange(10).reshape((2, 5)):生成一个二位数组(2*5)第一列:0,1,2,3,,4。第二列:5,6,7,8,
index=[‘1’, ‘2’]:DataFrame对象的索引列
columns = ‘a’,‘b’,‘c’,‘d’,‘e’ :DataFrame对象的索引行
【问题】:大多数时候我们都是想根据列的值来排序,所以将你构建的DataFrame中的数据根据某一列,升序排列
frame.sort_values(by='c', ascending=False)
sort_values这个函数中by参数指向要排列的列,ascending参数指向排序的方式
frame.sort_index()
frame.sort_index(axis=1)
frame.sort_index(axis=1, ascending=False)
frame.sort_values(by=['a', 'c'])
text.sort_values(by=['票价', '年龄'], ascending=False).head(3)
【思考】排序后,如果我们仅仅关注年龄和票价两列。根据常识我知道发现票价越高的应该客舱越好,所以我们会明显看出,票价前20的乘客中存活的有14人,这是相当高的一个比例,那么我们后面是不是可以进一步分析一下票价和存活之间的关系,年龄和存活之间的关系呢?当你开始发现数据之间的关系了,数据分析就开始了。
我的排序:(选用兄弟姐妹个数和父母子女个数降序)
text.sort_values(by=['兄弟姐妹个数','是否幸存'],ascending=False).head(50)
发现父母子女个数为0 的存活率最高。
frame1_1 = pd.DataFrame(np.arange(10.).reshape(2, 5),
columns=['a', 'b', 'c','d','e'],
index=['one', 'two'])
frame1_2 = pd.DataFrame(np.arange(8.).reshape(2, 4),
columns=['a', 'b', 'c','d'],
index=['one', 'two'])
frame1_1
frame1_2
将frame_a和frame_b进行相加
frame1_1 + frame1_2
两个DataFrame相加后,会返回一个新的DataFrame,对应的行和列的值会相加,没有对应的会变成空值NaN。
max(df['兄弟姐妹个数']+df['父母子女个数'])
# 10
#构建一个有数字有空值的DataFrame数据
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=['1', '2'])
#调用describe 函数
frame2.describe()
# 查看数据集中票价这列数据基本信息
df['票价'].describe()
# 查看这列的基本信息
df['年龄'].describe()