数据载入、Pandas基础和探索性数据分析

1. 载入数据及初步观察

1.1 载入数据

数据集下载 https://www.kaggle.com/c/titanic/overview

1.1.1 导入numpy和pandas

import numpy as np
import pandas as pd

1.1.2 载入数据

(1) 使用相对路径载入数据

df = pd.read_csv('train.csv')
df.head(5)

(2) 使用绝对路径载入数据

df = pd.read_csv('D:/Jupyter/train.csv')
df.head(5)

因为 train.csv 文件放在我的电脑 D 盘 Jupyter 文件夹下，注意路径中的反斜杠 “/”，如果直接拷贝路径应该是 “\”，因为不能和转义字符冲突，所以需要使用反斜杠 “/”。

1.1.3 每500行为一个数据模块，逐块读取

有时候因为数据文件过大，内存不够一次读取，所以可以采用逐块读取。

chunker = pd.read_csv('train.csv', chunksize=500)
for piece in chunker:
    print(type(piece))
    print(len(piece))

1.1.4 将表头改成中文，索引改为乘客

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()

还可以使用rename函数，将要替换的列名用字典形式输入即可。
假如直接修改源数据，请添加inplace = True。

df.rename(columns={'姓名':'name'}, inplace=True)
df.head()

采用rename函数，将列名姓名改成了name。

1.2 初步观察

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。

1.2.1 查看数据的基本信息

df.info()

1.2.2 观察表格前10行的数据和后15行的数据

df.head(10)

df.tail(15)

1.2.3 判断数据是否为空，为空的地方返回True，其余地方返回False

df.isnull().head()

1.3 保存数据

1.3.1 将你加载并做出改变的数据，在工作目录下保存为一个新文件train_chinese.csv

# 注意：不同的操作系统保存下来可能会有乱码。大家可以加入`encoding='GBK' 或者 ’encoding = ’utf-8‘‘`
df.to_csv('train_chinese.csv')
df1 = pd.read_csv('D:/Jupyter/train_chinese.csv')
df1.head(5)

我们对保存的文件进行重新读取，发现内容和预想的一致，注意重新读取时，pandas自动添加了新的索引。

2. pandas基础

2.1 数据类型

2.1.1 DateFrame和Series

创建Series

sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
example_1 = pd.Series(sdata)
example_1

创建DateFrame

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

2.1.2 查看DataFrame数据的每列的名称

df.columns

2.1.3 查看"客舱"这列的所有值

可以使用unique

df['客舱'].unique()

也可以使用describe查看值的情况

df['客舱'].describe()

2.1.5 删除不需要的列

加载文件"test_1.csv"，然后对比"train.csv"，看看有哪些多出的列，然后将多出的列删除

test_1 = pd.read_csv('test_1.csv')
test_1.head(3)

# 删除多余的列
del test_1['a']
test_1.head(3)

还可以使用drop方法：

test_1= test_1.drop('a', 1)

test_1.drop('a',axis=1, inplace=True)

test_1.drop(test_1.columns[-1], axis=1,inplace=True)

test_1.columns[-1] 是因为要删除的列刚好是倒数第一列

2.1.6 将[‘PassengerId’,‘Name’,‘Age’,‘Ticket’]这几个列元素隐藏，只观察其他几个列元素

df.drop(['PassengerId','Name','Age','Ticket'],axis=1).head(3)

如果还想使用del函数，代码需要这样写

df1 = df.copy()
for col in ['PassengerId','Name','Age','Ticket']:
    del df1[col]
df1.head(3)

因为 del 函数会把列删除而不是隐藏，所以首先要拷贝来备份。然后 del 函数一次只能删除一列，所以要采用循环。总之，相比 drop ，这种方法不简洁，并且消耗内存，不建议使用。

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。

2.2 筛选的逻辑

表格数据中，最重要的一个功能就是要具有可筛选的能力，选出我所需要的信息，丢弃无用的信息。

2.2.1 我们以"Age"为筛选条件，显示年龄在10岁以下的乘客信息。

df[df["Age"]<10].head(3)

2.2.2 以"Age"为条件，将年龄在10岁以上和50岁以下的乘客信息显示出来，并将这个数据命名为midage

midage = df[(df["Age"]>10)& (df["Age"]<50)]
midage.head(3)

2.2.3 将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来

因为 midage 的索引依然是原来整个 DataFrame 的索引，所以必须先重新设定索引。

midage = midage.reset_index(drop=True)
midage.loc[[100],['Pclass','Sex']]

2.2.4 使用loc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.loc[[100,105,108],['Pclass','Name','Sex']] 

2.2.5 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]]

loc为Selection by Label函数，即为按标签取数据；
iloc函数为Selection by Position，即按位置选择数据，即第n行，第n列数据，只接受整型参数。

3. 探索性数据分析

3.1 理解数据

3.1.1 利用Pandas对示例数据进行排序，要求升序

# 具体请看《利用Python进行数据分析》第五章 排序和排名 部分

#自己构建一个都为数字的DataFrame数据
frame = pd.DataFrame(np.arange(8).reshape((2, 4)), 
                     index=['2', '1'], 
                     columns=['d', 'a', 'b', 'c'])
frame

pd.DataFrame() ：创建一个DataFrame对象

np.arange(8).reshape((2, 4)) : 生成一个二维数组（2*4）,第一列：0，1，2，3 第二列：4，5，6，7

index=['2, 1] ：DataFrame 对象的索引列

columns=[‘d’, ‘a’, ‘b’, ‘c’] ：DataFrame 对象的索引行

# 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，降序排列
frame.sort_values(by='c', ascending=False)

下面将不同的排序方式做一个小总结
（1）让行索引升序排序

frame.sort_index()

（2）让列索引升序排序

frame.sort_index(axis=1)

（3）让列索引降序排序

frame.sort_index(axis=1, ascending=False)

（4）让任选两列数据同时降序排序

frame.sort_values(by=['a', 'c'], ascending=False)

3.1.2 对泰坦尼克号数据（trian.csv）按票价和年龄两列进行综合排序（降序排列）

text = pd.read_csv('train_chinese.csv')
text.sort_values(by=['票价', '年龄'], ascending=False).head(3)

price_top = text.sort_values(by=['票价', '年龄'], ascending=False)[:10]
price_top.describe()

通过观察可以发现，票价最高的10个人存活率是80%，仓位都是一等舱，平均年龄32.5岁。票价越高，生存的可能性越大。

price_bot = text.sort_values(by=['票价', '年龄'], ascending=True)[:10]
price_bot.describe()

通过观察发现，票价最低的10个人存活率只有10%，舱位以二三等舱居多，平均年龄35.14岁，没有兄弟姐妹，也没有父母子女，而且他们的票价都是0。

text[text['票价']==0]

票价为0的乘客一共有15人，只有1人幸存，且这15人均为男性，在船上没有兄弟姐妹，也没有父母子女。

age_top = text.sort_values(by=['年龄'], ascending=False)[:10]
age_top.describe()

通过观察发现，年龄最大的10个人，生存率只有10%，舱位一等舱占到一半，平均年龄70.25岁，只有1人有兄弟姐妹，有两人的父母子女个数为1，平均票价为29.14。年龄越大，生存的可能性越小。

age_bot = text.sort_values(by=['年龄'], ascending=True)[:10]
age_bot.describe()

通过观察，年龄最小的10个人，生存率是90%，舱位一半是三等舱，平均年龄为0.817岁，最大年龄1岁，平均有兄弟姐妹1个，至少有一位父母，并且只有父母1人的超过一半，平均票价为35.33。所以婴儿受到了很好的保护。

3.1.3 利用Pandas进行算术计算，计算两个DataFrame数据相加结果

# 具体请看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分


#建立一个例子
frame1_a = pd.DataFrame(np.arange(9.).reshape(3, 3),
                     columns=['a', 'b', 'c'],
                     index=['one', 'two', 'three'])
frame1_b = pd.DataFrame(np.arange(12.).reshape(4, 3),
                     columns=['a', 'e', 'c'],
                     index=['first', 'one', 'two', 'second'])
frame1_a

frame1_b

#将frame_a和frame_b进行相加
frame1_a + frame1_b

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。

3.1.4 通过泰坦尼克号数据如何计算出在船上最大的家族有多少人？

max(text['兄弟姐妹个数'] + text['父母子女个数'])

有些时候，我不仅想知道最大家族人数，还想知道具体信息，可以用下面的代码实现：

text[['家族总人数']]=text['兄弟姐妹个数'] + text['父母子女个数']
text.sort_values(by=['家族总人数'], ascending=False)[:10]

先算出家庭总人数，然后按降序排列，这样排在前面的就是最大家族的成员信息。我们可以发现排在前7名的家庭总人数都是10，但是7名以后家庭总人数小于10。由此可以推测数据并不完整，最大家庭中的部分成员不在名单上。

3.1.5 学会使用Pandas describe()函数查看数据基本统计信息

#(1) 关键知识点示例做一遍（简单数据）

# 具体请看《利用Python进行数据分析》第五章 汇总和计算描述统计 部分

#建立一个例子
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=['one', 'two'])
frame2

# 调用 describe 函数，观察frame2的数据基本信息

frame2.describe()


# count : 样本数据大小
# mean : 样本数据的平均值
# std : 样本数据的标准差
# min : 样本数据的最小值
# 25% : 样本数据25%的时候的值
# 50% : 样本数据50%的时候的值
# 75% : 样本数据75%的时候的值
# max : 样本数据的最大值

3.1.6 分别看看泰坦尼克号数据集中 票价、父母子女 这列数据的基本统计数据，你能发现什么？

'''
看看泰坦尼克号数据集中 票价 这列数据的基本统计数据
'''
text['票价'].describe()

从上面数据我们可以看出， 一共有891个票价数据， 平均值约为：32.20， 标准差约为49.69，说明票价波动特别大， 25%的人的票价是低于7.91的，50%的人的票价低于14.45，75%的人的票价低于31.00， 票价最大值约为512.33，最小值为0。

'''
通过上面的例子，我们再看看泰坦尼克号数据集中 父母子女个数 这列数据的基本统计数据，然后可以说出你的想法
'''
text['父母子女个数'].describe()

通过观察可以发现，绝大部分的乘客在船上是没有父母和子女的。

参考资料

• Datawhale 开源文档：https://github.com/datawhalechina/hands-on-data-analysis
• https://gitee.com/datawhalechina/hands-on-data-analysis/tree/master

感谢Datawhale对开源学习的贡献！