商业数据分析概论

我正在和鲸社区参加“商业数据分析训练营活动” https://www.heywhale.com/home/competition/6487de6649463ee38dbaf58b ，以下是我的学习笔记：

学习主题：波士顿房价数据快速查看

日期：2023.9.4

关键概念/知识点：

• 数据导入
• 查看数据
• 缺失值的处理
• 统计特征描述

掌握的新函数/方法：

• pandas.read_csv()
• df.head()
• df.tail()
• df.iloc[ ]
• df.loc[ ]
• df.dropna (inplace=True)
• df.describe()

代码举例

数据导入：

# 一切的工作都从引入 python 库包开始，import 是引入库包的语句，加一个 as 就可以把原先比较长的库包名改成简写
import pandas as pd
# 读取本地数据
# Pandas数据分析库中read_csv函数能够进行读取本地数据，我们将读取到的数据存储在名为 df（DataFrame）的变量中
df = pd.read_csv('/home/mw/input/data_analysis8875/Boston Housing Data.csv')

查看数据：

# Head of the data
# 现在我们将展示数据的前五行，以便快速查看数据结构和内容
# head()函数默认显示前五行，可以传入一个整数参数来指定显示的行数，例如df.head(10)将显示前十行。
print(df.head())

# Tail of the data
# 接着，我们展示数据的最后五行，以了解数据尾部的情况
# 与head()函数类似，tail()函数也是默认显示前五行，也可传入一个整数参数来指定显示的行数
print(df.tail())

# Python还提供了查看特定某行或某列数据的方法，可以用到iloc或者loc属性进行查看
# 如提取数据第一列的前五行
# iloc 用于基于整数索引的数据切片，逗号前的 ":" 代表选取所有行，而逗号后的 "0" 代表选取第一列
print(df.iloc[:,0].head())

# 提取从11到20行前3列数据
print(df.iloc[10:20,0:3])

# 提取从11到20行，CRIM、RM、AGE三列中数据
print(df.loc[10:20,['CRIM','RM','AGE']])

缺失值的处理：

查找并打印数据集中每列的缺失值数量：

# isna() 函数检查每个元素是否为缺失值，sum() 函数将每列的缺失值数量加总
print(df.isna().sum())

若数据中包含缺失值，可使用如下方法进行处理：
删除缺失值：若缺失值不是很多，可以直接选择删除缺失值

df.dropna (inplace=True)

补充缺失值：若数据量不大，还要进行预测，建议选择数据填充

# 填充空值核心代码（将 A 列中缺失值填充为 B）：
df.loc [df ['A'].isna (),'A'] = B

统计特征描述：

# 使用 describe() 函数生成数据集的描述性统计信息，如计数、均值、标准差、最小值、四分位数和最大值
# 输出行依次代表：数据量、平均值、标准差、最小值、下四分位点、中值、上四分位点、最大值
print(df.describe())

关键总结：

导入数据是进行数据分析的第一步，通常来说，数据一般是 csv 格式，在 Python 中，利用pd.read_csv()导入数据；
有数据之后，就要进行数据变换。通常会在这一步移除分析中的非必要数据，在移除之前首先需要查看一下已有数据，包括查看数据的前几行、后几行以及选择特定列的数据；
通过df.isna().sum()查找缺失值数量，并按照实际需要对缺失值进行删除或填充；
python 中通过 describe 属性对数据的统计特征进行描述，获取数据集的描述性统计信息，例如平均值、标准差、最小值、最大值和四分位数。
… …

问题/困惑：

只是先对于数据的加载有了初步的了解，对于后续数据分析的流程尚不清楚

下一步计划：

通过练习掌握pandas数据导入、查看数据、数据描述

参考资料/相关资源链接：

Pandas文档:https://pandas.pydata.org/docs/