爬虫 人口调查
- 需求:
- 导入文件,查看原始数据
- 将人口数据和各州简称数据进行合并
- 将合并的数据中重复的abbreviation列进行删除
- 查看存在缺失数据的列
- 找到有哪些state/region使得state的值为NaN,进行去重操作
- 为找到的这些state/region的state项补上正确的值,从而去除掉state这一列的所有NaN
- 合并各州面积数据areas
- 我们会发现area(sq.mi)这一列有缺失数据,找出是哪些行
- 去除含有缺失数据的行
- 找出2010年的全民人口数据
- 计算各州的人口密度
- 排序,并找出人口密度最高的五个州 df.sort_values()
In [1]:
import numpy as np
from pandas import DataFrame,Series
import pandas as pd
In [2]:
abb = pd.read_csv('./data/state-abbrevs.csv')
pop = pd.read_csv('./data/state-population.csv')
area = pd.read_csv('./data/state-areas.csv')
In [3]:
abb.head(1)
Out[3]:
In [5]:
pop.head(1)
Out[5]:
In [6]:
area.head(1)
Out[6]:
In [8]:
#将人口数据和各州简称数据进行合并
abb_pop=pd.merge(abb,pop,how='outer',left_on='abbreviation',right_on='state/region')
abb_pop.head(2)
Out[8]:
In [11]:
#将合并的数据中重复的abbreviation列进行删除
abb_pop.drop(labels='abbreviation',axis=1,inplace=True)
abb_pop.head(2)
Out[11]:
In [13]:
#查看存在缺失数据的列
abb_pop.isnull().any(axis=0)
Out[13]:
In [14]:
#找到有哪些state/region使得state的值为NaN,进行去重操作
abb_pop.head(5)
Out[14]:
In [15]:
#1.找出state中的空值
abb_pop['state'].isnull()
#2.将布尔值作为元数据的行索引:定位到所有state为空对应的行数据
abb_pop.loc[abb_pop['state'].isnull()]
#3.将空对应的行数据中的简称这一列的数据取出进行去重操作
abb_pop.loc[abb_pop['state'].isnull()]['state/region'].unique()
Out[15]:
In [17]:
#为找到的这些state/region的state项补上正确的值,从而去除掉state这一列的所有NaN
#1.找出USA对应state列中的空值
abb_pop['state/region'] == 'USA'
#2.取出USA对应的行数据
abb_pop.loc[abb_pop['state/region'] == 'USA']
indexs = abb_pop.loc[abb_pop['state/region'] == 'USA'].index
#3.将USA对应的空值覆盖成对应的值
abb_pop.loc[indexs,'state'] = 'United States'
In [18]:
abb_pop['state/region'] == 'PR'
abb_pop.loc[abb_pop['state/region'] == 'PR']
indexs = abb_pop.loc[abb_pop['state/region'] == 'PR'].index
abb_pop.loc[indexs,'state'] = 'PPRR'
In [20]:
area.head(1)
Out[20]:
In [23]:
# 合并各州面积数据areas
abb_pop_area=pd.merge(abb_pop,area,how='outer')
abb_pop_area.head(2)
Out[23]:
In [34]:
# 我们会发现area(sq.mi)这一列有缺失数据,找出是哪些行
abb_pop_area['area (sq. mi)'].isnull()
abb_pop_area[abb_pop_area['area (sq. mi)'].isnull()]
indexs=abb_pop_area.loc[abb_pop_area['area (sq. mi)'].isnull()].index
abb_pop_area.drop(labels=indexs,axis=0,inplace=True)
abb_pop_area.head(3)
Out[34]:
In [38]:
# 找出2010年的全民人口数据
df_2010=abb_pop_area.query('year==2010 & ages=="total"')
df_2010
. . .
In [39]:
# 计算各州的人口密度
abb_pop_area['midu']=abb_pop_area['population']/abb_pop_area['area (sq. mi)']
abb_pop_area.head(2)
Out[39]:
In [41]:
# 排序,并找出人口密度最高的五个州 df.sort_values()
abb_pop_area.sort_values(by='midu',axis=0,ascending=False).head(5)
Out[41]:
In [ ]:

浙公网安备 33010602011771号