动手学数据分析-task01
第一章 数据加载
第一节 数据载入以及初步观察
1、 载入数据
数据集下载：Titanic - Machine Learning from Disaster | Kaggle
1.1 导入 numpy 和 pandas
import numpy as np
import pandas as pd
1.2 载入数据
(1) 使用相对路径载入数据
【提示】相对路径载入报错时，尝试使用 os.getcwd() 查看当前工作目录。
df = pd.read_csv('data/train.csv')
df.head(3)
(2) 使用绝对路径载入数据
df = pd.read_csv('E:/pytorch practice/data/train.csv')
df.head(3)
tips: 什么是相对路径？什么是绝对路径？
-
绝对路径：目标文件在硬盘上的真实路径（最精确路径）
举个栗子：找到文件，右键点击后打开属性，可以看到我把喜欢的封面'cover1.jpg'储存在了路径_C:\Users\80975\OneDrive\Desktop\cover_
那么_C:\Users\80975\OneDrive\Desktop\cover\cover1.jpg _就是绝对路径 -
相对路径： 相对于当前文件位置的路径
等级概念,目录(文件夹)的上级(父级)，同级，下级（子级）
- 引用上级文件： ../cover1.jpg
- 引用同级文件： cover1.jpg
- 引用下级文件： cover/cover1.jpg
- 引用上上级文件： ../../cover1.jpg
1.3 每1000行为一个数据模块，逐块读取
chunker = pd.read_csv('data\train.csv', chunksize=1000)
1.4将表头改成中文
对于某些英文资料，我们可以通过翻译来更直观的熟悉我们的数据
df = pd.read_csv('data\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()
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
2.1 查看数据的基本信息
df.info()
df.head() #查看数据前5行
df.tail() #查看数据后行
df.index #查看下标属性
df.columus #查看列标属性
df.values #查看数据值
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)
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()
3、 保存数据
将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('data\train_chinese.csv')
第二节 pandas基础
1、 数据类型
1.1 DateFrame 和 Series
pandas中有两个数据类型 DateFrame 和 Series ：
-
DateFrame：二维的表格型数据结构，可以将DataFrame 理解为Series的容器。
-
Series：一维数组，与Numpy中的一维array类似；二者与Python基本的数据结构List也很相近。Series能保存不同种数据类型，字符串、Boolean值、数字等。
1.2 查看某一列的值
df['Cabin'].head(3) # 方式一
df.Cabin.head(3) # 方式二
1.3 对比两个‘.CSV’文件
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。
# 删除多余的列
del test_1['a']
将['PassengerId', 'Name','Age', 'Ticket']这几个列元素隐藏，只观察其他几个列元素。（如果想要完全的删除这个数据结构，使用inplace=True，但是使用inplace 就将原数据覆盖了）
df.drop(['PassengerId','Name','Age','Ticket'],axis=1).head(3)
1.4 筛选
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。
【提示】了解pandas的条件筛选方式以及如何使用交集和并集操作
例一：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)
例二： 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)
例三：将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来
midage = midage.reset_index(drop=True)
midage.head(3)
midage.loc[[100],['Pclass','Sex']]
例四：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']]
例五：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]]
第三节 探索性数据分析
1. 1 利用Pandas对示例数据进行排序，要求升序
#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
-
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，升序排列
frame.sort_values(by='c', ascending=True)
可以看到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（升序还是降序）
【总结】下面将不同的排序方式做一个小总结
# 让行索引升序排序
frame.sort_index()
# 让列索引升序排序
frame.sort_index(axis=1)
# 让列索引降序排序
frame.sort_index(axis=1, ascending=False)
# 让任选两列数据同时降序排序
frame.sort_values(by=['a', 'c'], ascending=False)
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('data/train_chinese.csv')
text.head()
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。
1.3 利用Pandas进行算术计算，计算两个DataFrame数据相加结果
#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'])
#将frame_a和frame_b进行相加
frame1_a + frame1_b
【提醒】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
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'])
如上，很简单，我们只需找出兄弟姐妹个数和父母子女个数之和最大的数就行，先让这两列相加返回一个DataFrame，然后用max函数求出最大值。
1.5 学会使用Pandas describe()函数查看数据基本统计信息
通过describe()函数可以查看数据的各种信息。
#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
frame2.describe()
浙公网安备 33010602011771号