目录
昨日内容
1.数据分析的概述 将爬虫爬下来的数据,进行分析,以前使用的是R语言来进行分析,现在的使用Python中 的数据分析库
2.数据分析的应用 淘宝购物之后,商品推荐,会根据之前用户的浏览日志推荐相关的产品,用户画像 抖音(百度过来的推荐算法团队),快手的推荐算法,投喂 看电影,电影推荐等
3.数据分析的步骤 提出需求(产品经理或者leader提出) 收集数据爬虫爬取的数据或者掏钱买的 公司自己产生的各种数据 进行数据清洗 数据详细分析,得出结论,图表的形式展示结论
4.写代码的工具 以前使用的是pycharm,但是现在本次课程使用的是 jupyter
5.jupyter的安装 命令行安装和启动 (不推荐) pip3 install jupyter jupyter notebook 缺点是:需要额外的在进行安装numpy anaconda安装(推荐) 直接官网下载,傻瓜式安装 点击lunch按钮,直接启动
6.jupyternotebook的使用介绍 注意:notebook的文件后缀,是以 ipynb 结尾
7.jupyternotebook的快捷键
两个模式: 编辑模式:光标闪动,颜色是绿色 命令模式:按esc,就能从编辑模式到命令行模式 常见的6个快捷键: 运行当前的代码:crtl + enter 运行当前的代码,并且运行完成之后自动的选择下一个单元格:shift+enter 删除当前单元格:切换到命令行模式,按dd直接删除 在当前单元格的上方添加一个单元格:切换到命令行模式,按a添加 在当前单元格的下方添加一个单元格:切换到命令行模式,按b添加 切换代码模式到标记模式:切换到命令模式,按m进行切换 如果命令不够,可以去键盘处打开命令配置查看
8.numpy的介绍 核心数据结构是:ndarray
9.numpy的基本属性 dtype: 数据类型 ndim:数组维度 shape:数组维度,以元组的形式展示 T:转置 (对高维数组而言)
10.numpy数组的创建方式 np.array([1,2,3,3,4]) np.arange() np.linspace() np.linspace? #### 查看函数的使用方法 np.zeros(5) np.ones(5)
11.数组的索引 一维数组索引 和python的列表用法是一样,都是从0开始 二维数组索引 存在行索引和列索引,需要逗号进行分割,逗号前面是行索引,后面是列索引 布尔型索引 数组可以把布尔值当成索引,来获取对应的值
12.数组的切片 一维数组切片 和Python中的列表的切片一样,也都是从0开始,前包后不包 二维数组的切片 存在行索引,和列索引,需要逗号进行分割,逗号前面是行切片,后面是列切片
13.通用函数 abs() : 绝对值 ceil(): 向上取整 ceil(4.3) ===> 5 floor():向下取整 floor(5.7) ===> 5 rint() : 四舍五入 rint(3.4) ====>3 sum(): 求和 cumsum() max() min()
14.随机数函数 np.random.rand() np.random.randint() np.random.shuffle() 15.向量运算和矢量运算
pandas
简介
pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现,它是使Python成为强大而高效的数据分析环境的重要因素之一。
数据结构
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如今能保存不同种数据类型,字符串、boolean值、数字等都能保存在Series中。
Time- Series:以时间为索引的Series。
DataFrame:二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。
Panel :三维的数组,可以理解为DataFrame的容器。
Panel4D:是像Panel一样的4维数据容器。
PanelND:拥有factory集合,可以创建像Panel4D一样N维命名容器的模块。
安装
pip install pandas
使用
import pandas as pd
import numpy as np
Series 四种定义方式
s1 = pd.Series([2,3,4,5,6])
s1
0 2
1 3
2 4
3 5
4 6
dtype: int64
s2 = pd.Series([2,3,4,5,6],index=['a','b','c','d','e'])
s2
a 2
b 3
c 4
d 5
e 6
dtype: int64
s1[1]
3
s2['b']
3
s2[2] # 数字型索引和自定义索引是共存的
4
a3 = pd.Series({'a':2,'b':2})
a3
a 2
b 2
dtype: int64
s4 = pd.Series(0,index=['a','b','c'])
s4
a 0
b 0
c 0
dtype: int64
Series的特性
pd.Series(np.array([1,2,3,4,5]))
0 1
1 2
2 3
3 4
4 5
dtype: int32
矢量运算
s1 * 2
0 4
1 6
2 8
3 10
4 12
dtype: int64
s1
0 2
1 3
2 4
3 5
4 6
dtype: int64
布尔型索引
s1[s1>4]
3 5
4 6
dtype: int64
通用函数
abs(s1)
0 2
1 3
2 4
3 5
4 6
dtype: int64
sum(s1)
20
# 适用于numpy
缺失值数据的处理
st = pd.Series({'sean':12,'yang':15,'cloud':20,'bella':23})
st # 得到一个Series
sean 12
yang 15
cloud 20
bella 23
dtype: int64
obj1 = pd.Series(st,index=['sean','yang','cloud','rocky'])
obj1
sean 12.0
yang 15.0
cloud 20.0
rocky NaN
dtype: float64
NAN
# NaN 即是所谓的缺失值
1.为啥值得类型从整型变为了浮点型
扫描二维码关注公众号,回复:
10959425 查看本文章
因为NaN是浮点数类型,其他值兼容,会强制变为浮点型
type(np.nan)
float
2.nan等于谁
np.nan == np.nan
False
3.填充nan
obj1.fillna(0)
sean 12.0
yang 15.0
cloud 20.0
rocky 0.0
dtype: float64
obj1 # 拷贝一份,填充
sean 12.0
yang 15.0
cloud 20.0
rocky NaN
dtype: float64
4.删除nan所在的行
obj1.dropna()
sean 12.0
yang 15.0
cloud 20.0
dtype: float64
obj1 # 拷贝了一份删除,但是原obj没有更改
sean 12.0
yang 15.0
cloud 20.0
rocky NaN
dtype: float64
obj1.dropna(inplace=True) # inplace=True 在对象本身进行操作
obj1
sean 12.0
yang 15.0
cloud 20.0
dtype: float64
运算
两个Series的运算
### 向量运算
s4 = pd.Series({'height':170,'age':18,'salary':2000})
s4
height 170
age 18
salary 2000
dtype: int64
s5 = pd.Series({'height':110,'age':20,'salary':2367})
s5
height 110
age 20
salary 2367
dtype: int64
s4 + s5 # 索引所对应的值进行加减乘除
height 280
age 38
salary 4367
dtype: int64
两个键值都会缺失
s6 = pd.Series({'name':110,'age':20,'salary':2367})
s6
name 110
age 20
salary 2367
dtype: int64
s4
height 170
age 18
salary 2000
dtype: int64
s4 + s6
age 38.0
height NaN
name NaN
salary 4367.0
dtype: float64
Series索引
s1
0 2
1 3
2 4
3 5
4 6
dtype: int64
花式索引
# 中括号中套中括号,内层括号中写索引下标
# 获取246 三个值
s1[[0,2,4]]
0 2
2 4
4 6
dtype: int64
arr = np.array([1,2,3,4,5])
arr[[0,3,2]]
array([1, 4, 3])
整数索引
sr = pd.Series(np.arange(10))
sr
0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
dtype: int32
sr1 = sr[3:].copy()
sr1
3 3
4 4
5 5
6 6
7 7
8 8
9 9
dtype: int32
# 想要获取值为3 不能直接索引取值了
sr1.iloc[0] # iloc == index + location 以索引下标取值
3
sr1.loc[6] # 以标签取值
6
DataFrame
DataFrame 是一个表个性的数据结构,相当于一个二维数组,含有一组有序的列.他可以看做成由Series组成的字典,并且共用一个索引
df = pd.DataFrame({'one':[1,2,3,4],'two':[5,6,7,8]})
df
创建方式
one | two | |
---|---|---|
0 | 1 | 5 |
1 | 2 | 6 |
2 | 3 | 7 |
3 | 4 | 8 |