Datawhale数据分析课程第一次任务

第一节数据载入及初步观察

通过对实际数据的探索，掌握python常用的数据分析操作

数据下载

本次课程使用的数据来源于Kaggle：
数据集下载 https://www.kaggle.com/c/titanic/overview

导入工具包

本人使用的anaconda集成的python开发环境，不需要再安装相应包

import pandas as pd
import numpy as np
import os

导入数据

使用相对路径载入数据

df = pd.read_csv('.\\train.csv')
df

在这里插入图片描述

使用绝对路径载入数据

os.getcwd()#获得当前路径

获得当前路径

df = pd.read_csv('C:\\Users\\Administrator\\Desktop\\datawhale\\train.csv')
df

在这里插入图片描述

思考

知道数据加载的方法后，试试pd.read_csv()和pd.read_table()的不同，如果想让他们效果一样，需要怎么做？了解一下’.tsv’和’.csv’的不同，如何加载这两个数据集？
read_csv和read_table区别在于默认分隔符的不同，read_table的默认分隔符为"\t",可通过sep参数调整

每1000行为一个数据模块，逐块读取。

chunker = pd.read_csv('.\\train.csv', chunksize = 1000)

分块读取可以减少资源消耗，提高效率

将表头改成中文，索引改为乘客ID[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('.\\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)
# names： 指定列名，如果文件中不包含header的行，应该显性表示header=None
# index_col: 默认为None 用列名作为DataFrame的行标签，如果给出序列，则使用MultiIndex。
# 如果读取某文件,该文件每行末尾都有带分隔符，考虑使用index_col=False使panadas不用第一列作为行的名称。
# header: 指定第几行作为列名(忽略注解行)，如果没有指定列名，默认header=0; 如果指定了列名header=None.
#head默认显示前五行
df.head()
#df.columns = ['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']
#上面代码是修改表头的另外一种思路。

在这里插入图片描述

初步观察

查看数据的基本信息

df.info()#查看数据的基本信息

在这里插入图片描述

观察表格前10行的数据和后15行的数据

df.head(10)  #观察表格前10行

在这里插入图片描述

df.tail(15)  #观察表格后15行

在这里插入图片描述

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()
#判断数据是否为空， 空返回TRUE，否则返还Flase.返回表格前五行。

在这里插入图片描述

保存数据

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

#讲df数据保存为名字train_chinese.csv格式的文件
df.to_csv('train_chinese.csv', encoding = 'utf_8_sig')

注：excel的编码不是utf8，需要用utf_8_sig，否则会出现乱码格式

pandas基础

知道你的数据叫什么

任务一：pandas中有两个数据类型DateFrame和Series，通过查找简单了解他们。然后自己写一个关于这两个数据类型的小例子

obj = pd.Series([1, 2 , 5 ,8], index = ['d', 'c', 'b', 'a'])
obj

在这里插入图片描述

obj.values

在这里插入图片描述

obj.name = 'population'
obj

在这里插入图片描述

obj.index.name = 'aaaa'
obj

在这里插入图片描述

obj['10'] = 122
obj
obj['e'] = np.nan
obj

在这里插入图片描述

obj2 = pd.DataFrame(np.arange(12).reshape((4, 3)), columns = ['小白','小红', '小蓝'])
obj2

在这里插入图片描述

obj2.index = ['000', '001', '002', '003']
obj2

在这里插入图片描述

任务二：根据上节课的方法载入"train.csv"文件

#载入train.csv
df = pd.read_csv('train.csv')
df.head()

在这里插入图片描述

任务三：查看DataFrame数据的每列的项

df.columns

在这里插入图片描述

任务四：查看"cabin"这列的所有项[有多种方法]

df['Cabin'].head()

在这里插入图片描述

df.iloc[:,10] #整数标签，切片形式

在这里插入图片描述

df.loc[:, 'Cabin']  #轴标签，切片

在这里插入图片描述

任务五：加载文件"test.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()

在这里插入图片描述

任务六：将[‘PassengerId’,‘Name’,‘Age’,‘Ticket’]这几个列元素隐藏，只观察其他几个列元素

test_1.drop(['PassengerId','Name','Age','Ticket'], axis = 1).head()

在这里插入图片描述

筛选的逻辑

任务一：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()

在这里插入图片描述

任务二：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

在这里插入图片描述

任务三：任务三：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.loc[100, ['Pclass','Sex']]

在这里插入图片描述
注:经过切片后，一定需要重置索引，否则会找不到所在的列。drop属性默认为False，选择True原来的的索引不会在表格中出现。

任务四：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']]

在这里插入图片描述

任务五：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]]

在这里插入图片描述

探索性数据分析

开始之前，导入numpy、pandas包和数据

import numpy as np
import pandas as pd
text = pd.read_csv('train_chinese.csv')
text.head()

在这里插入图片描述

任务一：利用Pandas对示例数据进行排序，要求升序

frame = pd.DataFrame(np.arange(8).reshape((2, 4)), index = ['2', '1'], columns= ['d', 'a', 'b', 'c'])
frame

在这里插入图片描述

frame.sort_index()#按照索引升序 默认axis = 1

在这里插入图片描述

frame.sort_index(axis = 1) #按照索引升序 axis=1 是列向量升序

在这里插入图片描述

frame.sort_index(axis = 1, ascending=False)#按照索引降序， axis=1 是对列向量进行降序

在这里插入图片描述

frame.sort_values(by = 'c', ascending=False) # 按照c这一列降序排序

在这里插入图片描述

任务二：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），从数据中你能发现什么

text.sort_values(by = ['票价','年龄'], ascending = False).head(20)
#先按照票价这一列排序，如果有相同再按照年龄进行排序。

在这里插入图片描述

任务三：利用Pandas进行算术计算，计算两个DataFrame数据相加结果

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

在这里插入图片描述

frame1_a +frame1_b

在这里插入图片描述

任务四：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'])

在这里插入图片描述

任务五：学会使用Pandasdescribe()函数查看数据基本统计信息

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

在这里插入图片描述

frame2.info()

在这里插入图片描述

frame2.describe()

在这里插入图片描述

任务六：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？

text['票价'].describe()

在这里插入图片描述
结论：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。

text['父母子女个数'].describe()

在这里插入图片描述
总结：从上面数据我们可以看出，
一共有891个数据，
平均值约为：0.381594。
标准差：0.806057.