Python数据分析流程

一.数据分析的步骤:

1.查看数据并提出问题

2.数据清洗

3.代码编写,提取出结果数据,并分析是否有异常数据,修改代码

4.根据数据选择合适的图表进行展示

5.根据图表小组讨论交流获得最终的结果

二.环境与原始数据准备

安装Anaconda2版本,同时更新软件包更新最新版本  conda upgrade --all

下载first.zip文件,解压

里面有3张csv文件分别是enrollments.csv,daily_engagements.csv,project_submission.csv和一个ipython的notebook

扫描二维码关注公众号,回复: 14599788 查看本文章

启动cmd 切换到解压之后的文件 输入 jupyter notebook 启动ipython笔记本

三.分析数据

1.从csv加载数据

1

2

3

4

5

6

7

8

import unicodecsv

def readcsv(filename):

    with open(filename,'rb') as f:

        #以字典的形式存放每一行数据

        reader = unicodecsv.DictReader(f)

        return list(reader)   

1

2

3

4

5

6

7

8

9

10

## 从 daily_engagement.csv 和 project_submissions.csv 载入数据并存

## 储至下面的变量中,然后检查每张表的第1行。

daily_engagement = readcsv('daily-engagement.csv')

project_submissions = readcsv('project-submissions.csv')

enrollments = readcsv('enrollments.csv')

print daily_engagement[0]

print project_submissions[0]

print enrollments[0]

 2.修正数据类型

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

from datetime import datetime as dt

# 将字符串格式的时间转为 Python datetime 类型的时间。

# 如果没有时间字符串传入,返回 None

def parse_date(date):

    if date == '':

        return None

    else:

        return dt.strptime(date, '%Y-%m-%d')

     

# 将可能是空字符串或字符串类型的数据转为 整型 或 None。

def parse_maybe_int(i):

    if == '':

        return None

    else:

        return int(i)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

# 清理 enrollments 表格中的数据类型(取消的日期,参加日期,退出的天数,是否取消,是否是Udacity测试账号)

for enrollment in enrollments:

    enrollment['cancel_date'= parse_date(enrollment['cancel_date'])

    enrollment['join_date'= parse_date(enrollment['join_date'])

    enrollment['days_to_cancel'= parse_maybe_int(enrollment['days_to_cancel'])

    enrollment['is_canceled'= enrollment['is_canceled'== 'True'

    enrollment['is_udacity'= enrollment['is_udacity'== 'True'

     

enrollments[0]

# 清理 engagement 的数据类型(时间,课程数量,课程完成数量,项目完成情况,共花费多少时间)

for engagement_record in daily_engagement:

    engagement_record['utc_date'= parse_date(engagement_record['utc_date'])

    engagement_record['num_courses_visited'= int(float(engagement_record['num_courses_visited']))

    engagement_record['lessons_completed'= int(float(engagement_record['lessons_completed']))

    engagement_record['projects_completed'= int(float(engagement_record['projects_completed']))

    engagement_record['total_minutes_visited'= float(engagement_record['total_minutes_visited'])

     

daily_engagement[0]

# 清理 submissions 的数据类型(项目创建的时间,完成的时间)

for submission in project_submissions:

    submission['creation_date'= parse_date(submission['creation_date'])

    submission['completion_date'= parse_date(submission['completion_date'])

project_submissions[0]

3.修改数据中的格式问题

1

2

3

4

## 将 daily_engagement 表中的 "acct" 重命名为 ”account_key"

for engagement_record in daily_engagement:

    engagement_record['account_key'= engagement_record['acct']

    del [engagement_record['acct']]

 4.探索数据

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

## 计算每张表中的总行数,和独立学生(拥有独立的 account keys)的数量

def unique_student_data(data):

    unique_data = set()

    for data_point in data:

        unique_data.add(data_point['account_key'])

    return unique_data

len(enrollments)

unique_enrolled_students = unique_student_data(enrollments)

len(unique_enrolled_students)

len(daily_engagement)

unique_daily_engagement = unique_student_data(daily_engagement)

len(unique_daily_engagement)

len(project_submissions)

unique_project_submissions = unique_student_data(project_submissions)

len(unique_project_submissions)

 5.找出问题数据

1

2

3

4

5

6

7

## 计算出有问题的数据点条数(在 enrollments 中存在,但在 engagement 表中缺失)

num_problem_students = 0

for enrollment in enrollments:

    if enrollment['account_key'not in unique_daily_engagement and enrollment['join_date'] != enrollment['cancel_date']:

        num_problem_students +=1

        print enrollment

        print num_problem_students

 6.追踪剩余的问题(移除数据集的测试账号)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

# 为所有 Udacity 测试帐号建立一组 set

udacity_test_account = set()

for enrollment in enrollments:

    if enrollment['is_udacity']:

        udacity_test_account.add(enrollment['account_key'])

len(udacity_test_account)

# 通过 account_key 删除所有 Udacity 的测试帐号

def remove_udacity_account(data):

    non_udacity_data = []

    for data_point in data:

        if data_point['account_key'not in udacity_test_account:

            non_udacity_data.append(data_point)

    return non_udacity_data

# 从3张表中移除所有 Udacity 的测试帐号

non_udacity_enrollments = remove_udacity_account(enrollments)

non_udacity_engagement = remove_udacity_account(daily_engagement)

non_udacity_submissions = remove_udacity_account(project_submissions)

1

2

3

4

5

6

7

8

9

#创建一个叫 paid_students 的字典,并在字典中存储所有还没有取消或者注册时间超过7天的学生

paid_students = {}

for enrollment in non_udacity_enrollments:<br>  #如果没有取消并且退课的期限已经超过,就记录学生的key和报名时间

    if not enrollment['is_canceled'or enrollment['days_to_cancel'] > 7:

        account_key = enrollment['account_key']

        enrollment_date = enrollment['join_date']<br>     #如果account_key不在已缴费的记录中,则将学生记录添加进paid_student中

        if account_key not in paid_students or enrollment_date > paid_students[account_key]:

            paid_students[account_key] = enrollment_date

len(paid_students)#获取了所有已入学的学生记录

 7.获取第一周就已经付费报名的学生

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

#计算时间差,一周以内,按天计算<br>def within_one_week(join_date ,engagement_date):

    time_delta = join_date - enrollment_date

    return time_delta.days >= 0 and time_delta.days < 7

     

<br>#存放已报名的用户

def remove_free_trial_cancels(data):

    new_data = []

    for data_point in data:

        if data_point['account_key'in paid_students:

            new_data.append(data_point)

    return new_data

paid_enrollment = remove_free_trial_cancels(non_udacity_enrollments)

paid_engagement = remove_free_trial_cancels(non_udacity_engagement)

paid_project_missions = remove_free_trial_cancels(non_udacity_submissions)

print len(paid_enrollment)

print len(paid_engagement)

print len(paid_project_missions)<br>

## 创建一个 engagement 记录的列表,该列表只包括付费学生以及加入的前7天的学生的记录 <br>## 输入符合要求的行数

paid_engagement_in_first_week = []

for engagement_record in paid_engagement:

    join_date = paid_students[engagement_record['account_key']]

    engagement_record_date = engagement_record['utc_date']

    if within_one_week(join_date,engagement_record_date):

        paid_engagement_in_first_week.append(engagement_record)

len(paid_engagement_in_first_week)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

from collections import defaultdict

import numpy as np

#创建基于 student 对 engagement 进行分组的字典,字典的键为帐号(account key),值为包含互动记录的列表

def group_data(data,key_name):

    grouped_data = defaultdict(list)

    for data_point in data:

        key = data_point[key_name]

        grouped_data[key].append(data_point)

    return grouped_data

# 创建一个包含学生在第1周在教室所花总时间和字典。键为帐号(account key),值为数字(所花总时间)

def sum_grouped_items(grouped_data,field_name):

    sumed_data = {}

    for key,data_points in grouped_data.items():

        total = 0

        for data_point in data_points:

            total += data_point[field_name]

        sumed_data[key] = total

    return sumed_data

# 汇总和描述关于教室所花时间的数据

def describe_data(data):

    print 'Mean:', np.mean(data)

    print 'Standard deviation:', np.std(data)

    print 'Minimum:', np.min(data)

    print 'Maximum:', np.max(data)

 8.获取学习时间最长的学生和时间

1

2

3

4

5

6

7

8

9

10

11

12

13

total_minutes_by_account = sum_grouped_items(engagement_by_account,'total_minutes_visited')

student_with_max_minutes = None

max_minutes = 0

for student,total_nums in total_minutes_by_account.items():

    if total_nums > max_minutes:

        max_minutes = total_nums

        student_with_max_minutes = student

print max_minutes

for engagement_record in paid_engagement_in_first_week:

    if engagement_record['account_key'== student:

        print engagement_record

 9.找出第一周的访问数

1

2

3

4

5

6

7

8

9

## 找出第1周学生访问教室天数的平均值、标准差、最小值、最大值。

for engagement_record in paid_engagement:

    if engagement_record['num_courses_visited'] > 0:

        engagement_record['has_visited'= 1

    else:

        engagement_record['has_visited'= 0

         

days_visited_by_account = sum_grouped_items(engagement_by_account,'has_visited')

describe_data(days_visited_by_account.values())

 10.区分项目通过的学生

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

## 创建两个付费学生第1周的互动数据列表(engagement)。第1个包含通过项目的学生,第2个包含没通过项目的学生。

subway_project_lesson_keys = ['746169184''3176718735']<br>#定义存放通过项目的学员的key

pass_subway_project = set()

for submission in paid_project_missions:

    project = submission['lesson_key']

    rating = submission['assigned_rating']<br>  #如果等级是passed和distinction加入到pass_subway_project集合中

    if project in subway_project_lesson_keys and (rating == 'PASSED' or rating == 'DISTINCTION'):

        pass_subway_project.add(submission['account_key'])

passing_engagement = [] #存放通过项目的学生

non_passing_engagement =[] #存放没有通过项目的学生

for engagement_record in paid_engagement_in_first_week:

    if engagement_record['account_key'in pass_subway_project:

        passing_engagement.append(engagement_record)

    else:

        non_passing_engagement.append(engagement_record)

         

print len(passing_engagement)

print len(non_passing_engagement)

 11.对比两组学生的数据

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

## 计算你所感兴趣的数据指标,并分析通过项目和没有通过项目的两组学生有何异同。

## 你可以从我们之前使用过的数据指标开始(教室的访问时间、课程完成数、访问天数)。

passing_engagement_by_account = group_data(passing_engagement,'account_key')

non_passing_engagement_by_account = group_data(non_passing_engagement,'account_key')

print 'non-passing students'

non_passing_minute = sum_grouped_items(non_passing_engagement_by_account,'total_minutes_visited')

describe_data(non_passing_minute.values())

print 'passing students'

passing_minute = sum_grouped_items(passing_engagement_by_account,'total_minutes_visited')

describe_data(passing_minute.values())

print 'non-passing lessons'

non_passing_lessons = sum_grouped_items(non_passing_engagement_by_account,'lessons_completed')

describe_data(non_passing_lessons.values())

print 'passing lessons'

passing_lessons = sum_grouped_items(passing_engagement_by_account,'lessons_completed')

describe_data(passing_lessons.values())

print 'non-passing visited'

non_passing_visited = sum_grouped_items(non_passing_engagement_by_account,'has_visited')

describe_data(non_passing_visited.values())

print 'passing visited'

passing_visited = sum_grouped_items(passing_engagement_by_account,'has_visited')

describe_data(passing_visited.values())

 12.绘制直方图

1

2

3

4

5

6

7

8

9

10

11

12

13

%pylab inline

import matplotlib.pyplot as plt

import numpy as np

def describe_data(data):

    print 'Mean:', np.mean(data)

    print 'Standard deviation:', np.std(data)

    print 'Minimum:', np.min(data)

    print 'Maximum:', np.max(data)

    plt.hist(data)

     

describe_data(passing_minute.values())

describe_data(non_passing_minute.values())

 13.改进图表并分析

1

2

3

4

5

6

7

8

9

10

11

12

13

14

## 至少改进一幅之前的可视化图表,尝试导入 seaborn 库使你的图表看起来更美观。

## 加入轴标签及表头,并修改一个或多个 hist() 内的变量。

%pylab inline

import seaborn as sns

sns.set(color_codes=True)

plt.hist(non_passing_minute.values(),bins=8)

plt.xlabel('mean of minut')

plt.title('Distribution of classroom visits in the first week ' +

          'for students who do not pass the subway project')

plt.hist(passing_minute.values(),bins=8)

plt.xlabel('mean of minut')

plt.title('Distribution of classroom visits in the first week ' +

          'for students who do not pass the subway project')

猜你喜欢

转载自blog.csdn.net/m0_59485658/article/details/129600273