Descripción general del caso
Este artículo son notas de estudio de análisis de datos de un blogger. Este artículo presenta el uso de datos de Starbucks para contar la cantidad de Starbucks en China y los Estados Unidos, cuenta la cantidad de Starbucks en cada provincia de China y dibuja un mapa.
Puntos de conocimiento involucrados en este caso
- Agrupación de tramas de pandas
- Índice booleano de pandas
Fuente de datos: Ubicaciones de Starbucks en todo el mundo | Kaggle
analisis de CASO
(1) Agrupación y conteo por país
# 按国家分类(pandas分组方法）
groupsByCountry = star_df.groupby(by='Country')
print(groupsByCountry)
# groupsByCountry是一个可遍历的对象
for countryName, data in groupsByCountry:
# groupsByCountry的每一项是一个元组
# countryName第一个变量为分类的国家名
# data为每个国家的数据，类型为DataFrame
print(countryName)
print('-' * 100)
print(data)
print('#' * 100)
# 获得美国的星巴克数据
US_df = star_df[star_df['Country'] == 'US']
# 调用聚合方法对星巴克数量进行计数
countryCount = groupsByCountry['Brand'].count() # 计数需要使用没有缺失的字段
print('美国星巴克数量：', countryCount['US']) # 美国星巴克数量
print('中国星巴克数量：', countryCount['CN']) # 中国星巴克数量
(2) Estadísticas sobre el número de Starbucks en cada provincia de China
En el marco de datos de China, se puede agrupar según el campo de provincia.
Si la novena línea del siguiente código es groupsByProvinceInChina['Brand'].count(), el resultado será una serie, que debe convertirse en un marco de datos y anidarse con una capa de corchetes fuera de la marca.
Use sort_value() para ordenar de modo que los valores máximo y mínimo puedan reflejarse directamente en el dibujo posterior.
CN_df = star_df[star_df['Country'] == 'CN'] # 中国星巴克信息
print(CN_df.info())
groupsByProvinceInChina = CN_df.groupby(by='State/Province')
# for province,data in groupsByProvinceInChina:
# print(province)
provinceCount = \
groupsByProvinceInChina[['Brand']].count().sort_values(by='Brand', ascending=True)
(3) Código de provincia
En los datos originales, el campo de provincia utiliza el código numérico de cada provincia. Al dibujar, puede usar funciones específicas para convertir los códigos numéricos en nombres de provincia uno por uno.
(Cuando el bloguero extrajo los datos de la provincia, descubrió que los códigos de provincia 91 y 92 no se podían encontrar en Internet. Cuando se convirtió el nombre de la provincia, el número era diferente y el dibujo falló, por lo que se dio por vencido. Espero que los lectores quien lo sepa puede comentar en el área de comentarios)
Código
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
def ProvinceTransfer(codeList):
'''
返回中国省份列表
:param codeList: 省份数字代码，可以是数值类型或字符串类型
:return: 省份列表
'''
resList = []
for item in codeList:
if item == 11 or item == '11':
resList.append('北京')
if item == 12 or item == '12':
resList.append('天津')
if item == 13 or item == '13':
resList.append('河北')
if item == 14 or item == '14':
resList.append('山西')
if item == 15 or item == '15':
resList.append('内蒙古')
if item == 21 or item == '21':
resList.append('辽宁')
if item == 22 or item == '22':
resList.append('吉林')
if item == 23 or item == '23':
resList.append('黑龙江')
if item == 31 or item == '31':
resList.append('上海')
if item == 32 or item == '32':
resList.append('江苏')
if item == 33 or item == '33':
resList.append('浙江')
if item == 34 or item == '34':
resList.append('安徽')
if item == 35 or item == '35':
resList.append('福建')
if item == 36 or item == '36':
resList.append('江西')
if item == 37 or item == '37':
resList.append('山东')
if item == 41 or item == '41':
resList.append('河南')
if item == 42 or item == '42':
resList.append('湖北')
if item == 43 or item == '43':
resList.append('湖南')
if item == 44 or item == '44':
resList.append('广东')
if item == 45 or item == '45':
resList.append('广西')
if item == 46 or item == '46':
resList.append('海南')
if item == 50 or item == '50':
resList.append('重庆')
if item == 51 or item == '51':
resList.append('四川')
if item == 52 or item == '52':
resList.append('贵州')
if item == 53 or item == '53':
resList.append('云南')
if item == 54 or item == '54':
resList.append('西藏')
if item == 61 or item == '61':
resList.append('陕西')
if item == 62 or item == '62':
resList.append('甘肃')
if item == 63 or item == '63':
resList.append('青海')
if item == 64 or item == '64':
resList.append('宁夏')
if item == 65 or item == '65':
resList.append('新疆')
if item == 71 or item == '71':
resList.append('台湾省')
if item == 81 or item == '81':
resList.append('香港')
if item == 82 or item == '82':
resList.append('澳门')
return resList
pd.set_option('display.max_columns', None)
# pd.set_option('display.max_rows', None)
dataPath = 'dataFiles/Starbucks-Locations.csv'
star_df = pd.read_csv(dataPath)
print(star_df.head(1)) # 打印第一行查看字段信息
print(star_df.info())
# 按国家分类(pandas分组方法）
groupsByCountry = star_df.groupby(by='Country')
# print(groupsByCountry)
# groupsByCountry是一个可遍历的对象
for countryName, data in groupsByCountry:
# countryName第一个变量为分类的国家名
# data为每个国家的数据，类型为DataFrame
print(countryName)
# print('-' * 100)
# # print(data)
# print('#' * 100)
US_df = star_df[star_df['Country'] == 'US']
# print(US_df.head(1))
# 调用聚合方法
countryCount = groupsByCountry['Brand'].count() # 计数需要使用没有缺失的字段
print('美国星巴克数量：', countryCount['US']) # 美国星巴克数量
print('中国星巴克数量：', countryCount['CN']) # 中国星巴克数量
# 统计中国不同省份的星巴克数量
CN_df = star_df[star_df['Country'] == 'CN'] # 中国星巴克信息
# print(CN_df.info())
groupsByProvinceInChina = CN_df.groupby(by='State/Province')
# for province,data in groupsByProvinceInChina:
# print(province)
provinceCount = \
groupsByProvinceInChina[['Brand']].count().sort_values(by='Brand', ascending=True)
# print(type(provinceCount))
# print(provinceCount)
# print(list(provinceCount.index))
# print(list(provinceCount['Brand']))
provinceIndexList = list(provinceCount.index)
provinceCountList = list(provinceCount['Brand'])
#########################################################
matFont = {
'family': 'Microsoft Yahei'
}
plt.rc('font', **matFont)
plt.figure(figsize=(16, 8), dpi=200)
plt.bar(provinceIndexList, provinceCountList, color='orange')
plt.title('中国各省份星巴克数量统计')
plt.xlabel('省份代码')
plt.ylabel('门店数量')
plt.show()