【Datawhale动手学数据分析笔记】第一章 数据加载及探索性数据分析

第一章：数据加载

1.1 载入数据

数据集下载 https://www.kaggle.com/c/titanic/overview

1.1.1 导入numpy和pandas

import numpy as np
import pandas as pd

如果环境中没有安装numpy或者pandas，需要执行以下命令安装

pip install numpy
pip install pandas

1.1.2 载入数据

(1) 使用相对路径载入数据

df = pd.read_csv('train.csv')
df.head(3)

(2) 使用绝对路径载入数据

df = pd.read_csv('/code/hands-on-data-analysis/第一单元项目集合/train.csv')  #此处填写绝对路径
df.head(3)

以上两段代码的运行结果如下：
特别提示：如果不知道当前文件绝对路径的话可以使用以下代码：

import os
os.getcwd()

运行结果：
/code/hands-on-data-analysis/第一单元项目集合

加载的数据是所有工作的第一步，我们的工作会接触到不同的数据格式（eg:.csv;.tsv;.xlsx）,但是加载的方法和思路都是一样的，在以后工作和做项目的过程中，遇到之前没有碰到的问题，要多多查资料吗，使用google了解业务逻辑，明白输入和输出是什么。

1.1.3 每1000行为一个数据模块，逐块读取

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

1.1.4 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]

PassengerId => 乘客ID
Survived => 是否幸存
Pclass => 乘客等级(1/2/3等舱位)
Name => 乘客姓名
Sex => 性别
Age => 年龄
SibSp => 堂兄弟/妹个数
Parch => 父母与小孩个数
Ticket => 船票信息
Fare => 票价
Cabin => 客舱
Embarked => 登船港口

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)
df.head()

运行结果：

1.2 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

1.2.1 查看数据的基本信息

df.info()

运行结果：

<class 'pandas.core.frame.DataFrame'>
Int64Index: 891 entries, 1 to 891
Data columns (total 11 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   是否幸存    891 non-null    int64  
 1   仓位等级    891 non-null    int64  
 2   姓名      891 non-null    object 
 3   性别      891 non-null    object 
 4   年龄      714 non-null    float64
 5   兄弟姐妹个数  891 non-null    int64  
 6   父母子女个数  891 non-null    int64  
 7   船票信息    891 non-null    object 
 8   票价      891 non-null    float64
 9   客舱      204 non-null    object 
 10  登船港口    889 non-null    object 
dtypes: float64(2), int64(4), object(5)
memory usage: 83.5+ KB

1.2.2 观察表格前10行的数据和后15行的数据

df.head(10) #查看表格前10行数据

运行结果：

df.tail(15)#查看表格后15行数据

运行结果：

1.2.4 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()

运行结果：

上面的操作都是数据分析中对于数据本身的观察

1.3 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

# 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('train_chinese.csv')

数据的加载以及入门，接下来就要接触数据本身的运算，我们将主要掌握numpy和pandas在工作和项目场景的运用。

数据分析的第一步，加载数据我们已经学习完毕了。当数据展现在我们面前的时候，我们所要做的第一步就是认识他，今天我们要学习的就是了解字段含义以及初步观察数据。

1.4 知道你的数据叫什么

我们学习pandas的基础操作，那么上一节通过pandas加载之后的数据，其数据类型是什么呢？

1.4.1 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

#使用Series
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
example_1 = pd.Series(sdata)
example_1

运行结果：

Ohio      35000
Texas     71000
Oregon    16000
Utah       5000
dtype: int64

#使用DataFrame
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada', 'Nevada'],
        'year': [2000, 2001, 2002, 2001, 2002, 2003],'pop': [1.5, 1.7, 3.6, 2.4, 2.9, 3.2]}
example_2 = pd.DataFrame(data)
example_2

运行结果：

1.4.2 载入"train_chinese.csv"文件

df = pd.read_csv('train_chinese.csv')
df.head(3)

运行结果：

1.4.3 查看DataFrame数据的每列的名称

df.columns

运行结果：

Index(['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'],
      dtype='object')

1.4.4 查看"Cabin"这列的所有值 [有多种方法]

#方法一：
df['客舱'].head(3)

df.客舱.head(3)

运行结果：

0    NaN
1    C85
2    NaN
Name: 客舱, dtype: object

1.4.5 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

test_1 = pd.read_csv('test_1.csv')
test_1.head(3)

运行结果：

# 删除多余的列
del test_1['a']
test_1.head(3)

运行结果：

1.4.6 将[‘乘客ID’,‘姓名’,‘年龄’,‘船票信息’]这几个列元素隐藏，只观察其他几个列元素

df.drop(['乘客ID','姓名','年龄','船票信息'],axis=1).head(3)

运行结果：

如果想要完全的删除你的数据结构，使用inplace=True，因为使用inplace就将原数据覆盖了，所以这里没有用

1.5 筛选的逻辑

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。

下面我们还是用实战来学习pandas这个功能。

1.5.1 我们以"年龄"为筛选条件，显示年龄在10岁以下的乘客信息。

df[df["年龄"]<10].head(3)

运行结果：

1.5.2 以"年龄"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["年龄"]>10)& (df["年龄"]<50)]
midage.head(3)

1.5.3 将midage的数据中第100行的"仓位等级"和"性别"的数据显示出来

midage = midage.reset_index(drop=True)
midage.head(3)

运行结果：

reset_index()的作用

数据清洗时，会将带空值的行删除，此时DataFrame或Series类型的数据不再是连续的索引，可以使用reset_index()重置索引。

midage.loc[[100],['仓位等级','性别']]

运行结果：

1.5.4 使用loc方法将midage的数据中第100，105，108行的"仓位等级"，"姓名"和"性别"的数据显示出来

midage.loc[[100,105,108],['仓位等级','姓名','性别']] 

1.5.5 使用iloc方法将midage的数据中第100，105，108行的"仓位等级"，"悉姓名"和"性别"的数据显示出来

midage.iloc[[100,105,108],[2,3,4]]

数据的加载以及入门，接下来就要接触数据本身的运算，我们将主要掌握numpy和pandas在工作和项目场景的运用。

探索性数据分析

数据准备

#载入之前保存的train_chinese.csv数据，关于泰坦尼克号的任务，我们就使用这个数据
text = pd.read_csv('train_chinese.csv')
text.head()

1.6了解你的数据

1.6.1 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

运行结果：

【代码解析】

pd.DataFrame() ：创建一个DataFrame对象

np.arange(8).reshape((2, 4)) : 生成一个二维数组（2*4）,第一列：0，1，2，3 第二列：4，5，6，7

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)

运行结果：

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）

总结一下不同的排序方式

# 让行索引升序排序
frame.sort_index()

运行结果：

# 让列索引升序排序
frame.sort_index(axis=1)

运行结果：

# 让列索引降序排序
frame.sort_index(axis=1, ascending=False)

运行结果：

# 让任选两列数据同时降序排序
frame.sort_values(by=['a', 'c'], ascending=False)

运行结果：

1.6.2 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），从数据中你能发现什么

'''
在开始我们已经导入了train_chinese.csv数据，而且前面我们也学习了导入数据过程，根据上面学习，我们直接对目标列进行排序即可
head(20) : 读取前20条数据
'''
text.sort_values(by=['票价', '年龄'], ascending=False).head(3)

运行结果：

1.6.3 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'])

frame1_a的结果：

frame1_b的结果：

#将frame_a和frame_b进行相加
frame1_a + frame1_b

#将frame_a和frame_b进行相乘
frame1_a * frame1_b

运行结果：

【提醒】两个DataFrame运算之后，会返回一个新的DataFrame，对应的行和列的值会进行运算，没有对应的会变成空值NaN。

当然，DataFrame还有很多算术运算，如减法，除法等，有兴趣的同学可以看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分，多在网络上查找相关学习资料。

1.6.4 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？

'''
还是用之前导入的chinese_train.csv如果我们想看看在船上，最大的家族有多少人（‘兄弟姐妹个数’+‘父母子女个数’），我们该怎么做呢？
'''
max(text['兄弟姐妹个数'] + text['父母子女个数'])

运行结果：10

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，当然你还可以想出很多方法和思考角度，欢迎你来说出你的看法。

1.6.5 使用Pandas describe()函数查看数据基本统计信息

#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

# 调用 describe 函数，观察frame2的数据基本信息

frame2.describe()

'''
count : 样本数据大小
mean : 样本数据的平均值
std : 样本数据的标准差
min : 样本数据的最小值
25% : 样本数据25%的时候的值
50% : 样本数据50%的时候的值
75% : 样本数据75%的时候的值
max : 样本数据的最大值
'''

运行结果：

1.6.6 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？

'''
看看泰坦尼克号数据集中 票价 这列数据的基本统计数据
'''
text['票价'].describe()

运行结果：

count    891.000000
mean      32.204208
std       49.693429
min        0.000000
25%        7.910400
50%       14.454200
75%       31.000000
max      512.329200
Name: 票价, dtype: float64

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。

'''
通过上面的例子，我们再看看泰坦尼克号数据集中 父母子女个数 这列数据的基本统计数据，然后可以说出你的想法
'''
text['父母子女个数'].describe()

运行结果：

count    891.000000
mean       0.381594
std        0.806057
min        0.000000
25%        0.000000
50%        0.000000
75%        0.000000
max        6.000000
Name: 父母子女个数, dtype: float64

参考资料

Datawhale动手学数据分析：https://github.com/datawhalechina/hands-on-data-analysis

《利用Python进行数据分析》