动手学数据分析_第一章:第三节:探索性数据分析
作者：互联网
- 之前关于数据分析的学习是用到什么查阅什么,没有系统的学习过,最近通过这个机会,再复习下关于之前学过的数据分析的一些知识,并完善一些数据分析的方法.最近一系列的数据分析的内容来源于DataWhale开源.涉及到的数据集等可从github(https://github.com/datawhalechina/hands-on-data-analysis)上获取到.
复习：在前面我们已经学习了Pandas基础，知道利用Pandas读取csv数据的增删查改，今天我们要学习的就是探索性数据分析，主要介绍如何利用Pandas进行排序、算术计算以及计算描述函数describe()的使用。
1 第一章：第三节：探索性数据分析
开始之前，导入numpy、pandas包和数据
#加载所需的库
import numpy as np
import pandas as pd
#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
df = pd.read_csv('train_chinese.csv')
df.head(3)
| 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 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 0 | 3 | Braund, Mr. Owen Harris | male | 22.0 | 1 | 0 | A/5 21171 | 7.2500 | NaN | S |
| 1 | 2 | 1 | 1 | Cumings, Mrs. John Bradley (Florence Briggs Th... | female | 38.0 | 1 | 0 | PC 17599 | 71.2833 | C85 | C |
| 2 | 3 | 1 | 3 | Heikkinen, Miss. Laina | female | 26.0 | 0 | 0 | STON/O2. 3101282 | 7.9250 | NaN | S |
1.6 了解你的数据吗？
教材《Python for Data Analysis》第五章
1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序
# 具体请看《利用Python进行数据分析》第五章 排序和排名 部分
#自己构建一个都为数字的DataFrame数据
'''
我们举了一个例子
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
'''
frame = pd.DataFrame(np.arange(8).reshape((2,4)),
index = ['2','1'],
columns=['d', 'a', 'b', 'c']
)
frame
| d | a | b | c | |
|---|---|---|---|---|
| 2 | 0 | 1 | 2 | 3 |
| 1 | 4 | 5 | 6 | 7 |
【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
【问题】：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
#回答代码
# 这个没用过~ 记一下!
frame.sort_values(by='c',ascending=False) # ascending 为True表示升序,为False表示降序
| d | a | b | c | |
|---|---|---|---|---|
| 1 | 4 | 5 | 6 | 7 |
| 2 | 0 | 1 | 2 | 3 |
- 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）
【思考】通过书本你能说出Pandas对DataFrame数据的其他排序方式吗？
【总结】下面将不同的排序方式做一个总结
1.让行索引升序排序
#代码
frame.sort_index() # axis默认为0
| d | a | b | c | |
|---|---|---|---|---|
| 1 | 4 | 5 | 6 | 7 |
| 2 | 0 | 1 | 2 | 3 |
2.让列索引升序排序
#代码
frame.sort_index(axis=1)
| a | b | c | d | |
|---|---|---|---|---|
| 2 | 1 | 2 | 3 | 0 |
| 1 | 5 | 6 | 7 | 4 |
3.让列索引降序排序
#代码
frame.sort_index(axis=1,ascending=False)
| d | c | b | a | |
|---|---|---|---|---|
| 2 | 0 | 3 | 2 | 1 |
| 1 | 4 | 7 | 6 | 5 |
4.让任选两列数据同时降序排序
#代码
frame.sort_values(by=['a', 'c'], ascending=False)
| d | a | b | c | |
|---|---|---|---|---|
| 1 | 4 | 5 | 6 | 7 |
| 2 | 0 | 1 | 2 | 3 |
1.6.2 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），从这个数据中你可以分析出什么？
'''
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
'''
#代码
df.sort_values(by=['票价','年龄'],ascending=False).head()
| 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 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 679 | 680 | 1 | 1 | Cardeza, Mr. Thomas Drake Martinez | male | 36.0 | 0 | 1 | PC 17755 | 512.3292 | B51 B53 B55 | C |
| 258 | 259 | 1 | 1 | Ward, Miss. Anna | female | 35.0 | 0 | 0 | PC 17755 | 512.3292 | NaN | C |
| 737 | 738 | 1 | 1 | Lesurer, Mr. Gustave J | male | 35.0 | 0 | 0 | PC 17755 | 512.3292 | B101 | C |
| 438 | 439 | 0 | 1 | Fortune, Mr. Mark | male | 64.0 | 1 | 4 | 19950 | 263.0000 | C23 C25 C27 | S |
| 341 | 342 | 1 | 1 | Fortune, Miss. Alice Elizabeth | female | 24.0 | 3 | 2 | 19950 | 263.0000 | C23 C25 C27 | S |
【思考】排序后，如果我们仅仅关注年龄和票价两列。根据常识我知道发现票价越高的应该客舱越好，所以我们会明显看出，票价前20的乘客中存活的有14人，这是相当高的一个比例，那么我们后面是不是可以进一步分析一下票价和存活之间的关系，年龄和存活之间的关系呢？当你开始发现数据之间的关系了，数据分析就开始了。
当然，这只是我的想法，你还可以有更多想法，欢迎写在你的学习笔记中。
多做几个数据的排序
#代码
df.sort_values(by=['票价','年龄','性别'],ascending=False).head()
| 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 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 679 | 680 | 1 | 1 | Cardeza, Mr. Thomas Drake Martinez | male | 36.0 | 0 | 1 | PC 17755 | 512.3292 | B51 B53 B55 | C |
| 737 | 738 | 1 | 1 | Lesurer, Mr. Gustave J | male | 35.0 | 0 | 0 | PC 17755 | 512.3292 | B101 | C |
| 258 | 259 | 1 | 1 | Ward, Miss. Anna | female | 35.0 | 0 | 0 | PC 17755 | 512.3292 | NaN | C |
| 438 | 439 | 0 | 1 | Fortune, Mr. Mark | male | 64.0 | 1 | 4 | 19950 | 263.0000 | C23 C25 C27 | S |
| 341 | 342 | 1 | 1 | Fortune, Miss. Alice Elizabeth | female | 24.0 | 3 | 2 | 19950 | 263.0000 | C23 C25 C27 | S |
#写下你的思考
# 这..
1.6.3 任务三：利用Pandas进行算术计算，计算两个DataFrame数据相加结果
# 具体请看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分
#自己构建两个都为数字的DataFrame数据
"""
我们举了一个例子：
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
"""
#代码
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
| a | b | c | |
|---|---|---|---|
| one | 0.0 | 1.0 | 2.0 |
| two | 3.0 | 4.0 | 5.0 |
| three | 6.0 | 7.0 | 8.0 |
frame1_b
| a | e | c | |
|---|---|---|---|
| first | 0.0 | 1.0 | 2.0 |
| one | 3.0 | 4.0 | 5.0 |
| two | 6.0 | 7.0 | 8.0 |
| second | 9.0 | 10.0 | 11.0 |
将frame_a和frame_b进行相加
#代码
frame1_a + frame1_b # 当行和列在两个DF中都存在值时,才会相加,否则就为NaN
| a | b | c | e | |
|---|---|---|---|---|
| first | NaN | NaN | NaN | NaN |
| one | 3.0 | NaN | 7.0 | NaN |
| second | NaN | NaN | NaN | NaN |
| three | NaN | NaN | NaN | NaN |
| two | 9.0 | NaN | 13.0 | NaN |
【提醒】两个DataFrame相加后，会返回一个新的DataFrame，对应的行和列的值会相加，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 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？
'''
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？
'''
#代码
(df['兄弟姐妹个数']+df['父母子女个数']).max()
# 或者 max(df['兄弟姐妹个数']+df['父母子女个数'])
10
【提醒】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，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。
- 两行的值相加即可
多做几个数据的相加，看看你能分析出什么？
1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息
#(1) 关键知识点示例做一遍（简单数据）
# 具体请看《利用Python进行数据分析》第五章 汇总和计算描述统计 部分
#自己构建一个有数字有空值的DataFrame数据
"""
我们举了一个例子：
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
"""
#代码
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
| one | two | |
|---|---|---|
| a | 1.40 | NaN |
| b | 7.10 | -4.5 |
| c | NaN | NaN |
| d | 0.75 | -1.3 |
调用 describe 函数，观察frame2的数据基本信息
#代码
frame2.describe()
| one | two | |
|---|---|---|
| count | 3.000000 | 2.000000 |
| mean | 3.083333 | -2.900000 |
| std | 3.493685 | 2.262742 |
| min | 0.750000 | -4.500000 |
| 25% | 1.075000 | -3.700000 |
| 50% | 1.400000 | -2.900000 |
| 75% | 4.250000 | -2.100000 |
| max | 7.100000 | -1.300000 |
- count : 样本数据大小 : 每列有多少数据(不为空)
- mean : 样本数据的平均值 : 每列的平均值
- 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
1.6.6 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？
'''
看看泰坦尼克号数据集中 票价 这列数据的基本统计数据
'''
#代码
df['票价'].describe()
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
【思考】从上面数据我们可以看出，试试在下面写出你的看法。然后看看我们给出的答案。
- 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。
当然，答案只是我的想法，你还可以有更多想法，欢迎写在你的学习笔记中。
多做几个组数据的统计，看看你能分析出什么？
# 写下你的其他分析
# 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
df['父母子女个数'].describe()
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
【思考】有更多想法，欢迎写在你的学习笔记中。
【总结】本节中我们通过Pandas的一些内置函数对数据进行了初步统计查看，这个过程最重要的不是大家得掌握这些函数，而是看懂从这些函数出来的数据，构建自己的数据分析思维，这也是第一章最重要的点，希望大家学完第一章能对数据有个基本认识，了解自己在做什么，为什么这么做，后面的章节我们将开始对数据进行清洗，进一步分析。
标签：数据分析,index,第三节,探索性,个数,票价,DataFrame,np,数据 来源： https://blog.csdn.net/DDxuexi/article/details/117903521