day05>>>pandas其他操作补充、matplotlib模块
作者：互联网
pandas其他操作补充、matplotlib模块
缺失值处理
# 语句 1. df.isnull # 还有df.notnull 2. df.fillna 3. df.dropna
上述三条语句其实在Series中就已经介绍过了，缺失值的识别与处理主要围绕上述三条语句。今天我们直接通过题目来实操。
首先导入文件：
data05 = pd.read_excel(r'data_test05.xlsx') data05 # 读取文件内容
初步浏览了一下文件内容，发现其中有些数据是缺失的。
目前只有十条数据，所以仅靠肉眼目测就能应付过来。但如果数据量有成千上万行，那么就需要用代码来帮助实现了。
首先是判断数据是否有缺失。
data05.isnull() # 统计每个数据项是否有缺失
因为统计的是有否缺失，所以缺失数据会返回True。但这样显然无法满足需要，我们可以对它们进行统计。
data05.isnull().sum()# 统计每一列缺失数据的个数
如果只是为了统计有没有缺失数据，我们还可以使用下面这条语句：
data05.isnull().any(axis = 0) # 统计列字段下是否含有缺失
现在知道了那些数据是空缺的，我们就可以进行下一步操作了。
注意：针对缺失数据，有时候可以删除，有时需要处理保留。当缺失数据量达到一定程度之后就不该删除。
所以我们要先计算一下缺失数据到底有多少，会不会影响接下来的步骤。
data05.isnull().sum(axis = 0)/data05.shape[0] # 计算各列数据的缺失比例
通常情况下，只有当异常数据的占比小于0.1（10%）才可以删除缺失数据。
所以我们要填充缺失数据，但是填充数据也不是胡来的。
要点：针对缺失数据的填充不能盲目，要结合具体字段采取不同的填充策略。
data05.fillna(value=0) # 将所有的缺失值填充为0(不合理)
"""针对不同的缺失值使用合理的填充手段"""
data05.fillna(value = {
'gender':data05.gender.mode()[0], # 性别用众数（出现频率最高的数）:可以有一个也可能是多个
'age':data05.age.mean(), # 年龄用平均值
'income':data05.income.median() # 收入用中位数
}, inplace = True)
数据汇总
透视表可以理解为将单个单个的数据按组显示的表格，概念上类似于MySQL的分组。我们通常是在excel中生成透视表的，其实pandas也可以做到。
# 透视表功能 pd.pivot_table(data, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All')
看的眼睛花了？确实，一条语句里面蕴含了十来个关键字，刚接触任谁都会眼花。所以现在我们一个一个来看这些关键字有什么作用。
data:指定需要构造透视表的数据集 values:指定需要拉入“数值”框的字段列表 index:指定需要拉入“行标签”框的字段列表 columns:指定需要拉入“列标签”框的字段列表 aggfunc:指定数值的统计函数，默认为统计均值，也可以指定numpy模块中的其他统计函数 fill_value:指定一个标量，用于填充缺失值 margins:bool类型参数，是否需要显示行或列的总计值，默认为False dropna:bool类型参数，是否需要删除整列为缺失的字段，默认为True margins_name:指定行或列的总计名称，默认为All
看起来还是不容易理解，接下来就来一道案例帮助消化。
data06 = pd.read_csv(r'diamonds.csv') data06.tail()
查看了一下数据，没问题，那么接下来就可以生成透视表了。
pd.pivot_table(data06, index = 'color', values='price', aggfunc='mean') # 按color分组，price作为数值，统计平均值
pandas还支持二次分组：
pd.pivot_table(data06, index = 'color', columns='clarity', values='price', aggfunc='size') # 按color分组，再以清澈度分组，price作为数值，统计个数
分组与聚合
之前的透视表有些类似分组的概念，现在我们来看看真正的分组和聚合应该怎么做。
grouped = data06.groupby(by = ['color','cut']) # 通过groupby方法，指定分组变量
分组之后生成了一个对象，没法直接看到结果。
分组还只是第一步，接下来还要使用聚合对分组中的数据进行统计。
# 对分组变量进行统计汇总
result = grouped.aggregate({'color':np.size, 'carat':np.min, # 求颜色的个数，克拉数的最小值
'price':np.mean, 'table':np.max}) # 求价钱的平均数，表面积的最大值
可以看到，计算所用到的关键字都是np点出各种用法，还是印证了那句话——numpy模块是很多科学计算模块的底层模块。
关于聚合函数还有一些用法，不常用但也十分简单，所以不具体展开讲了，有兴趣自己尝试一下便能很快上手了。
# 调整变量名的顺序
result = pd.DataFrame(result, columns=['color','carat','price','table'])
# 数据集重命名
result.rename(columns={'color':'counts',
'carat':'min_weight',
'price':'avg_price',
'table':'max_table'},
inplace=True)
分组与聚合实战案例
接下来我们来一道实战题演练一下分组与聚合的用法。
地址：https://baike.baidu.com/item/NBA%E6%80%BB%E5%86%A0%E5%86%9B/2173192?fr=aladdin
需求：分析NBA各球队冠军次数及球员FMVP次数。
# 1.首先从网页上爬取数据
res = pd.read_html('https://baike.baidu.com/item/NBA%E6%80%BB%E5%86%A0%E5%86%9B/2173192?fr=aladdin') # 返回的是一个列表，列表中是当前页面的所有表格数据
res
现在获取到所有表格数据了，那么下一步就是获取我们需要的数据。
因为获取到的数据是列表形式的，所以我们只要索引取值就能获得需要的数据了。
# 2.获取有效数据 cp = res[0] cp
这样我们需要的数据就找到了，但是仔细看一下好像有些小瑕疵：表头数据被移到了数据的第一行。小问题，做下修改就好了。
cp.rename(columns=cp.iloc[0],inplace=True) cp.drop(0,inplace=True) cp
# 针对冠军字段分组
cp.groupby('冠军').groups
虽然卖相不太好，但至少都能显示出来了。
# 获取分组之后的各分组的夺冠次数
champion.groupby('冠军').size()
# 排序各组冠军次数
cp.groupby('冠军').size().sort_values(ascending=False) # 升序
# 求筛选出球队和MVP cp.groupby(['冠军', 'FMVP']).size() # 分组字段可以一次性取多个
数据的合并
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None)
我们来看一下合并数据的语句中用到的关键字。
objs:指定需要合并的对象，可以是序列、数据框或面板数据构成的列表 axis:指定数据合并的轴，默认为0，表示合并多个数据的行，如果为1，就表示合并多个数据的列 join:指定合并的方式，默认为outer，表示合并所有数据，如果改为inner，表示合并公共部分的数据 join_axes:合并数据后，指定保留的数据轴 ignore_index:bool类型的参数，表示是否忽略原数据集的索引，默认为False，如果设为True，就表示忽略原索引并生成新索引 keys:为合并后的数据添加新索引，用于区分各个数据部分
再借题目来加深理解。
# 构造数据集df1和df2
df1 = pd.DataFrame({
'name':['张三','李四','王二'],
'age':[21,25,22],
'gender':['男','女','男']}
)
df2 = pd.DataFrame({
'name':['丁一','赵五'],
'age':[23,22],
'gender':['女','女']}
)
接下来就是纵向合并的语法了。
# 数据集的纵向合并
pd.concat([df1,df2] , keys = ['df1','df2']) # 加keys参数可以在合并之后看到数据来源
pd.concat([df1,df2] , keys = ['df1','df2']).reset_index() # reset_index可以重置行索引
pd.concat([df1,df2] , keys = ['df1','df2']).reset_index().drop(labels ='level_1', axis = 1).rename(columns = {'level_0':'Class'})
纵向合并必须满足一个条件：列的名称是一样的。
如果不一样会发生什么呢？
这就来演示一下。
# 如果df2数据集中的“姓名变量为Name”
df2 = pd.DataFrame({
'Name':['丁一','赵五'],
'age':[23,22],
'gender':['女','女']}
)
# 数据集的纵向合并
pd.concat([df1,df2])
出现了缺失数据，所以一定要记住：纵向合并时列的名称是一样的。
数据的连接
pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'))
该语法会用到的关键字如下：
left:指定需要连接的主 right:指定需要连接的辅表 how:指定连接方式，默认为inner内连，还有其他选项，如左连left、右连right和外连outer on:指定连接两张表的共同字段 left_on:指定主表中需要连接的共同字段 right_on:指定辅表中需要连接的共同字段 left_index:bool类型参数，是否将主表中的行索引用作表连接的共同字段，默认为False right_index:bool类型参数，是否将辅表中的行索引用作表连接的共同字段，默认为False sort:bool类型参数，是否对连接后的数据按照共同字段排序，默认为False suffixes:如果数据连接的结果中存在重叠的变量名，则使用各自的前缀进行区分
接下来还是以题目来做实验。
首先还是要准备数据
# 构造数据集
df3 = pd.DataFrame({
'id':[1,2,3,4,5],
'name':['张三','李四','王二','丁一','赵五'],
'age':[27,24,25,23,25],
'gender':['男','男','男','女','女']})
df4 = pd.DataFrame({
'Id':[1,2,2,4,4,4,5],
'score':[83,81,87,75,86,74,88],
'kemu':['科目1','科目1','科目2','科目1','科目2','科目3','科目1']})
df5 = pd.DataFrame({
'id':[1,3,5],
'name':['张三','王二','赵五'],
'income':[13500,18000,15000]})
# 首先df3和df4连接
merge1 = pd.merge(left = df3,
right = df4,
how = 'left',
left_on='id',
right_on='Id')
# 再将连接结果与df5连接
merge2 = pd.merge(left = merge1,
right = df5,
how = 'left')
是不是有似曾相识的感觉？没错这就是MySQL中的联表操作。
数据分析三剑客之matplotlib模块
简介
matplotlib模块是一款强大的python绘图和数据可视化工具包，数据可视化也是我们数据分析重要环节之一，可以帮助我们分析出很多价值信息，也是数据分析的最后一个可视化阶段。
下载
# python纯开发环境下 pip3 install matplotlib # anaconda环境下 conda install matplotlib '''anaconda已经自动帮助我们下载好了数据分析相关的模块，其实无需我们再下载'''
导入
import matplotlib.pyplot as plt
因为这三款模块的常用型，所以数据分析三剑客习惯一起导入：
import numpy as np import pandas as pd import matplotlib.pyplot as plt
饼图的绘制
饼图属于最传统的统计图形之一，几乎随处可见，例如大型公司的屏幕墙、各种年度论坛的演示稿以及各大媒体发布的数据统计报告等。 饼图是将一个圆分割成不同大小的楔(扇)形，而圆中的每一个楔形代表了不同的类别值，通常根据楔形的面积大小来判断类别值的差异。
# 语法 pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, labeldistance=1.1)
关键字：
x:指定绘图的数据 explode:指定饼图某些部分的突出显示，即呈现爆炸式 labels:为饼图添加标签说明，类似于图例说明 colors:指定饼图的填充色 autopct:自动添加百分比显示，可以采用格式化的方法显示 pctdistance:设置百分比标签与圆心的距离 labeldistance:设置各扇形标签(图例)与圆心的距离
我们来实操一下：
# 导入第三方模块
import matplotlib.pyplot as plt
# 解决中文乱码情况
plt.rcParams['font.sans-serif'] = ['SimHei']
# 构造数据
edu = [0.2515,0.3724,0.3336,0.0368,0.0057]
labels = ['中专','大专','本科','硕士','其他']
explode = [0,0.1,0,0,0]
# 绘制饼图 plt.axes(aspect='equal') # 如果python版本较低可能是扁的需要加该代码
plt.pie(x = edu, # 绘图数据
labels=labels, # 添加教育水平标签
autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数
explode = explode
)
# 显示图形
plt.show()
条形图的绘制
虽然饼图可以很好地表达离散型变量在各水平上的差异，但其不擅长对比差异不大或水平值过多的离散型变量，因为饼图是通过各扇形面积的大小来比价差异的，面积的比较有时并不直观。 对于条形图而言，对比的是柱形的高低，柱体越高，代表的数值越大，反之亦然。
# 语法 bar(x, height, width=0.8, bottom=None, color=None, edgecolor=None, tick_label=None, label = None, ecolor=None)
关键字：
x:传递数值序列，指定条形图中x轴上的刻度值 height:传递数值序列，指定条形图y轴上的高度 width:指定条形图的宽度，默认为0.8 bottom:用于绘制堆叠条形图 color:指定条形图的填充色 edgecolor:指定条形图的边框色 tick_label:指定条形图的刻度标签 label:指定条形图的标签，一般用以添加图例
我们来实操一下：
'''垂直条形图'''
import pandas as pd
# 读入数据
GDP = pd.read_excel(r'Province GDP 2017.xlsx')
# 设置绘图风格（不妨使用R语言中的ggplot2风格）
plt.style.use('ggplot')
# 绘制条形图
plt.bar(x = range(GDP.shape[0]), # 指定条形图x轴的刻度值
height = GDP.GDP, # 指定条形图y轴的数值
tick_label = GDP.Province, # 指定条形图x轴的刻度标签
color = 'steelblue', # 指定条形图的填充色
)
# 添加y轴的标签
plt.ylabel('GDP(万亿)')
# 添加条形图的标题
plt.title('2017年度6个省份GDP分布')
# 为每个条形图添加数值标签
for x,y in enumerate(GDP.GDP):
plt.text(x,y+0.1,'%s' %round(y,1),ha='center')
# 显示图形
plt.show()
标签：None,指定,matplotlib,缺失,day05,pd,数据,pandas,条形图 来源： https://www.cnblogs.com/veryjoe/p/15423126.html