[Python知识库]数据分析第一章：第一节至第三节

前言：datawhale团队贡献的课程——《动手学数据分析》，这门课程得主要目的是通过真实的数据，以实战的方式了解数据分析的流程和熟悉数据分析python的基本操作。完成kaggle上泰坦尼克的任务，实战数据分析全流程。
资料：教材《Python for Data Analysis》

1 第一章：数据载入及初步观察

1.1 载入数据

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

1.1.1 任务一：导入numpy和pandas

import numpy as np
import pandas as pd

【提示】如果加载失败，学会如何在你的python环境下安装numpy和pandas这两个库
pip install numpy
pip install pandas

1.1.2 任务二：载入数据

(1) 使用相对路径载入数据
(2) 使用绝对路径载入数据

train = pd.read_csv("train.csv")
train.head()

train = pd.read_csv("C:/Users/JJY/Desktop/hands-on-data-analysis-master/第一单元项目集合/train.csv",engine='python')
train.head()
#调用pandas的read_csv()方法时，默认使用C engine作为parser engine，而当文件名中含有中文的时候就会出错，需要指定engine为Python。

【提示】相对路径载入报错时，尝试使用os.getcwd()查看当前工作目录。
【思考】知道数据加载的方法后，试试pd.read_csv()和pd.read_table()的不同，如果想让他们效果一样，需要怎么做？了解一下’.tsv’和’.csv’的不同，如何加载这两个数据集？
【总结】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googel，了解业务逻辑，明白输入和输出是什么。

#read_table 默认"\t"(制表符)为分隔符，加载csv文件需要特别指定sep=","
#read_csv 默认是","(逗号)为分隔符

train = pd.read_table("train.csv",sep=",")
train.head()

1.1.3 任务三：每1000行为一个数据模块，逐块读取

chunker = pd.read_csv("train.csv",chunksize=1000)
print(type(chunker)) #chunker(数据块)的类型：可迭代的对象TextFileReader

#执行后结果篇幅过长，故注释
#for i in chunker:
#    print(i)

<class 'pandas.io.parsers.TextFileReader'>

【思考】什么是逐块读取？为什么要逐块读取呢？
–按指定大小分块读取大数据,避免因数据量大导致内存不足,但也会更耗时一些，数据的处理和清洗经常使用分块的方式处理

1.1.4 任务四：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

train = pd.read_csv("train.csv", names=["乘客ID","是否幸存","乘客等级","姓名","性别","年龄","堂兄弟/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)
train.head()

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 任务一：查看数据的基本信息

train.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 891 entries, 1 to 891
Data columns (total 11 columns):
是否幸存       891 non-null int64
乘客等级       891 non-null int64
姓名         891 non-null object
性别         891 non-null object
年龄         714 non-null float64
堂兄弟/妹个数    891 non-null int64
父母子女个数     891 non-null int64
船票信息       891 non-null object
票价         891 non-null float64
客舱         204 non-null object
登船港口       889 non-null object
dtypes: float64(2), int64(4), object(5)
memory usage: 83.5+ KB

#【提示】有多个函数可以这样做，你可以做一下总结

#查看缺失值
train.isnull().sum(axis=0)

是否幸存         0
乘客等级         0
姓名           0
性别           0
年龄         177
堂兄弟/妹个数      0
父母子女个数       0
船票信息         0
票价           0
客舱         687
登船港口         2
dtype: int64

1.2.2 任务二：观察表格前10行的数据和后15行的数据

train.head(10)

train.tail(15)

1.2.4 任务三：判断数据是否为空，为空的地方返回True，其余地方返回False

train.isnull().head()

【总结】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

1.3.1 任务一：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‘‘`
train.to_csv("train_chinese.csv")

【总结】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。

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？

开始前导入numpy和pandas

import numpy as np
import pandas as pd

1.4.1 任务一：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🌰[开放题]

#写入代码
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)
print(example_2,type(example_2))

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

    state  year  pop
0    Ohio  2000  1.5
1    Ohio  2001  1.7
2    Ohio  2002  3.6
3  Nevada  2001  2.4
4  Nevada  2002  2.9
5  Nevada  2003  3.2 <class 'pandas.core.frame.DataFrame'>
Ohio      35000
Texas     71000
Oregon    16000
Utah       5000
dtype: int64 <class 'pandas.core.series.Series'>

1.4.2 任务二：根据上节课的方法载入"train.csv"文件

train = pd.read_csv("train.csv")

也可以加载上一节课保存的"train_chinese.csv"文件。通过翻译版train_chinese.csv熟悉了这个数据集，然后我们对trian.csv来进行操作

1.4.3 任务三：查看DataFrame数据的每列的名称

train.columns

Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',
       'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'],
      dtype='object')

1.4.4任务四：查看"Cabin"这列的所有值[有多种方法]

train["Cabin"].head()

0     NaN
1     C85
2     NaN
3    C123
4     NaN
Name: Cabin, dtype: object

train.Cabin.head()

0     NaN
1     C85
2     NaN
3    C123
4     NaN
Name: Cabin, dtype: object

1.4.5 任务五：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

经过我们的观察发现一个测试集test_1.csv有一列是多余的，我们需要将这个多余的列删去

test_1 = pd.read_csv("test_1.csv")
test_1.head()

del test_1["a"]
test_1.head()

【思考】还有其他的删除多余的列的方式吗？

# 思考回答
test_2 = test_1.drop("a",axis=1)
test_2.head()

1.4.6 任务六： 将[‘PassengerId’,‘Name’,‘Age’,‘Ticket’]这几个列元素隐藏，只观察其他几个列元素

train_1 = train.drop(['PassengerId','Name','Age','Ticket'],axis=1)
train_1.head()

【思考】对比任务五和任务六，是不是使用了不一样的方法(函数)，如果使用一样的函数如何完成上面的不同的要求呢？
–使用del, 一次只能删除一列,不能一次删除多列，使用drop方法一次删除多列

【思考回答】

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 任务一： 我们以"Age"为筛选条件，显示年龄在10岁以下的乘客信息。

train[train["Age"]<10]
train.head()

1.5.2 任务二： 以"Age"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

#多条件时使用&，&的优先级高于>=或<=，所以要注意括号的使用,每个条件先使用括号
midage = train[(train["Age"]>=10) & (train["Age"]<50)]
midage.head()

【提示】了解pandas的条件筛选方式以及如何使用交集和并集操作

1.5.3 任务三：将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来

#midage = midage.reset_index(drop=Frue) 
#因为midage从原数据中筛选出来且已有固定索引，需要将midage重置索引，reset_index()函数中参数drop=True 重置索引且不新增列
midage.loc[[100],["Pclass","Sex"]]

【提示】在抽取数据中，我们希望数据的相对顺序保持不变，用什么函数可以达到这个效果呢？
–使用reset_index()函数，将midage重置索引

1.5.4 任务四：使用loc方法将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

midage.loc[[100,105,108],['Pclass','Name','Sex']] 

1.5.5 任务五：使用iloc方法将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

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

【思考】对比iloc和loc的异同

df.loc[行标签,列标签] 按照标签名称取数据
df.iloc[行位置,列位置] 按照位置取数据

1.6 了解你的数据吗？

教材《Python for Data Analysis》第五章

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
train_c = pd.read_csv("train_chinese.csv")
train_c.head()

1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序

【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

df1 = pd.DataFrame(np.arange(8).reshape((2, 4)),index=[2,1],columns=['d', 'a', 'b', 'c'])
df1
df1.sort_values(by="c",ascending=True)

【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

df1.sort_index()  

2.让列索引升序排序

df1.sort_index(axis=1)

3.让列索引降序排序

df1.sort_index(axis=1,ascending=False) # ascending=False为降序排列，默认是升序

4.让任选两列数据同时降序排序

df1.sort_values(by=["a","b"],ascending=False)

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
'''

train_c.sort_values(by=["票价","年龄"],ascending=False).head(20)

【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。
1、按照现有的交通工具，客舱越好舱内人均面积越高，逃生空间大，而且是否救生设备更多更靠近（如救生圈，救生衣，救生艇），需要进一步研究泰坦尼克号的结构
2、存活的乘客中年龄均在50及以下，青年中年人存活率是否更高，需要进一步分析每个年龄段（以十岁一个区间）的生存率，以及结合逃生时的具体情况（妇孺优先）

#按乘客等级进行升序排列
train_c.sort_values(by=["乘客等级"]).head(20)

#按乘客等级进行降序排列
train_c.sort_values(by=["乘客等级"],ascending=False).head(20)

#按年龄进行降序排列
train_c.sort_values(by=["年龄"]).head(20)

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

#构建两个都为数字的DataFrame数据
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'])
print(frame1_a)
print(frame1_b)

         a    b    c
one    0.0  1.0  2.0
two    3.0  4.0  5.0
three  6.0  7.0  8.0
          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

frame1_a + frame1_b

【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？
'''

max(train_c["堂兄弟/妹个数"] + train_c["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。

train_c.sort_values(by=['父母子女个数','堂兄弟/妹个数'],ascending=False).head()
#排序方式：先依据第一列排序，再依据第二列排序

train_c.sort_values(by=['堂兄弟/妹个数','父母子女个数'],ascending=False).head()

1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息

#自己构建一个有数字有空值的DataFrame数据
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()

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？

train_c[["票价","父母子女个数"]].describe()

【思考】从上面数据我们可以看出， 票价数据共有891个，平均值32.20，标准差约49.69，票价波动大，25%的人的票价低于7.91，50%的人的票价低于14.45，75%的人的票价低于31.00，票价最大值512.33，最小值0

多做几个组数据的统计，看看你能分析出什么？

'''
describe()默认只对数字类型的数据，生成描述性统计，总结数据集分布的中心趋势，分散和形状，不包括NaN值
describe(include=[object])则只对对象类型的数据（例如字符串或时间），生成描述性统计
describe(include="all")对所有数据类型，生成对应的描述性统计
'''

train_c.describe(include="all")

【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，构建自己的数据分析思维，这也是第一章最重要的点，对数据有个基本认识，了解自己在做什么，为什么这么做，后面的章节将开始对数据进行清洗，进一步分析。