目录
前言
Datawhale第28期组队学习来了！这次很幸运报名成功！我选择的是Datawhale开源学习项目——“动手学数据分析”，本次学习周期为8.15-8.26，在此记录本人初次接触数据分析的学习历程。基于教程写的比较详细，这里的记录只作为补充。
环境配置
笔者使用的软件实验环境为Win10系统，Anaconda3。
1、环境配置（Anaconda Prompt）
（1）建立data-A的环境：conda create --name data-A python=3.8.5 然后输入 y
（报错：Collecting package metadata (current_repodata.json): failed。解决：沿路径C:\Users\1207.condarc把清华源删除）
（2）激活环境：conda activate data-A
（3）安装jupyter、numpy、pandas
conda install -c conda-forge jupyter 然后输入 y
pip install numpy -i https://pypi.douban.com/simple/
pip install pandas -i https://pypi.douban.com/simple/
2、打开文件（Anaconda Prompt）
首先到下载好的文件夹路径（D盘）👉D:👉cd D:\hands-on-data-analysis
然后启动data-A环境👉conda activate data-A
然后使用👉jupyter notebook
3、关闭Jupyter
首先关闭jupyter的网页
然后在Anaconda Prompt中退出jupyter👉按键ctrl+C
然后退出data-A环境👉conda deactivate
退出cmd👉exit
学习路线
Task01：数据加载及探索性数据分析（8.16、8.17）
PS.Task01相关参考
1、数据载入及初步观察
思考：
1）pd.read_csv()和pd.read_table()的区别：
pd.read_csv()（读入后它是一个4行12列的数组，每一个字符串作为一列）
pd.read_table()（读入后它是一个4行1列的数组，每一行字符串作为为一列而不是每一个字符串，每个字符串之间有逗号相隔，表明每一行作为一个维度进行了存储）
👉用pd.read_table()读csv文件：pd.read_table('train.csv', sep=',')
思路：将pd.read_table()函数读文件的默认分隔符从“\t”改为“,”
2）chunkersize参数用来控制迭代数据分析的大小，作为每一个数据块的行数
chunker=pd.read_csv('train.csv',chunksize=400)
👉chunker(数据块)类型：print(type(chunker))
👉用for循环打印出来：
for piece in chunker:
print(type(piece))
print(len(piece))
思路：有chunkersize参数可以进行逐块加载，本质就是将文本分成若干块，每次处理chunkersize行的数据，最终返回一个TextParser对象，对该对象进行迭代遍历，可以完成逐块统计的合并处理。
问题：
1)绝对路径导入数据出错(查路径：import os、os.getcwd())
输入：df=pd.read_csv(‘D:\hands-on-data-analysis\第一单元项目集合\train.csv’)
解决：df=pd.read_csv(‘D:/hands-on-data-analysis/第一单元项目集合/train.csv’)
解决2：df=pd.read_csv(‘D:\hands-on-data-analysis\第一单元项目集合\train.csv’)
2)保存文件中文字体出现乱码
输入：df.to_csv(‘train_chinese.csv’)
解决：df.to_csv(‘train_chinese.csv’,encoding=‘GBK’)
2、pandas基础
思考
1）删除列的方法
test1=pd.read_csv(‘test_1.csv’)
法一：del👉del test1[‘a’]
法二：pop👉test1.pop(‘a’)
2）数据筛选后，对索引值的更改
midage=midage.reset_index(drop=True)
👉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。
👉drop：在获得新的indexs时，原来的index变成数据列，保留下来。若不想保留原来的index，使用参数 drop=True，默认 False。
3）对比iloc和loc的异同
👉midage.loc[[100,105,108],[“Pclass”,“Name”,“Sex”]]
👉midage.iloc[[100,105,108],[2,3,4]]
3、探索性数据分析
思考
1）总结不同的排序方式
👉根据某一列值进行排序
（by——排列的列名；ascending——排序的方式：默认True升序、False降序）
frame.sort_values(‘c’,ascending=True)——c列升序排列
frame.sort_values([‘a’,‘c’],ascending=False)——a、c列降序排列
👉根据索引进行排序
（axis——索引的方式：默认0按行索引、1按列索引）
frame.sort_index()——按行索引升序排列
frame.sort_index(axis=1)——按列索引升序排列
frame.sort_index(axis=1,ascending=False)——按列索引降序排序
2）describe 函数用于观察数据基本信息
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
👉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()
基本信息： 共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。
结果表明：入住高价船舱/享有优质服务的是少部分人，大部分人享有中下等服务。
👉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：
text["父母子女个数"].describe()
基本信息： 共891个数据， 平均值约为：0.3916（如果每个人至少有一个家眷，则平均值大于1）， 标准差约为0.8061，说明波动不大， 25%、50%、75%的人父母子女个数为0， 最大值为6。
结果表明：说明泰坦尼克号这趟旅途大多数人是孤身前往的。
问题
1）输入包含中文字体文件：text=pd.read_csv(‘train_chinese.csv’)
报错：UnicodeDecodeError: ‘utf-8’ codec can’t decode byte 0xb3 in position 0: invalid start byte
解决：text=pd.read_csv(‘train_chinese.csv’,encoding=‘GBK’)
-----------------------------------↓↓未完待续↓↓------------------------------