[人工智能]数据分析（第三天）

探索性数据分析

#加载所需的库
import numpy as np
import pandas as pd

了解你的数据吗？

利用Python进行数据分析

任务一：利用Pandas对示例数据进行排序，要求升序

arr = 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
arr
df = pd.DataFrame([[8, 'JackYang'],
                   [2, 'RocZhang'],
                   [8, 'Lily'],
                   [10, 'Tom']],
                  columns=['b', 'a'],
                  index=['three', 'one', 'two', 'one'])
df

【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

当对DataFrame排序时，你可以使用一列或者多列作为排序键。为了实现这个功能，传递一个或多个给sort_values的可选参数 by。

df.sort_values(by='b')

最基础的排序是你可以根据行(index)或者列(columns)，使用 sort_index()进行排序。

df.sort_index() # 以 行索引(index) 进行排列，默认是升序

df.sort_index(axis=1) # 根据列索引进行排序

# 可以设置降序排列
df.sort_index(axis=1, ascending=False)

# 任选两列数据同时降序排列
df.sort_values(by=['b', 'a'], ascending=False) # 先 根据列 'b'中的值进行降序排列，再根据 列 a中的值进行降序排列

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？

path = r'data\train.csv'
data = pd.read_csv(path)
data.head()

data.sort_values(by=['Fare', 'Age'], 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。

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。

任务三：利用Pandas进行算术计算，计算两个DataFrame数据相加结果

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

frame1_b

frame1_a + frame1_b

注：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。

pd.concat([frame1_a, frame1_b], axis=1) # 以列为基准

pd.concat([frame1_a, frame1_b], axis=0) # 以行为基准

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？

【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。

data = pd.read_csv(r'data\train.csv')
data

891 rows × 12 columns

max(data['SibSp'] + data['Parch'])

10

任务五：学会使用Pandas describe()函数查看数据基本统计信息

data.describe() # 统计数值型数据的基本信息

举例：

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()

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？

data['Fare'].describe() # , 'Parch', 'SibSp'

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: Fare, dtype: float64

data['Parch'].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: Parch, dtype: float64

data['SibSp'].describe()

count    891.000000
mean       0.523008
std        1.102743
min        0.000000
25%        0.000000
50%        0.000000
75%        1.000000
max        8.000000
Name: SibSp, dtype: float64

总结：该教程很好，有很多知识点我都不太会，需要查找资料才可以解决，也学到了很多，以后的几天我会继续坚持，把数据分析知识点过一遍，非常感谢DataWhale。

[完]

参考

DataWhale开源社区