需求：

1.导入文件，查看原始数据

2.将人口数据和各州简称数据进行合并

3.将合并的数据中重复的abbreviation列进行删除

4.查看存在缺失数据的列

5.找到有哪些state/region使得state的值为NaN，进行去重操作

6.为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN

7合并各州面积数据areas

8.我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行

9.去除含有缺失数据的行

10.找出2010年的全民人口数据

11.计算各州的人口密度

12.排序，并找出人口密度最高的州

①

导入文件，查看原始数据

abb = pd.read_csv('./state-abbrevs.csv')

#state(州的全称)abbreviation(州的简称)

area = pd.read_csv('./state-areas.csv')

#state州的全称，area (sq. mi)州的面积

pop = pd.read_csv('./state-population.csv')

#state/region州/地区简称，ages年龄，year时间，population人口数量

②

将人口数据和各州简称数据进行合并

abb_pop = pd.merge(abb,pop,left_on='abbreviation',right_on='state/region',how='outer')

③

将合并的数据中重复的abbreviation列进行删除

abb_pop.drop(labels='abbreviation',axis=1,inplace=True)

④

查看存在缺失数据的列

方式1：

abb_pop.info()

>>>

Int64Index: 2544 entries, 0 to 2543

Data columns (total 5 columns):

# Column Non-Null Count Dtype

--- ------ -------------- -----

0 state 2448 non-null object

1 state/region 2544 non-null object

2 ages 2544 non-null object

3 year 2544 non-null int64

4 population 2524 non-null float64

dtypes: float64(1), int64(1), object(3)

memory usage: 119.2+ KB

方式2:

abb_pop.isnull().any(axis=0)

>>>

state True

state/region False

ages False

year False

population True

dtype: bool

⑤

找到有哪些state/region使得state的值为NaN，进行去重操作

#1.找到state中的空值

abb_pop['state'].isnull()

#2.将空值对应的行数据提取

abb_pop.loc[abb_pop['state'].isnull()]

#3.将state空对应的简称找出

abb_pop.loc[abb_pop['state'].isnull()]['state/region']

#4.对符合要求的简称进行去重

abb_pop.loc[abb_pop['state'].isnull()]['state/region'].unique()

>>>

array(['PR', 'USA'], dtype=object)

#nunique可以统计重复元素的个数

abb_pop.loc[abb_pop['state'].isnull()]['state/region'].nunique()

>

2

⑥

为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN

#1.state这一列中的空值对应的简称为PR和USA，

#state这一列的空值分为两种类型，一种类型需要补充PR的全称，一种类型需要补充为USA的全称

#2.找到PR简称对应全称的空值

#可以将PR对应的行数据取出，然后将state列取出即可

abb_pop['state/region'] == 'PR'

#取出对应的行数据

abb_pop.loc[abb_pop['state/region'] == 'PR']

#3.将符合要求的空进行正确填充

indexs = abb_pop.loc[abb_pop['state/region'] == 'PR'].index

#批量赋值

abb_pop.loc[indexs,'state'] = 'PPPRRR'

abb_pop['state/region'] == 'USA'

abb_pop.loc[abb_pop['state/region'] == 'USA']

indexs = abb_pop.loc[abb_pop['state/region'] == 'USA'].index

abb_pop.loc[indexs,'state'] = 'United States'

⑦

合并各州面积数据areas

abb_pop_area = pd.merge(abb_pop,area,how='outer')

⑧

我们会发现area(sq.mi)这一列有缺失数据，找出是这些行

abb_pop_area['area (sq. mi)'].isnull()

abb_pop_area.loc[abb_pop_area['area (sq. mi)'].isnull()]

drop_index = abb_pop_area.loc[abb_pop_area['area (sq.mi)'].isnull()].index

>>>

Int64Index([2448, 2449, 2450, 2451, 2452, 2453, 2454, 2455, 2456, 2457, 2458,

2459, 2460, 2461, 2462, 2463, 2464, 2465, 2466, 2467, 2468, 2469,

2470, 2471, 2472, 2473, 2474, 2475, 2476, 2477, 2478, 2479, 2480,

2481, 2482, 2483, 2484, 2485, 2486, 2487, 2488, 2489, 2490, 2491,

2492, 2493, 2494, 2495, 2496, 2497, 2498, 2499, 2500, 2501, 2502,

2503, 2504, 2505, 2506, 2507, 2508, 2509, 2510, 2511, 2512, 2513,

2514, 2515, 2516, 2517, 2518, 2519, 2520, 2521, 2522, 2523, 2524,

2525, 2526, 2527, 2528, 2529, 2530, 2531, 2532, 2533, 2534, 2535,

2536, 2537, 2538, 2539, 2540, 2541, 2542, 2543],

dtype='int64')

⑨

去除含有缺失数据的行

#删除缺失数据的行

abb_pop_area.drop(labels=drop_index,axis=0,inplace=True)

#删除最后一行数据

abb_pop_area.drop(labels=2544,axis=0,inplace=True)

#查看状态信息是否都已清洗完成

abb_pop_area.isnull().any(axis=0)

>>>

state False

state/region False

ages False

year False

population False

area (sq. mi) False

dtype: bool

⑩

找出2010年的全民人口数据

query条件查询

abb_pop_area.query('year == 2010 & ages == "total"')

⑪

计算各州的人口密度

abb_pop_area['midu'] = abb_pop_area['population'] / abb_pop_area['area (sq. mi)']

⑫

排序，并找出人口密度最高的州

sort_values:值排序

sort_index:索引排序

abb_pop_area.sort_values(by='midu',axis=0,ascending=False)