Python数据分析——Pandas 教程(上)

上节，我们讲了 Pandas 基本的数据加载与检索，这节我们讲讲如何进行数据比较。

Pandas系列对象

在 Pandas 中我们获取指定列的数据有多种方式：

• reviews.iloc[:, 1]：获取第二列的数据
• reviews.loc[:, "score_phrase"]：获取指定标签列的数据
• reviews["score_phrase"]：只需要指定列名

为了更好地理解它是如何工作的，我们先来创建一个序列(Series)：

这个序列可以包含任何类型的数据，或者混合类型。下面我们创建一个 string 类型的数据：

在Pandas中创建DataFrame

我们可以通过多样的 Series 来创建 DataFrame。这里，我们通过上面两个序列创建：

我们通过多重列表也可以达到同样的效果：

也可以设置标签：

这样我们就可以通过标签来检索数据了：

我们跳过 column 关键字，直接指定列名：

Pandas DataFrame方法¶

我们前面提到，DataFrame中每一列都是一个 Series 对象：

使用 head 调用前面几条记录：

Pandas Series 和 DataFrames 都有其他的方法使计算简单化。例如，我们使用 pandas.Series.mean 方法计算均值:

修改 axis 关键字参数求每一行每一列的 mean 值。axis 默认为 0，并像上面的例子那样，计算每一列的方差 mean。我们也可以设置为 1 来计算每一行的方差。注意，那样的话将只计算每行数值的方差：

这里有一些 Series 和 DataFrames 的方法：

• pandas.DataFrame.corr：找出 DataFrame 所有列之间的相关系数
• pandas.DataFrame.count：统计 DataFrame 每一列非空值的个数
• pandas.DataFrame.max：找出每一列的最大值
• pandas.DataFrame.min：找出每一列的最小值
• pandas.DataFrame.median：找出每一列的中位数
• pandas.DataFrame.std：找出每一列的标准误差

我们通过 corr 方法来看一下每一列 score 的相关系数。例如，这能告诉我们是最近发布游戏评价更高(release_year)，还是年度发布游戏得分更高(release_month)。

可以看到，我们的数值列与 score 的相关系数，意味着发布时间与评分并非线性相关的。

Pandas中的DataFrame Math

我们可以在　Series 和 DataFrame　执行数学操作。例如，将每一个 score 值除以 2，将原来 0~10 的缩小成 0~5：

Pandas中的Boolean Indexing

如前所述，reviews 数据集中 score 列的均值为 7。我们想要获取平均分以上的数据该怎么办呢？可以先做比较，生成布尔值标志比较的结果。例如查看 score 是否大于 7：

一旦有了比较值，就能选择 DataFrame 中比较值为 True 的行：

我们也可使用多个条件来过滤，比如我们想找出在 Xbox One 平台上评分大于 7 分的数据，可以这样做：

• 检查 score 是否大于 7
• 检查 platform 平台是否为 Xbox One

Pandas Plotting

现在，我们知道怎么过滤数据了。我们还可以创建 plots 来观察 Xbox One 与 PlayStation 4 的分布对比情况，这将有助于我们了解哪款终端更适合游戏。我们使用柱状图(histogram)来展示不同的分数范围，能告诉我们哪款终端有更高的评价。

pandas.DataFrame.plot 方法默认绘制线性图形，我们得通过 kind="hist"关键之来绘制柱状图。

通过以下几个步骤：

• 调用 %matplotlib inline 在 Jupyter Notebook 中建立图形
• 过滤数据，只保留 Xbox One 数据
• 绘制 score 列

类似的，我们可以绘制针对 PS4 的图形：

可以看到 PlayStation 4 比 Xbox One 有更高的评分。

查看 Xbox One 中评分大于 7 分的分布情况：

(完)

#python #pandas