1_数据分析—数据载入、导出和探索
文章目录
- 一、数据加载
- 1.1 载入数据
- 1.1.1 导入numpy和pandas
- 1.1.2 载入数据
- 1.1.3 每1000行为一个数据模块,逐块读取
- 1.1.4 将表头改成中文,索引改为乘客ID
- 1.2 初步观察
- 1.2.1 查看数据的基本信息
- 1.2.2 观察表格前10行的数据和后15行的数据
- 1.2.3 判断数据是否为空,为空的地方返回True,其余地方返回False
- 1.3 保存数据
- 1.3.1 保存为一个新文件
- 二、了解数据
- 2.1 利用Pandas对示例数据进行排序,要求升序
- 2.1.1 根据列排序
- 2.1.2 不同排序方式总结
- 2.2 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)
- 2.3 利用Pandas进行算术计算,计算两个DataFrame数据相加结果
- 2.4 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?
- 2.5 Pandas describe()函数查看数据基本统计信息
- 2.6 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
一、数据加载
1.1 载入数据
数据集下载 https://www.kaggle.com/c/titanic/overview
1.1.1 导入numpy和pandas
import numpy as np
import pandas as pd
import os, sys
1.1.2 载入数据
(1) 使用相对路径载入数据
相对路径载入报错时,尝试使用os.getcwd()查看当前工作目录。
df = pd.read_csv('train.csv')
df.head(3)
(2) 使用绝对路径载入数据
df = pd.read_csv('D:/6_DP/hands-on-data-analysis-master/第一单元项目集合/train.csv')
df.head(3)
1.1.3 每1000行为一个数据模块,逐块读取
chunker = pd.read_csv('train.csv', chunksize=1000)
for chunk in chunker:print(chunk)
【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。
【提示】大家可以chunker(数据块)是什么类型?用for
循环打印出来出处具体的样子是什么?
<class ‘pandas.core.frame.DataFrame’>
1.1.4 将表头改成中文,索引改为乘客ID
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
df = pd.read_csv('train.csv', names=['乘客ID','是否幸存','仓位等级','姓名','性别','年龄','兄弟姐妹个数','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)
df.head()
【思考】所谓将表头改为中文其中一个思路是:将英文列名表头替换成中文。还有其他的方法吗?
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 查看数据的基本信息
df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 891 entries, 1 to 891
Data columns (total 11 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 是否幸存 891 non-null int64 1 仓位等级 891 non-null int64 2 姓名 891 non-null object 3 性别 891 non-null object 4 年龄 714 non-null float645 兄弟姐妹个数 891 non-null int64 6 父母子女个数 891 non-null int64 7 船票信息 891 non-null object 8 票价 891 non-null float649 客舱 204 non-null object 10 登船港口 889 non-null object
dtypes: float64(2), int64(4), object(5)
memory usage: 83.5+ KB
1.2.2 观察表格前10行的数据和后15行的数据
df.head(10) # 观察前10行数据
df.tail(15) # 观察后15行数据
1.2.3 判断数据是否为空,为空的地方返回True,其余地方返回False
df.isnull().head()
1.3 保存数据
1.3.1 保存为一个新文件
# 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'df.to_csv('train_chinese.csv')
二、了解数据
2.1 利用Pandas对示例数据进行排序,要求升序
# 具体请看《利用Python进行数据分析》第五章 排序和排名 部分#自己构建一个都为数字的DataFrame数据
frame = pd.DataFrame(np.arange(8).reshape((2, 4)), index=['2', '1'], columns=['d', 'a', 'b', 'c'])
frame
d | a | b | c | |
---|---|---|---|---|
2 | 0 | 1 | 2 | 3 |
1 | 4 | 5 | 6 | 7 |
【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
2.1.1 根据列排序
- sort_values这个函数中by参数指向要排列的列,ascending参数指向排序的方式(升序还是降序)
- ascending=False 降序排列
# 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
frame.sort_values(by='c', ascending=False)
d | a | b | c | |
---|---|---|---|---|
2 | 0 | 1 | 2 | 7 |
1 | 4 | 5 | 6 | 3 |
2.1.2 不同排序方式总结
1、行索引升序排序
# 行索引升序排序
frame.sort_index()
d | a | b | c | |
---|---|---|---|---|
1 | 4 | 5 | 6 | 7 |
2 | 0 | 1 | 2 | 3 |
2、列索引升序排序
# 列索引升序排序
frame.sort_index(axis=1)
a | b | c | d | |
---|---|---|---|---|
2 | 1 | 2 | 3 | 0 |
1 | 5 | 6 | 7 | 4 |
3、让列索引降序排序
# 列索引降序排序
frame.sort_index(axis=1, ascending=False)
d | c | b | a | |
---|---|---|---|---|
2 | 0 | 3 | 2 | 1 |
1 | 4 | 7 | 6 | 5 |
4、任选两列数据同时降序排序
# 任选两列数据同时降序排序
frame.sort_values(by=['a', 'c'], ascending=False)
d | a | b | c | |
---|---|---|---|---|
1 | 4 | 5 | 6 | 7 |
2 | 0 | 1 | 2 | 3 |
2.2 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)
df.sort_values(by=['票价', '年龄'], ascending=False).head(3)
2.3 利用Pandas进行算术计算,计算两个DataFrame数据相加结果
# 具体请看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分#建立一个例子
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
【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。
2.4 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(df['兄弟姐妹个数'] + df['父母子女个数'])
10
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就行,先让这两列相加返回一个DataFrame,然后用max函数求出最大值。
2.5 Pandas describe()函数查看数据基本统计信息
#建立一个例子
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()'''
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
'''
2.6 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
'''
看看泰坦尼克号数据集中 票价 这列数据的基本统计数据
'''
df['票价'].describe()
【思考】从上面数据我们可以看出, 一共有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。
'''
通过上面的例子,我们再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,然后可以说出你的想法
'''
df['父母子女个数'].describe()
1_数据分析—数据载入、导出和探索相关推荐
- 利用Python进行数据分析——数据载入、存储及文件格式(7)
3.数据载入.存储及文件格式 输入和输出通常有以下几种类型:读取文本文件及硬盘上其他更高效的格式文件.从数据库载入数据.与网络资源进行交互(比如Web API). 3.1 文本格式数据的读写 ...
- 利用Python进行数据分析——数据导入导出
一.数据导入 (一)读取CSV文件 1.读取本地CSV #先创建一个CSV文件,存入数据,数据之间以"逗号"分割. 数据源来源于网络. import pandas as pd d ...
- 数据载入、存储及文件格式(数据分析)
目录 第6章 数据载入.存储及文件格式 6.1 文本格式数据的读写 6.1.1 分块读入文本文件 6.1.2 将数据写入文本格式 6.1.3 使用分隔格式 6.1.4 JSON数据 6.2 二进制格式 ...
- 【读书笔记】《利用Python进行数据分析》第2版_第六章 数据载入、存储及文件格式
6.1 文本格式数据的读写 将表格型数据读取为DataFrame对象:read_csv()和read_table() Pandas的解析函数 可选参数 索引:可以将一或多个列作为返回的DataFram ...
- 数据载入、存储及文件格式——《利用python数据分析》第六章学习
数据载入.存储及文件格式--<利用python数据分析>第六章学习 前言 这次带来第六章的学习笔记,希望这次效率高点,快点写完. 代码环境这次小升级,Pycharm 2021.3 + An ...
- 《利用Python进行数据分析》笔记记录第六章——数据载入、存储及文件格式
文章目录 前言 一.文本格式数据的读写 1.1 分块读入文件文本 1.2 将数据写入文件格式 1.3 使用分隔格式 1.4 JSON数据 1.5 XML和HTML:网络抓取 总结 前言 在上几篇文章中 ...
- python数据分析:数据载入、存储及文件格式
"""数据载入.存储及文件格式""" """ 输入和输出常用的类型:读取文本文件及硬盘上其他更高效的格式文件. ...
- 数据分析-第一章:数据载入及初步观察
复习: 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.知道了课程的目的之后,我们接下来我们要正式的开始数据分析的实战教学,完成kaggle上泰 ...
- 数据载入及初步观察 + 探索性数据分析 —— 泰坦尼克任务
第一章:数据载入及初步观察 + 探索性数据分析 实验代码 1.1 载入数据 1.1.1 任务一:导入numpy和pandas # 导入numpy和pandas import pandas as pd ...
最新文章
- date对象加十分钟_一张图讲解对象锁和关键字synchronized修饰方法(代码块)
- 解决Unsupported major.minor version 51.0错误
- 移植.NET Core计划,整合各平台变得更简单了!
- Intel官宣开发RISC-V处理器:明年首发7nm工艺
- dataguard mysql,[dataguard同步数据库]Dataguard环境下数据库的备份与恢复
- php 判断同时存在英文跟数字,php判断输入是否是纯数字,英文,汉字的方法
- war 发布后页面不更新_吐槽 | 都发布一万年了,这游戏还不“更新”?
- windows系统bat批处理 arp扫描一个网段的IP地址
- 信息系统项目管理师学习笔记
- 177、模拟行走机器人
- android sqlite回滾,SQLIte这么娇小可爱,不多了解点都不行啊
- 「雕爷学编程」Arduino动手做(37)——MQ-3酒精传感器
- ADB命令获取手机应用安装包
- java页面数值转文本_Java读取Excel表格以及读取数字列转为文本的解决办法
- VisualSVN-Server服务器的搭建
- 《魔兽世界》营收出现大幅下滑
- Duolingo推出聊天学习机器人 让你免费学英语
- ‘完成下面程序:取圆周率为3.14 ,从键盘中输入半径r和高h,计算并输出圆柱体的体积。‘
- WIN7系统 64位出现 Net Framework 数据提供程序要求 Microsoft Data Access Components(MDAC)....
- 杰理之IMD驱动的屏幕【篇】
热门文章
- 广度优先搜索——好奇怪的游戏(洛谷 P1747)
- 2021年上犹中学高考成绩查询入口,上犹县2019年高考成绩单出来了……
- window.location.href如何多次请求_何为幂等?如何设计?
- 安师大计算机安全网络,计信学院成功举行网络与信息安全安徽省重点实验室2020年度学术年会...
- 定积分华里士公式推广_数学分析第九章《定积分》备考指南
- 直播预告丨新时代Oracle DBA成长记-探索故障根源之美
- 南漂DBA——除了996,还可以收获这些...
- 12.2 新特性:RMAN 自动恢复到 REDO 终点的步骤简化
- 云服务的可服务性经典6问
- 物联网与人工智能之间的区别与联系