---

前言

本任务主要讲解了我们获得一个要分析的数据，学会如何加载数据，查看数据，然后学习Pandas的一些基础操作，最后开始尝试探索性的数据分析。

---

1、 第一章：数据载入及初步观察

1.1 载入数据

数据集下载 https://www.kaggle.com/c/titanic/overview

1.1.1 任务一：导入numpy和pandas

import numpy as np
import pandas as pd

注：如果加载失败，学会如何在python环境下安装numpy和pandas这两个库。

1.1.2 任务二：载入数据

#使用相对路径
df = pd.read_csv('train.csv')
df.head()#使用绝对路径
df = pd.read_csv("C:\\Users\\lenovo\\train.csv")
df.head()

【思考】知道数据加载的方法后，试试pd.read_csv()和pd.read_table()的不同，如果想让他们效果一样，需要怎么做？了解一下’.TSV’和’.CSV’的不同，如何加载这两个数据集？

df = pd.read_table("train.csv")
df.head()

#与pd.read_csv()效果一致
df = pd.read_table("train.csv",sep=",")
df.head()

TSV文件与CSV文件的区别：

1.TSV 是Tab-separated values的缩写，即制表符分隔值。 相对来说CSV，Comma-separated values（逗号分隔值）更常见一些。

2.TSV与CSV的区别： 1）从名称上即可知道，TSV是用制表符（Tab,’\t’）作为字段值的分隔符；CSV是用半角逗号（’,’）作为字段值的分隔符；
2）IANA规定的标准TSV格式，字段值之中是不允许出现制表符的。
Python对TSV文件的支持： Python的csv模块准确的讲应该叫做dsv模块，因为它实际上是支持范式的分隔符分隔值文件（DSV，delimiter-separated values）的。 delimiter参数值默认为半角逗号，即默认将被处理文件视为CSV。 当delimiter=’\t’时，被处理文件就是TSV。

#读取.tsv文件
train=pd.read_csv('test.tsv', sep='\t')

1.1.3 任务三：每1000行为一个数据模块，逐块读取

chunker=pd.read_csv("train.csv",chunksize=1000)
for piece in chunker:print(piece)

【思考】什么是逐块读取？为什么要逐块读取呢？
逐块读取就是将文本分成若干块；对于几百MB的CSV文件，可以直接使用pd.read_csv（）进行读取。然而如果csv文件太大，达到几个GB，这种方法就不可取。这时应使用chunk，进行分块读取;通过设置chunksize的参数，控制每次迭代的大小；如上面的数据只有891行，参数设置1000后只迭代了一次；改成500试一下，循环打印了两次。

1.1.4 任务四：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') # 在使用pandas的read_csv方法时，它默认会自动加上一列行号。index_col=0 去掉默认行号
df.columns = ['乘客ID', '是否幸存', '乘客等级(1/2/3等舱位)', '乘客姓名', '性别', '年龄', '堂兄弟/妹个数','父母与小孩个数','船票信息','票价','客舱','登船港口']
df = df.set_index('乘客ID')  # 重新设 乘客ID 为索引，去掉默认会自动加上一列行号
df.head()

#结果同上
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']
df = pd.read_csv('train.csv', names=names, index_col='乘客ID', header = 0)
df.head()#默认读取前5行

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：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 任务一：查看数据的基本信息

df.info()

df.describe()

#查看数据的基本信息的函数总结
df.info():          # 打印摘要
df.describe():      # 描述性统计信息
df.values:          # 数据 <ndarray>
df.to_numpy()       # 数据 <ndarray> (推荐)
df.shape:           # 形状 (行数, 列数)
df.columns:         # 列标签 <Index>
df.columns.values:  # 列标签 <ndarray>
df.index:           # 行标签 <Index>
df.index.values:    # 行标签 <ndarray>
df.head(n):         # 前n行
df.tail(n):         # 尾n行
pd.options.display.max_columns=n: # 最多显示n列
pd.options.display.max_rows=n:    # 最多显示n行
df.memory_usage():                # 占用内存(字节B)

1.2.2 任务二：观察表格前10行的数据和后15行的数据

#观察表格前10行的数据
df.head(10)

#观察表格后15行的数据
df.tail(15)

1.2.3 任务三：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()

【思考】对于一个数据，还可以从哪些方面来观察？
查看每列的平均数，方差，标准差等等。

1.3 保存数据

1.3.1 任务一：将你加载并做出改变的数据，在工作目录下保存为一个新文件train_chinese.csv

#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_chinese1.csv',encoding='GBK')

1.4 知道你的数据叫什么

我们学习pandas的基础操作，那么上一节通过pandas加载之后的数据，其数据类型是什么呢？

1.4.1 任务一：pandas中有两个数据类型DateFrame和Series，通过查找简单了解他们。然后自己写一个关于这两个数据类型的小例子

import numpy as np
import pandas as pd

data1 = {'apple':20,'banana':10,"orange":25,'lemon':30}
df1=pd.Series(data1)
df1

data2 = {'fruit':['apple','banana','orange','lemon'],'price':[20,10,25,30]}
df2 = pd.DataFrame(data2)
df2

1.4.2 任务二：根据上节课的方法载入"train.csv"文件

df = pd.read_csv("train.csv")
df.head(3)

1.4.3 任务三：查看DataFrame数据的每列的名称

df.columns

1.4.4任务四：查看"Cabin"这列的所有值

df['Cabin'].head()

#结果同上
df.Cabin.head()

1.4.5 任务五：加载文件"test_1.csv"，然后对比"train.csv"，看看有哪些多出的列，然后将多出的列删除

#加载文件"test_1.csv"
df3 = pd.read_csv("test_1.csv")
df3.head(3)

#删除多余的列
del df3['a']
df3.head(3)

【思考】还有其他的删除多余列的方式吗？

df3.drop('a', axis=1, inplace=True)#参数axis为1表示在1轴（行）上搜索名字为a的对象，然后删除对象a对应的列。inplace=True会修改原本数据
df3.head()

1.4.6 任务六： 将[‘PassengerId’,‘Name’,‘Age’,‘Ticket’]这几个列元素隐藏，只观察其他几个列元素

df3.drop(['PassengerId','Name','Age','Ticket'], axis=1).head(3)

【思考】对比任务五和任务六，是不是使用了不一样的方法(函数)，如果使用一样的函数如何完成上面的不同的要求呢？
使用drop()方法时，如果设置参数inplace=True，会替换原本的数据，如果设置为False则只是隐藏不显示。

1.5 筛选的逻辑

表格数据中，最重要的一个功能就是要具有可筛选的能力，选出我所需要的信息，丢弃无用的信息。

下面我们还是用实战来学习pandas这个功能。

1.5.1 任务一： 我们以"Age"为筛选条件，显示年龄在10岁以下的乘客信息

df = pd.read_csv("train.csv")
df[df['Age']<10].head()

1.5.2 任务二： 以"Age"为条件，将年龄在10岁以上和50岁以下的乘客信息显示出来，并将这个数据命名为midage

midage = df[(df['Age']>10)&(df['Age']<50)]
midage

1.5.3 任务三：将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来

midage.loc[[100], ['Pclass', 'Sex']]

这里虽然取得了数据，但是有一个隐患—使用dataframe读取对象后，索引可能是乱的，我们需要重置索引才能确保取得需要的数据：

midage = midage.reset_index(drop=True)
#对dataframe做处理后索引可能是乱的。 drop=True就是把原来的索引index列去掉,重置index

1.5.4 任务四：使用loc方法将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

midage.loc[[100,105,108], ['Pclass', 'Name','Sex']]

1.5.5 任务五：使用iloc方法将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

midage.iloc[[100,105,108],[2,3,4]]

【思考】对比iloc和loc的异同。
1.loc：通过行标签索引行数据；
例：loc[n]表示索引的是第n行（index 是整数）
loc[‘d’]表示索引的是第’d’行（index 是字符）
有行索引可以没有字段取值，但有字段取值前必须得有行索引，而且行索引只能为标签索引形式来取，不能按切片形式来取。单取切片形式可以，只是索引为左闭右闭。
2.iloc：
通过行索引获取行数据，不能是字符，取索引必须按切片形式来取，不能按标签，这是与loc的不同。索引为左闭右开。iloc也可以取指定行列，只不过得按切片形式索引，不能直接拿标签索引来做。
建议：
当用行索引的时候, 尽量用 iloc 来进行索引; 而用标签索引的时候用 loc 。

1.6 了解你的数据吗？

开始之前，导入numpy、pandas包和数据

import numpy as np
import pandas as pd
#载入之前保存的train_chinese.csv数据，关于泰坦尼克号的任务，我们就使用这个数据
text = pd.read_csv('train_chinese.csv',encoding='gbk')
text.head()

1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序

frame = pd.DataFrame(np.arange(8).reshape((2, 4)), index=['2', '1'], columns=['d', 'a', 'b', 'c'])
frame

【总结】下面将不同的排序方式做一个总结
1.让行索引升序排序

frame.sort_index()

2.让列索引升序排序

frame.sort_index(axis=1)

3.让列索引降序排序

frame.sort_index(axis=1,ascending = False)

4.让任选两列数据同时降序排序

frame.sort_values(by = ['a','c'],ascending = False)

1.6.2 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？

df.sort_values(by = ['票价','年龄'],ascending=False).head(20)

【思考】排序后，如果我们仅仅关注年龄和票价两列。根据常识我们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。

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

#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

frame1_b

frame1_a + frame1_b

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。
当然，DataFrame还有很多算术运算，如减法，除法等，有兴趣的同学可以看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分，多在网络上查找相关学习资料。

1.6.4 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？

max(df['堂兄弟/妹个数'] + df['父母与小孩个数'])

1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息

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()

1.6.6 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？

df['票价'].describe()

从票价数据我们可以看出， 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。

df['父母与小孩个数'].describe()

从上面数据我们可以看出， 一共有891个数据， 每个家庭父母与孩子的平均个数几乎为0，最多可达到6个，标准差约为0.81，最小值为0。

总结

本节中我们通过Pandas的一些内置函数对数据进行了初步统计查看，这个过程最重要的不是大家得掌握这些函数，而是看懂从这些函数出来的数据，构建自己的数据分析思维，这也是第一章最重要的点。

参考资料

https://blog.csdn.net/weixin_44818729/article/details/107357334
https://blog.csdn.net/qq_37975685/article/details/107953941
https://www.cnblogs.com/herj-0925/p/14883542.html
https://blog.csdn.net/Leon_Kbl/article/details/97492966

Task01 数据加载及探索性数据分析相关推荐

1. 动手学数据分析task01 数据加载及探索性数据分析（笔记）

   一.数据载入及初步观察 1. 载入数据 1.1 打开JupyterLab 导入numpy.pandas 1.2 使用绝对路径.相对路径载入数据 首先,使用path1=os.path.abspath(' ...

2. 泰坦尼克号-数据加载及探索性数据分析

   数据加载及探索性数据分析 这部分内容主要分:数据加载.Pandas基础.探索性数据分析. 1.导入numpy.pandas及查看python版本 import pandas as pd import ...

3. Datawhale7月组队学习task1数据加载及探索性数据分析

   Datawhale7月task1数据加载及探索性数据分析 ​ 有幸了解到了Datawhale这样一个开源组织,欣然报名了2021年7月的组队学习的动手学数据分析系列课程 ​ 本系列目标:完成kaggl ...

4. 动手学数据分析（一）- 数据加载及探索性数据分析

   1 初心 本系列笔记用于记录自己第一次参加Datawhale的组队学习.自己马上开启研究生学习生涯,因此熟练掌握数据分析这一重要技能对未来的学习能够提供很大的帮助,Datawhale团队在项目初衷里说 ...

5. 动手学数据分析——Task01_数据加载

   前言 这是一门诞生于datawhale的课程,学习它的时候搭配datawhale所配备其他资源会更好,项目地址:https://github.com/datawhalechina/hands-on-d ...

6. python数据分析笔记——数据加载与整理

   Python数据分析--数据加载与整理 总第47篇 ▼ (本文框架) 数据加载 导入文本数据 1.导入文本格式数据(CSV)的方法: 方法一:使用pd.read_csv(),默认打开csv文件. 9. ...

7. 《利用Python进行数据分析·第2版》第6章 数据加载、存储与文件格式

   第1章 准备工作 第2章 Python语法基础,IPython和Jupyter 第3章 Python的数据结构.函数和文件 第4章 NumPy基础:数组和矢量计算 第5章 pandas入门 第6章 数 ...

8. python录入数据至ppt_利用Python进行数据分析之 数据加载.ppt

   利用Python进行数据分析之 数据加载 " " " " 数据加载,存储与文件格式 1,读写文本格式数据: (read_csv,read_table,read_ ...

9. 利用Python进行数据分析（四）：数据加载、存储与文件格式

   标题利用Python进行数据分析(四):数据加载.存储与文件格式 学习笔记来源于:简书https://www.jianshu.com/p/047d8c1c7e14 输入输出通常可以划分为几个大类:读取 ...

最新文章

1. java silk转mp3_微信小程序录音文件格式silk遇到的问题及解决方法
2. python多版本和隔离环境配置
3. C++性能优化-字符串的优化
4. c++学习笔记之基础篇
5. 【208天】黑马程序员27天视频学习笔记【Day21-中】
6. 3.2.7.1 替换细节
7. C++安全方向（三）：3.2 单项散列函数的应用场景
8. 23种设计模式的意图和适用范围
9. 2021年最值得推荐的5款在线文档制作工具，效率这块稳稳拿捏
10. 在SPSS中将统计表格外观修改为三线表外观的步骤
11. 基于SSM 的图书馆管理系统
12. java省市区_JAVA省市区地址解析 原创
13. go 获取文件的md5值
14. 泊松分布的期望和方差
15. python使用多线程爬取
16. 使用百度ai识别身份证信息
17. 姜小白的python日记Day4 列表和元组
18. [数据可视化] 环形图(Donut Chart)
19. [Python][sklearn] 使用from sklearn.neighbors import NearestNeighbors计算相似度
20. JSP页面调用log4j写日志文件

热门文章

1. android打电话、发短信实现
2. 计算机网络分层的原则
3. java swt griddata_SWT中GridLayout 和GridData的使用
4. win7防火墙对nmap扫描的反应
5. 免费，开源的数字货币收款插件
6. 【转】人眼视觉系统HVS
7. 豆瓣源安装requirements.txt方法
8. 【设计模式】适配器模式——007
9. 如何在Cocos2D游戏中实现A*寻路算法(二)
10. Snort入侵检测系统简介