动手学数据分析 第一章

发布于 2024-03-11  120 次阅读

开始前建议将课程代码下载下来,课程项目代码仓库:https://github.com/datawhalechina/hands-on-data-analysis

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上泰坦尼克的任务，实战数据分析全流程。

这里有两份资料：

教材《Python for Data Analysis》和 baidu.com &

google.com（善用搜索引擎）

第一章 第一节：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

(可能需要工具连接)

选择"Data"栏,拉到最下面点击Download All""

image-20240311130222973

下载的"titanic.zip"解压到项目目录下

image-20240311131227482

1.1.1 任务一：导入numpy和pandas

简单介绍一下这两个工具库:

NumPy 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，以及数学函数库。

pandas是用于数据操纵和分析的Python软件库。它建造在NumPy基础上，并为操纵数值表格和时间序列，提供了数据结构和运算操作。

import numbers as nb
import pandas as pd

1.1.2 任务二：载入数据

pandas读取csv文件的方法是read_csv(),具体参数可参考官方wiki

(1) 使用相对路径载入数据

df=pd.read_csv('./titanic/train.csv')
df.head()

(2) 使用绝对路径载入数据

#这里使用你存放的绝对路径,我的只作演示
df=pd.read_csv('E:/VS clod_Data/hands-on-data-analysis/第一单元项目集合/titanic/train.csv')
df.head()
#也可以使用os.path.abspath()获取当前路径
train_path=os.path.abspath('./titanic/train.csv')
print(train_path)
df=pd.read_csv(train_path)
image-20240311133415436
read_csv（）和read_table（）之间的区别

函数pd.read_csv（）和pd.read_table（）的内容相同，只是默认分隔符不同。

在read_csv（）中，定界符为,，在read_table（）中，定界符为\ t

1.1.3 任务三：每1000行为一个数据模块，逐块读取

这里我们需要在read_csv()添加一个参数chunksize,具体说明如下(官方wiki机翻):

chunksize int， 可选

每个块要从文件中读取的行数。传递一个值将导致 函数返回一个对象进行迭代。 有关 和 的更多信息，请参阅 IO 工具文档。TextFileReader``iterator``chunksize

df=pd.read_csv('./titanic/train.csv',chunksize=1000)

需要注意,使用了chunksize参数后,返回的是一个迭代器TextFileReader,而不是之前不加参数的表格型数据结构DataFrame(具体结构可看这篇文章),我们可以使用type()查看

type(pd.read_csv('./titanic/train.csv'))
type(pd.read_csv('./titanic/train.csv',chunksize=1000))
image-20240311134758574

所有,使用块读取之后不能使用像之前直接head()查看了,但可以使用get_chunk()查看

df.get_chunk()
image-20240311140200930

【思考】什么是逐块读取？为什么要逐块读取呢？

【回答】

日常数据分析工作中，难免碰到数据量特别大的情况，动不动就2、3千万行，如果直接读进 Python 内存中，非常占用内存,且读取和处理过程很慢

采用逐块读取文件的主要目的是防止文件过大，一次性加载到内存，会让内存爆掉，或者内存一次性无法加载这么多。此时就需要使用pandas逐块读取文件，并且逐块读取之后就可以将文件处理之后直接读出。这样就可以大大的节省内存空间的使用。

1.1.4 任务四：将表头改成中文，索引改为乘客ID

[对于某些英文资料，我们可以通过翻译来更直观的熟悉我们的数据]

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

#方法1:重命名列名
df=pd.read_csv('./titanic/train.csv')
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

names Hashable 序列，可选

要应用的列标签的顺序。如果文件包含标题行， 然后，您应该显式传递以覆盖列名。 此列表中不允许重复。header=0

#方法2:读取csv文件时,重命名列名
df=pd.read_csv('./titanic/train.csv',names=['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

两个方法区别:

方法1是将原有表头重命名,方法2相当于又添加了一行表头

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

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

df.head(10)
df.tail(10)

1.2.4 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()
image-20240311150410437

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

df.to_csv('train_chinese.csv',encoding='utf-8',index=False)

第一章 第二节：数据载入及初步观察

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？

开始前导入numpy和pandas

import numpy as np
import pandas as pd

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🌰[开放题]

Series

Series 是带标签的一维数组，可存储整数、浮点数、字符串、Python 对象等类型的数据。轴标签统称为索引。

调用 pd.Series 函数即可创建 Series：

s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
s
image-20240311151431499

也可以使用字典生成

s=pd.Series({'a':1,'b':2,'c':3,'d':4})
s
image-20240311165510378
DataFrame

DataFrame 是由多种类型的列构成的二维标签数据结构，类似于 Excel 、SQL 表，或 Series 对象构成的字典。DataFrame 是最常用的 Pandas 对象，与 Series 一样，DataFrame 支持多种类型的输入数据：

除了数据，还可以有选择地传递 index（行标签）和 columns（列标签）参数。传递了索引或列，就可以确保生成的 DataFrame 里包含索引或列。Series 字典加上指定索引时，会丢弃与传递的索引不匹配的所有数据。

用 Series 字典或字典生成 DataFrame

生成的索引是每个 Series 索引的并集。先把嵌套字典转换为 Series。如果没有指定列，DataFrame 的列就是字典键的有序列表。

d = {'one': pd.Series([1., 2., 3.], index=['a', 'b', 'c']),'two': pd.Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
df
image-20240311170858762

1.4.2 任务二：根据上节课的方法载入"train.csv"文件

df=pd.read_csv('./titanic/train.csv')
df
image-20240311171349865

1.4.3 任务三：查看DataFrame数据的每列的名称

df.columns
Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',
       'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'],
      dtype='object')
image-20240311171655082

1.4.4任务四：查看"Cabin"这列的所有值[有多种方法]

#方法1
df.Cabin
#方法2
df['Cabin']
image-20240311172435006

使用type查看查看发现返回的是pandas.core.series.Series

type(df['Cabin'])

pandas.core.series.Series

想输出格式跟DataFrame一样,可以嵌套一下

df[['Cabin']]
image-20240311175917303

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

经过我们的观察发现一个测试集test_1.csv有一列是多余的，我们需要将这个多余的列删去

test_1=pd.read_csv('test_1.csv')
test_1.head()
#方法1
del test_1['a']
test_1.head()
#方法2
test_1=pd.read_csv('test_1.csv')
test_1.pop('a')
test_1.head()

那么还有其他方法删除吗?

还可以使用drop方法,官方Wiki的介绍如下(机翻):

DataFrame.drop(labels=None, ***, *axis=0*, *index=None*, *columns=None*, *level=None*, *inplace=False*, *errors='raise'*)

从行或列中删除指定的标签。

通过指定标签名称和相应的标签名称来删除行或列 轴，或直接指定索引或列名。使用 多索引，可以通过指定 水平。

#方法3
test_1=pd.read_csv('test_1.csv')
test_1.drop(['a'], axis=1)

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

test_1=pd.read_csv('test_1.csv')
test_1.drop(['PassengerId','Name','Age','Ticket'], axis=1)

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。

test_1[test_1['Age']<10]
image-20240311185537988

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

test_1[(test_1['Age']>10) & (test_1['Age']<50)]
image-20240311190454341

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

#因为源文件的index是乱的,我们使用reset_index()重新计算index,并另存为midage.csv
midage = midage.reset_index(drop=True)
midage.head(3)
midage.to_csv('midage.csv',index=False)
#读取重新排序的文件,并输出第100行信息
midage1=pd.read_csv('midage.csv')
midage1.loc[[100],['Pclass','Sex']]

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

midage1.loc[[100,105,108],['Pclass','Name','Sex']]
image-20240311190812650

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

midage1.iloc[[100,105,108],[2,3,4]]
image-20240311200832081

【思考】对比iloc和loc的异同

loc选择列时,需要填写列名;iloc是指定第几个列

第一章 第三节：探索性数据分析

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')
text.head()

1.6 了解你的数据吗？

教材《Python for Data Analysis》第五章

1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序

#自己构建一个都为数字的DataFrame数据
sample = pd.DataFrame(
    np.arange(12).reshape((3, 4)), 
    index=['1', '2','3'], 
    columns=['d', 'a', 'b', 'c']
)
sample

pd.DataFrame() ：创建一个DataFrame对象

np.arange(8).reshape((2, 4)) : 生成一个二维数组（3*4）

第一列：0，1，2，3

第二列：4，5，6，7

第三列: 8, 9, 10, 11

index=['2, 1] ：DataFrame 对象的索引列

columns=['d', 'a', 'b', 'c'] ：DataFrame 对象的索引行

image-20240311211530950

如果想要将构建的DataFrame中的数据根据某一列，升序排列

【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

这个问题需要使用到pandas的sort_values,可以查看官方wiki

具体有几个参数:

by:str 或 str 列表

​ 选择要作为排序依据的名称或名称列表。

  • 如果axis为 0 或“index”，则 by 可能包含索引级别和/或列标签。
  • 如果axis是 1 或“columns”，则 by 可能包含列级别和/或索引标签。

axis:“{0 或 'index'， 1 或 'columns'}”，默认值为 0

​ 选择行排序(0)还是列排序(1)

ascending: bool 或 bool 列表，默认为 True

升序(True)还是降序(False)

#升序
sample.sort_values('a')
image-20240311211713498
#降序
sample.sort_values('a',ascending=False)
image-20240311212243524
【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

sample.sort_index()
image-20240311212233948

2.让列索引升序排序

sample.sort_index(axis=1)
image-20240311212348293

3.让列索引降序排序

sample.sort_index(axis=1,ascending=False)
image-20240311212704417

4.让任选两列数据同时降序排序

sample.sort_values(by=['a', 'c'], ascending=False)
image-20240311212711964

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）

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？

'''
在开始我们已经导入了train_chinese.csv数据，而且前面我们也学习了导入数据过程，根据上面学习，我们直接对目标列进行排序即可
head(20) : 读取前20条数据

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

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

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
image-20240311214957907

将frame_a和frame_b进行相加

frame1_a+frame1_b
image-20240311215020566

【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

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？

'''
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(text['堂兄弟/妹个数'] + text['堂兄弟/妹个数'])

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

#自己构建一个有数字有空值的DataFrame数据
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
image-20240311215306840

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
'''
image-20240311215354701

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？

'''
看看泰坦尼克号数据集中 票价 这列数据的基本统计数据
'''
text['票价'].describe()
image-20240311215521709
是一名喜欢每天折腾的咸鱼! 也是一名半退役的算竞摸鱼选手,参与过icpc,天梯赛,蓝桥等比赛. --------------------------------------------------- 百度 飞桨领航团-团长 Datawhale -专业助教 上海人工智能实验室 书生·浦语实战营- 助教 --------------------------------------------------- 认证类: 华为 Harmony OS应用开发者高级认证, NISP 一级认证, H3C NE-RS网络工程师认证 --------------------------------------------------- 荣获奖项荣誉: 第十八届“挑战杯”全国大学生课外学术科技作品竞赛 “揭榜挂帅”专项赛-全国特等奖、 “美亚杯”第八届中国电子取证大赛 三等奖、 “蓝桥杯”国优、 中国高校计算机大赛-团体程序天梯赛 省高校一等奖、 “蓝桥杯”省一等奖、 H3C新华三杯 省三等奖、 中国移动“梧桐杯”大数据创新大赛 省三等奖、 百度 飞桨领航团 金牌团长
最后更新于 2024-03-17