Datawhale学数据分析第一章
需要用到的基础知识
pandas基础知识
参考1,2章
https://github.com/datawhalechina/joyful-pandas
1.导入数据
tsv 制表符作为分隔符的字段符
csv 逗号作为分隔符的字段符
详情见利用python进行数据分析第6章
https://github.com/Knowledge-Discovery-in-Databases/team-learning/blob/master/%E7%AC%AC06%E7%AB%A0%20%E6%95%B0%E6%8D%AE%E5%8A%A0%E8%BD%BD%E3%80%81%E5%AD%98%E5%82%A8%E4%B8%8E%E6%96%87%E4%BB%B6%E6%A0%BC%E5%BC%8F.md
```
#导入包
import numpy as np
import pandas as pd
import os
```
```
#查看当前工作目录,修改当前目录,命令行查看当前工作目录
print(os.getcwd())
os.chdir('/Users/mofashipython')
!pwd
/Users/mofashipython/prog/p
/Users/mofashipython
```
```
#当前工作目录导入文件
df = pd.read_csv('train.csv')
df.head() #查看开头5行,可设定参数
#绝对目录导入文件
df = pd.read_csv('/Users/mofashipython/train.csv')
df.tail() #查看末尾5行,可设定参数
```
```
#查看信息(数据结构)
df.info()
```
```
#分块
chunker = pd.read_csv('train.csv', chunksize=1000)
```
```
#修改行标签和列标签
df = pd.read_csv('file', names=name1,index_col='name2',header=0)
```
```
#查找空值
df.isnull().head()
```
```
#查看列名和行名
df.columns
df.index
```
```
#查看常用的统计数值
df.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
'''
```
```
df['列名'].describe()
```
```
#保存文件至当前目录
df.to_csv('train_chinese.csv')
```
2.pandas的基本使用方法
pandas中有两个数据类型DataFrame和Series
series,一维数据结构,由index和value组成。
dataframe,二维结构,拥有index和value和column。
dataframe由多个series组成,可以从series创建
```
#创建Series
v=[1,2,3,4,5]
i=[2,3,4,5,6]
s = pd.Series(v,index = i)
s
2 1
3 2
4 3
5 4
6 5
dtype: int64
```
```
#创建DataFrame
i =[1,2,3]
c =["one", "two", "three"]
v = np.random.rand(9).reshape(3,3)
d = pd.DataFrame(v, index = i, columns = c)
d
one two three
1 0.491216 0.826787 0.002878
2 0.751016 0.849535 0.738048
3 0.066599 0.268772 0.210717
```
```
#对应的行和列的值会相加,没有对应的会变成空值NaN
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
a b c e
first NaN NaN NaN NaN
one 3.0 NaN 7.0 NaN
second NaN NaN NaN NaN
three NaN NaN NaN NaN
two 9.0 NaN 13.0 NaN
```
3.常用的3种索引方法
df.iloc 位置(数字)索引
df.loc 名称(标签)索引
[] 切片索引
df.loc[行索引,列索引]
逗号隔开维度,loc 左闭右闭区间,可使用布尔型(true,false)
```
#全部行,Cabin列,输出前5个
df.loc[:,'Cabin'].head()
```
```
#重置索引,使用默认的行索引
#不保留原索引,需要参数drop=True
df= df.reset_index(drop=True)
```
```
#100,105,108行,Pclass,Name,Sex列(标签值)
df.loc[[100,105,108],['Pclass','Name','Sex']]
```
```
#100,105,108行,2,3,4列(索引值)
df.iloc[[100,105,108],[2,3,4]]
```
```
#条件查询(布尔型查询)
df[df["Age"]<10].head(3)
midage = df[(df["Age"]>10)& (df["Age"]<50)]
```
4.排序
sort_values 数值进行排序
sort_index 标签进行排序
```
i =[1,2,3]
c =["one", "two", "three"]
v = np.arange(9).reshape(3,3)
d = pd.DataFrame(v, index = i, columns = c)
d
one two three
1 0 1 2
2 3 4 5
3 6 7 8
#two列降序(从大到小)
d.sort_values(by='two',ascending = False)
one two three
3 6 7 8
2 3 4 5
1 0 1 2
#axis =1 维度是列,按照列名排序
d.sort_index(axis = 1,ascending = False)
two three one
1 1 2 0
2 4 5 3
3 7 8 6
#one列和three列升序(从小到大)
#首先排序one列,如果one列存在相同元素,排three列
#如果没有相同元素,不排three列
d.sort_values(by=['one','three'])
one two three
1 0 1 2
2 3 4 5
3 6 7 8
```
泰坦尼克项目内容
```
#导入包
import numpy as np
import pandas as pd
#绝对目录导入文件
df = pd.read_csv('/Users/mofashipython/train.csv')
#把列标签改成中文
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)
#查看信息(数据结构)
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 float64
5 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 float64
9 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
```
#查找空值
df.isnull().head()
```
```
#根据票价,年龄,降序排序
text.sort_values(by=['票价', '年龄'], ascending=False).head(10)
```
10个票价最高(相对富有)的人中,8个人存活。
```
#票价列的常用统计值
text['票价'].describe()
```
count 891.000000
mean 32.204208
std 49.693429
min 0.000000
25% 7.910400
50% 14.454200
75% 31.000000
max 512.329200
Name: 票价, dtype: float64
平均值约为:32.20,
标准差约为49.69,票价波动大
中位数14.45 远低于平均数
75% 31.00 接近平均数
```
```
Datawhale学数据分析第一章的更多相关文章
- 简学Python第一章__进入PY的世界
#cnblogs_post_body h2 { background: linear-gradient(to bottom, #18c0ff 0%,#0c7eff 100%); color: #fff ...
- 1-Spark高级数据分析-第一章 大数据分析
1.1 数据科学面临的挑战 第一,成功的分析中绝大部分工作是数据预处理. 第二,迭代与数据科学紧密相关.建模和分析经常需要对一个数据集进行多次遍历.这其中一方面是由机器学习算法和统计过程本身造成的. ...
- 《python可以这样学》第一章
一.Python基础 查看Python版本 Python 3.7.3 (v3.7.3:ef4ec6ed12, Mar 25 2019, 22:22:05) [MSC v.1916 64 bit (AM ...
- 翻译学python---《Learn Python the hard Way》---第一章 绪论
打算学习python,但是又不想单纯地看书或是写个小项目,干脆引入很流行的翻译学习法来学习吧- 在论坛上看到了国外的一本<Learn Python the hard Way> ...
- 跟着高淇学Python——第一到第三章总结
2019/10/26 第一章:Python介绍 Python是一种解释型,面向对象的语言.特点是: 可读性强 简洁,简洁 面向对象 免费开源 可移植性和跨平台性 丰富的库 可扩展性 应用范围:1.人工 ...
- 按照鬼哥学so变化,四,第一章的例子
跟随鬼哥伦比亚科学so变化,四.第一章的例子 图纸/文化 听鬼哥说故事 ---------------------------------------------切割线--------------- ...
- 《跟我学Shiro》学习笔记 第一章:Shiro简介
前言 现在在学习Shiro,参照着张开涛老师的博客进行学习,然后自己写博客记录一下学习中的知识点,一来可以加深理解,二来以后遗忘了可以查阅.没有学习过Shiro的小伙伴,也可以和我一起学习,大家共同进 ...
- 路飞学城-Python爬虫集训-第一章
自学Python的时候看了不少老男孩的视频,一直欠老男孩一个会员,现在99元爬虫集训果断参与. 非常喜欢Alex和武Sir的课,技术能力超强,当然讲着讲着就开起车来也说明他俩开车的技术也超级强! 以上 ...
- 第一章 impala的安装
目录 第一章 impala的安装 1.impala的介绍 imala基本介绍 impala与hive的关系 impala的优点 impala的缺点: impala的架构以及查询计划 2.impala的 ...
随机推荐
- jmeter零散知识点
- OnePill本地保存用户的结构
sharedPreferences存储的数据 int Code code 表示当前用户的类别:医生为1,用户为2. Sting user user 存储当前user的json字符串 String do ...
- PHP timezone_open() 函数
------------恢复内容开始------------ 实例 创建一个新的 DateTimeZone 对象,然后返回时区的名称: <?php$tz=timezone_open(" ...
- 记502 dp专练
趁着503的清早 我还算清醒把昨天老师讲的内容总结一下,昨天有点迷了 至使我A的几道题都迷迷糊糊的.(可能是我太菜了) 这道题显然是 数字三角形的变形 好没有经过认真思考然后直接暴力了 这是很不应该的 ...
- loj #6039 「雅礼集训 2017 Day5」珠宝 分组背包 决策单调性优化
LINK:珠宝 去年在某个oj上写过这道题 当时懵懂无知wa的不省人事 终于发现这个东西原来是有决策单调性的. 可以发现是一个01背包 但是过不了 冷静分析 01背包的复杂度有下界 如果过不了说明必然 ...
- SQL优化之博客案例
问题背景:博客首页随着数据量的增加,最初是几百上千的数据,访问正常,这是开发环境,当切换测试环境(通过爬虫已有数据六万多),这时候访问非常缓慢,长达一分钟. 问题SQL: SELECT DISTINC ...
- 配置ssh互信
配置基于密钥认证的免密登录 用到的命令: ssh-keygen:创建公钥和密钥,会生成id_rsa和id_rsa.pub两个文件 生成ssh密钥后,密钥将默认存储在家目录下的.ssh/目录中.私钥和公 ...
- 细说selenium的等待条件
selenium的显示等待 在进行UI自动化测试的时候,我们为了保持用例的稳定性,往往要设置显示等待,显示等待就是说明确的要等到某个元素的出现或者元素的某些条件出现,比如可点击.可见等条件,如果在规定 ...
- day6. while双项循环及for循环
一.双向循环经典练习 1.打印十行十列小星星(2个循环) # j 外循环用来控制行数 j = 0 while j<10: # 打印一行十个星星 i = 0 while i <10: # 写 ...
- C 语言学习 说明
因经常使用C++以及从未系统的学习C,导致最近写C的时候有种混沌感: 首先:对于哪些是C 的标准头文件尚不能很清晰的认知 其次:C 的某些函数属于哪个头文件,这个函数背后的原理实现较多不能理清 因此觉 ...