数据分析——第一章：第一节数据载入及初步观察

发表于 分类于 ， 阅读次数：

复习：数据分析的第一步，加载数据我们已经学习完毕了。当数据展现在我们面前的时候，我们所要做的第一步就是认识他，今天我们要学习的就是了解字段含义以及初步观察数据。

1 第一章：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

1
2
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]

1
2
3
4
5
#我们举的例子
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
example_1 = pd.Series(sdata)
example_1

Ohio      35000
Texas     71000
Oregon    16000
Utah       5000
dtype: int64

1
2
3
4
5
#我们举的例子
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada', 'Nevada'],
        'year': [2000, 2001, 2002, 2001, 2002, 2003],'pop': [1.5, 1.7, 3.6, 2.4, 2.9, 3.2]}
example_2 = pd.DataFrame(data)
example_2
state year pop
0 Ohio 2000 1.5
1 Ohio 2001 1.7
2 Ohio 2002 3.6
3 Nevada 2001 2.4
4 Nevada 2002 2.9
5 Nevada 2003 3.2
#### 1.4.2 任务二：根据上节课的方法载入"train.csv"文件 
1
2
#写入代码
df=pd.read_csv('./titanic/train.csv')
也可以加载上一节课保存的"train_chinese.csv"文件。通过翻译版train_chinese.csv熟悉了这个数据集，然后我们对trian.csv来进行操作 #### 1.4.3 任务三：查看DataFrame数据的每列的名称 
1
2
#写入代码
df.columns
Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp', 'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'], dtype='object') #### 1.4.4任务四：查看"Cabin"这列的所有值[有多种方法] 
1
2
#写入代码
df['Cabin'].head(10)
0 NaN 1 C85 2 NaN 3 C123 4 NaN 5 NaN 6 E46 7 NaN 8 NaN 9 NaN Name: Cabin, dtype: object 
1
2
3
#写入代码
df.Cabin.values[:10]
df.Cabin.head(10)
0 NaN 1 C85 2 NaN 3 C123 4 NaN 5 NaN 6 E46 7 NaN 8 NaN 9 NaN Name: Cabin, dtype: object #### 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 
1
2
3
#写入代码
test_1=pd.read_csv('../第一单元项目集合/test_1.csv')
test_1.head()
Unnamed: 0 PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked a
0 0 1 0 3 Braund, Mr. Owen Harris male 22.0 1 0 A/5 21171 7.2500 NaN S 100
1 1 2 1 1 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0 1 0 PC 17599 71.2833 C85 C 100
2 2 3 1 3 Heikkinen, Miss. Laina female 26.0 0 0 STON/O2. 3101282 7.9250 NaN S 100
3 3 4 1 1 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35.0 1 0 113803 53.1000 C123 S 100
4 4 5 0 3 Allen, Mr. William Henry male 35.0 0 0 373450 8.0500 NaN S 100 
1
2
3
4
#写入代码
#test_1.columns
test_1.drop('Unnamed: 0',axis=1,inplace=True)
test_1.columns
Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',
       'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked', 'a'],
      dtype='object')

【思考】还有其他的删除多余的列的方式吗？

1
2
3
# 思考回答
del test_1['Unnamed: 0']
test_1.columns
Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',
       'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked', 'a'],
      dtype='object')

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

1
2
#写入代码
df.drop(['PassengerId', 'Name', 'Age','Ticket'], axis=1).head(10)
Survived Pclass Sex SibSp Parch Fare Cabin Embarked
0 0 3 male 1 0 7.2500 NaN S
1 1 1 female 1 0 71.2833 C85 C
2 1 3 female 0 0 7.9250 NaN S
3 1 1 female 1 0 53.1000 C123 S
4 0 3 male 0 0 8.0500 NaN S
5 0 3 male 0 0 8.4583 NaN Q
6 0 1 male 0 0 51.8625 E46 S
7 0 3 male 3 1 21.0750 NaN S
8 1 3 female 0 2 11.1333 NaN S
9 1 2 female 1 0 30.0708 NaN C
【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？ 【思考回答】 如果想要完全的删除你的数据结构，使用inplace=True，因为使用inplace就将原数据覆盖了，所以这里没有用 ### 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。 
1
2
3
#写入代码
print((df['Age']<10).head(2))
df[df['Age']<10].head(2)
0 False 1 False Name: Age, dtype: bool
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
7 8 0 3 Palsson, Master. Gosta Leonard male 2.0 3 1 349909 21.075 NaN S
10 11 1 3 Sandstrom, Miss. Marguerite Rut female 4.0 1 1 PP 9549 16.700 G6 S
#### 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 
1
2
3
#写入代码
midage=df[(df['Age']>10) & (df['Age']<50)]
midage
【提示】了解pandas的条件筛选方式以及如何使用交集和并集操作 #### 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 
1
2
3
4
#写入代码
midage = midage.reset_index(drop=True)
print(midage)
midage.loc[1][['Pclass', 'Sex']]
PassengerId Survived Pclass \ 0 1 0 3 1 2 1 1 2 3 1 3 3 4 1 1 4 5 0 3 .. ... ... ... 571 886 0 3 572 887 0 2 573 888 1 1 574 890 1 1 575 891 0 3 Name Sex Age SibSp \ 0 Braund, Mr. Owen Harris male 22.0 1 1 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0 1 2 Heikkinen, Miss. Laina female 26.0 0 3 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35.0 1 4 Allen, Mr. William Henry male 35.0 0 .. ... ... ... ... 571 Rice, Mrs. William (Margaret Norton) female 39.0 0 572 Montvila, Rev. Juozas male 27.0 0 573 Graham, Miss. Margaret Edith female 19.0 0 574 Behr, Mr. Karl Howell male 26.0 0 575 Dooley, Mr. Patrick male 32.0 0 Parch Ticket Fare Cabin Embarked 0 0 A/5 21171 7.2500 NaN S 1 0 PC 17599 71.2833 C85 C 2 0 STON/O2. 3101282 7.9250 NaN S 3 0 113803 53.1000 C123 S 4 0 373450 8.0500 NaN S .. ... ... ... ... ... 571 5 382652 29.1250 NaN Q 572 0 211536 13.0000 NaN S 573 0 112053 30.0000 B42 S 574 0 111369 30.0000 C148 C 575 0 370376 7.7500 NaN Q [576 rows x 12 columns] Pclass 1 Sex female Name: 1, dtype: object 【提示】在抽取数据中，我们希望数据的相对顺序保持不变，用什么函数可以达到这个效果呢？ #### 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 
1
2
#写入代码
midage.loc[[100,105,108],['Pclass','Name','Sex']]
Pclass Name Sex
100 2 Byles, Rev. Thomas Roussel Davids male
105 3 Cribb, Mr. John Hatfield male
108 3 Calic, Mr. Jovo male
#### 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 
1
2
#写入代码
midage.iloc[[100,105,108],[2,3,4]]
Pclass Name Sex
149 2 Byles, Rev. Thomas Roussel Davids male
160 3 Cribb, Mr. John Hatfield male
163 3 Calic, Mr. Jovo male

【思考】对比iloc和loc的异同

1
2
3
4
5
6
7
8
9
# *   当你需要根据**标签名称**（如行索引名或列名）来选取数据时，使用 `loc`。这使得代码更具可读性，因为你可以直接看到你正在操作的标签。
# *   当你需要根据**整数位置**来选取数据时（不关心标签名称，或者标签不是整数），使用 `iloc`。这在处理没有有意义标签的 DataFrame，或者需要进行与位置相关的操作时很有用。
# *   **注意**：如果 DataFrame 的索引是默认的整数索引 (0, 1, 2, ...)，那么 `loc` 和 `iloc` 在使用单个整数或整数切片进行行选择时，行为可能会相似，但这可能会导致混淆。
#     *   例如，如果 `df.index` 是 `[0, 1, 2, 5, 6]`：
#         *   `df.loc[0]` 会选择索引标签为 `0` 的行。
#         *   `df.iloc[0]` 也会选择第一行（即索引标签为 `0` 的行）。
#         *   `df.loc[3]` 会报错，因为没有索引标签为 `3`。
#         *   `df.iloc[3]` 会选择第四行（即索引标签为 `5` 的行）。
# *   为了避免混淆，最佳实践是：当你知道你正在使用标签时，明确使用 `loc`；当你知道你正在使用整数位置时，明确使用 `iloc`。