数据仓库与数据挖掘（实验一2024.4.24）

​

​

# 创建DataFrame对象movies，设置
movies = pd.read_csv('movies.csv', index_col='Title')
 
# 查看前4行数据
movies.head(4)
 
# 查看最后6行数据
movies.tail(6)
 
# 查询总共有多少条数据
len(movies)
 
# 通过panda的DataFrame获取数据的形状：行数、列数
movies.shape
 
# 查询一共有多少个单元格（cell）
movies.size
 
# 验证
# 一共782行数据，每行有4个属性，除了作为index的Title
782 * 4
 
# 查询每一列的数据类型
movies.dtypes
 
# 查看第500条数据
movies.iloc[499]
 
# 通过 index label 获取 DataFrame 中的数据
# 现在的 index 是 Title(《阿甘正传》)
movies.loc['Forrest Gump']
 
# 通过index label可以检索出具有相同index label的数据记录
# 但是，通常尽量让每条数据的index label是唯一的，
# 这样可以加速数据定位
movies.loc['101 Dalmatians']
 
# 对DataFrame中的数据按照year以降序方式重新排序
# head()用来现实前5条数据
movies.sort_values(by='Year', ascending=False).head()
 
# 根据多个列的值进行排序
# 默认按照升序排序
movies.sort_values(by=['Studio', 'Year']).head()
 
# 按照index进行排序
movies.sort_index().head()

# 找出哪家电影公司拥有最多最高票房的电影
# 使用Series：只有一列数据
# pandas在Series中保留DataFrame的索引
# 由于数据太多，默认只显示前5条和后5条数据
# Studio制片厂
movies['Studio']
 
# 统计每个Studio出现的次数，并显示排在前10的Studio
# 返回值为Series对象
movies['Studio'].value_counts().head(10)
 
# 通过规则过滤数据
# 找出 Universal Studio 发行的电影
movies[movies['Studio'] == 'Universal']
 
# 通过变量保存过滤规则
released_by_unviersal = (movies['Studio'] == 'Universal')
movies[released_by_unviersal].head()
 
# 通过多个条件过滤DataFrame中的行数据
# 找出2015年Universal Studio发行（released）的电影的各项数据
# released_by_universal(由环球发行)
released_by_unviersal = movies['Studio'] == 'Universal'
released_in_2015 = movies['Year'] == 2015
movies[released_by_unviersal & released_in_2015]
 
# 通过多个条件过滤DataFrame中的行数据
# 找出在2015发行或者是Universal Studio发行的电影的各项数据
released_by_unviersal = movies['Studio'] == 'Universal'
released_in_2015 = movies['Year'] == 2015
movies[released_by_unviersal | released_in_2015]
 
# 过滤出满足指定范围的数据
# 找出1975年之前发行的电影
before_1975 = movies['Year'] < 1975
movies[before_1975]
 
# 指定某个值的范围
mid_80s = movies['Year'].between(1983, 1986)
movies[mid_80s]
 
# 使用DataFrame的index进行过滤
# 找出所有在名字中包含 dark 的电影
# 将所有的title先转换为小写
has_dark_in_title = movies.index.str.lower().str.contains('dark')
movies[has_dark_in_title]
 
# grouping data
# 找出在所有电影中，哪个Studio的总收入最高
# pandas在导入数据时，包含了$和逗号，先把他们去掉
movies['Gross'].str.replace('$', '', regex=False).str.replace(',', '', regex=False)
 
# 再把文本类型的Gross转换为数字类型
movies['Gross'] = movies['Gross'].str.replace('$', '', regex=False).str.replace(',', '', regex=False).astype(float)
 
# 计算平均票房收入
movies['Gross'].mean()
 
# 计算每个电影制片厂的总票房
# groupby
studios = movies.groupby('Studio')
 
# 统计每个每个Studio发行了几步电影
studios['Gross'].count().head()
# 默认按照字母顺序排序
 
# 改为按照发行的电影数量降序排序
studios['Gross'].count().sort_values(ascending=False).head()
 
# 计算每个Studio发行电影的总票房
studios['Gross'].sum().head()
# 默认按照Studio的字母顺序排序
 
# 按照总票房顺序排序
studios['Gross'].sum().sort_values(ascending=False).head()