【DW组队学习—动手学数据分析】第一章：第三节探索性数据分析-课程学习

复习：在前面我们已经学习了Pandas基础，知道利用Pandas读取csv数据的增删查改，今天我们要学习的就是探索性数据分析，主要介绍如何利用Pandas进行排序、算术计算以及计算描述函数describe()的使用。

1 第一章：探索性数据分析

开始之前，导入numpy、pandas包和数据

#加载所需的库
import numpy as np
import pandas as pd
1
2
3

#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
data = pd.read_csv("train_chinese.csv")
1
2

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

# 具体请看《利用Python进行数据分析》第五章 排序和排名 部分

#自己构建一个都为数字的DataFrame数据

'''
我们举了一个例子
pd.DataFrame() ：创建一个DataFrame对象 
np.arange(8).reshape((2, 4)) : 生成一个二维数组（2*4）,第一列：0，1，2，3 第二列：4，5，6，7
index=[2，1] ：DataFrame 对象的索引列
columns=['d', 'a', 'b', 'c'] ：DataFrame 对象的索引行
'''
df = pd.DataFrame(data = np.arange(8).reshape((2,4)), index = [2,1], columns = ['d', 'a', 'b', 'c'])
df
1
2
3
4
5
6
7
8
9
10
11
12
13

【代码解析】

pd.DataFrame() ：创建一个DataFrame对象

np.arange(8).reshape((2, 4)) : 生成一个二维数组（2*4）,第一列：0，1，2，3 第二列：4，5，6，7

index=['2, 1] ：DataFrame 对象的索引列

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

【总结】排序
pandas 支持三种排序方式：按索引标签排序，按列值排序，以及两者结合排序。
1、按索引标签排序
Series.sort_index() 和DataFrame.sort_index(axis, ascending)

其中：

• axis可以选择是按行索引排序(0)还是列索引排序(1)
• ascending可以选择是升序(True)还是降序(False)

2、按列值排序
Series.sort_values() 和DataFrame.sort_values(by = [“列名”])

3、两者结合排序
DataFrame.sort_values(by = [“行名”, “列名”], ascending)

【拓展】复合行索引：如“a”列和“b”列共同构成行索引
1、设置复合行索引。 df.set_index(list(“ab”))
2、按其中一个行索引排序。 df.sort_index(level = “a”)

1.让行索引升序排序

#代码
df.sort_index(0)
1
2

2.让列索引升序排序

#代码
df.sort_index(1)
1
2

3.让列索引降序排序

#代码
df.sort_index(1, ascending = False)
1
2

4.让任选两列数据同时降序排序

#代码
df.sort_values(["a","b"])
1
2

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？

'''
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

'''
data.head(20)
1
2
3
4
5
6

#代码
data.sort_values(["票价", "年龄"], ascending = False)
1
2

891 rows × 12 columns

【思考】排序后，如果我们仅仅关注年龄和票价两列。根据常识我知道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。

当然，这只是我的想法，你还可以有更多想法，欢迎写在你的学习笔记中。

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

# 具体请看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分

#自己构建两个都为数字的DataFrame数据

"""
我们举了一个例子：
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
"""
1
2
3
4
5
6
7
8
9
10
11
12
13
14

#代码
frame1_a = pd.DataFrame(np.arange(9.).reshape(3, 3),
                     columns=['a', 'b', 'c'],
                     index=['one', 'two', 'three'])
frame1_a
1
2
3
4
5

frame1_b = pd.DataFrame(np.arange(12.).reshape(4, 3),
                     columns=['a', 'e', 'c'],
                     index=['first', 'one', 'two', 'second'])
frame1_b
1
2
3
4

frame1_a + frame1_b
1

【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。

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。

【总结】表格计算

1. df1 + df2，加，两个表格中相同行、列索引对应的元素相加，其他位置均为NaN
2. df1 * df2，减，两个表格中相同行、列索引对应的元素相减，其他位置均为NaN
3. df1 * df2，乘，两个表格中相同行、列索引对应的元素相乘，其他位置均为NaN
4. df1 / df2，除，两个表格中相同行、列索引对应的元素相除，其他位置均为NaN
5. df1 > df2，比较，当两个表格行、列索引均相同时才能比较，结果为对应位置两元素的比较结果

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(data["堂兄弟/妹个数"]+data["父母与小孩个数"])
1
2
3
4

10
1

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

#(1) 关键知识点示例做一遍（简单数据）
# 具体请看《利用Python进行数据分析》第五章 汇总和计算描述统计 部分

#自己构建一个有数字有空值的DataFrame数据


"""
我们举了一个例子：
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

"""
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

调用 describe 函数，观察frame2的数据基本信息

DataFrame.describe(percentiles=None, include=None, exclude=None, datetime_is_numeric=False)
生成描述性统计数据，包括非空数个数、平均值、标准差、最小值（0%）、25%、50%、75%、最大值（100%）
其中:

• percentiles 选择包含在输出中的百分位数，取值为列表
• include 要包含在结果中的数据类型，“all”（输入的所有列都将包含在输出中）或列表（符合指定类型的列才能统计）或None（包括所有数字列）
• exclude 不包含在结果中的数据类型，列表（符合指定类型的列不进行统计）或None（不排除）
• datetime_is_numeric 是否将日期时间 dtypes 视为数字

#代码
frame2.describe()
1
2

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
'''
1
2
3

#代码
data[["票价", "父母与小孩个数"]].describe()
1
2

【思考】从上面数据我们可以看出，试试在下面写出你的看法。然后看看我们给出的答案。

例：从上面数据我们可以看出， 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。

【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，希望大家学完第一章能对数据有个基本认识，了解自己在做什么，为什么这么做，后面的章节我们将开始对数据进行清洗，进一步分析。