数据载入及初步观察

  • 1 第一章：数据载入及初步观察
  • 1.1 载入数据
  • 1.1.1 任务一：导入numpy和pandas
  • 1.1.2 任务二：载入数据
  • 1.1.3 任务三：每1000行为一个数据模块，逐块读取
  • 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]
  • 1.2 初步观察
  • 1.2.1 任务一：查看数据的基本信息
  • 1.2.2 任务二：观察表格前10行的数据和后15行的数据
  • 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
  • 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
  • 1 第一章：pandas基础
  • 1.4 知道你的数据叫什么
  • 1.4.1 任务一：pandas中有两个数据类型DataFrame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]
  • 1.4.2 任务二：根据上节课的方法载入"train.csv"文件
  • 1.4.3 任务三：查看DataFrame数据的每列的项
  • 1.4.4任务四：查看"cabin"这列的所有项 [有多种方法]
  • 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
  • 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
  • 1.5 筛选的逻辑
  • 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。
  • 1.5.2 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
  • 1.5.3 任务三：将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来
  • 1.5.4 任务四：将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来
  • 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 第一章：探索性数据分析
  • 开始之前，导入numpy、pandas包和数据
  • 1.6 了解你的数据吗？
  • 1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序
  • 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？
  • 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
  • 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？
  • 1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息
  • 1.6.6 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？



本系列课程是Datawhale组队学习之 动手学数据分析 部分，课程现分为三个单元，大致可以分为：数据基础操作，数据清洗与重构，建模和评估。

  • 第一部分：我们获得一个要分析的数据，我要学会如何加载数据，查看数据，然后学习Pandas的一些基础操作，最后开始尝试探索性的数据分析。
  • 第二部分：当我们可以比较熟练的操作数据并认识这个数据之后，我们需要开始数据清洗以及重构，将原始数据变为一个可用好用的数据，为之后放入模型做准备
  • 第三部分：我们根据任务需求不同，要考虑建立什么模型，我们接触流行的sklearn库，建立模型。然后一个模型的好坏，我们是需要评估的，之后我们会引入模型评估的一些改变和实现。
  • 项目地址：https://github.com/datawhalechina/hands-on-data-analysis

1 第一章：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

1.1.1 任务一：导入numpy和pandas
#写入代码
import numpy as np
import pandas as pd
import os

【提示】如果加载失败，学会如何在你的python环境下安装numpy和pandas这两个库

1.1.2 任务二：载入数据

(1) 使用相对路径载入数据
(2) 使用绝对路径载入数据

#写入代码  相对路径
df = pd.read_csv('train.csv')
print(os.getcwd())
df.head()
C:\Users\17869\动手学数据分析-组队学习版\第一单元项目集合



PassengerId

Survived

Pclass

Name

Sex

Age

SibSp

Parch

Ticket

Fare

Cabin

Embarked

0

1

0

3

Braund, Mr. Owen Harris

male

22.0

1

0

A/5 21171

7.2500

NaN

S

1

2

1

1

Cumings, Mrs. John Bradley (Florence Briggs Th...

female

38.0

1

0

PC 17599

71.2833

C85

C

2

3

1

3

Heikkinen, Miss. Laina

female

26.0

0

0

STON/O2. 3101282

7.9250

NaN

S

3

4

1

1

Futrelle, Mrs. Jacques Heath (Lily May Peel)

female

35.0

1

0

113803

53.1000

C123

S

4

5

0

3

Allen, Mr. William Henry

male

35.0

0

0

373450

8.0500

NaN

S

#写入代码  绝对路径
df = pd.read_csv('C:/Users/17869/动手学数据分析-组队学习版/第一单元项目集合/train.csv')
df.head()



PassengerId,Survived,Pclass,Name,Sex,Age,SibSp,Parch,Ticket,Fare,Cabin,Embarked

0

1,0,3,"Braund, Mr. Owen Harris",male,22,1,0,A/...

1

2,1,1,"Cumings, Mrs. John Bradley (Florence Br...

2

3,1,3,"Heikkinen, Miss. Laina",female,26,0,0,S...

3

4,1,1,"Futrelle, Mrs. Jacques Heath (Lily May ...

4

5,0,3,"Allen, Mr. William Henry",male,35,0,0,3...

注：上图是用pd.read_table()得到的表格
【提示】相对路径载入报错时，尝试使用 os.getcwd() 查看当前工作目录。
【思考】知道数据加载的方法后，试试pd.read_csv()和pd.read_table()的不同，如果想让他们效果一样，需要怎么做？了解一下’.tsv’和’.csv’的不同，如何加载这两个数据集？

  • read_csv()函数用于读取以’,'分割的文件到DataFrame。
  • read_table()函数用于读取以’/t’分割的文件到DataFrame。

【总结】加载的数据是所有工作的第一步，我们的工作会接触到不同的数据格式（eg:.csv;.tsv;.xlsx）,但是加载的方法和思路都是一样的，在以后工作和做项目的过程中，遇到之前没有碰到的问题，要多多查资料吗，使用googel，了解业务逻辑，明白输入和输出是什么。

1.1.3 任务三：每1000行为一个数据模块，逐块读取
#写入代码
chunker = pd.read_csv('train.csv', chunksize=1000)
chunker
<pandas.io.parsers.TextFileReader at 0x21346013388>

【思考】什么是逐块读取？为什么要逐块读取呢？

  • 1、读取文件中前部分 data = pd.read_csv(“data.csv”,nrows=5)
  • 2、逐块读取文件 chunker = pd.read_csv(“data.csv”,chunksize=5)
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

#写入代码
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)
df.head()



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

乘客ID

1

0

3

Braund, Mr. Owen Harris

male

22.0

1

0

A/5 21171

7.2500

NaN

S

2

1

1

Cumings, Mrs. John Bradley (Florence Briggs Th...

female

38.0

1

0

PC 17599

71.2833

C85

C

3

1

3

Heikkinen, Miss. Laina

female

26.0

0

0

STON/O2. 3101282

7.9250

NaN

S

4

1

1

Futrelle, Mrs. Jacques Heath (Lily May Peel)

female

35.0

1

0

113803

53.1000

C123

S

5

0

3

Allen, Mr. William Henry

male

35.0

0

0

373450

8.0500

NaN

S

【思考】所谓将表头改为中文其中一个思路是：将英文额度表头替换成中文。还有其他的方法吗？

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

1.2.1 任务一：查看数据的基本信息
#写入代码
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

【提示】有多个函数可以这样做，你可以做一下总结

1.2.2 任务二：观察表格前10行的数据和后15行的数据
#写入代码
df.head(10)



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

乘客ID

1

0

3

Braund, Mr. Owen Harris

male

22.0

1

0

A/5 21171

7.2500

NaN

S

2

1

1

Cumings, Mrs. John Bradley (Florence Briggs Th...

female

38.0

1

0

PC 17599

71.2833

C85

C

3

1

3

Heikkinen, Miss. Laina

female

26.0

0

0

STON/O2. 3101282

7.9250

NaN

S

4

1

1

Futrelle, Mrs. Jacques Heath (Lily May Peel)

female

35.0

1

0

113803

53.1000

C123

S

5

0

3

Allen, Mr. William Henry

male

35.0

0

0

373450

8.0500

NaN

S

6

0

3

Moran, Mr. James

male

NaN

0

0

330877

8.4583

NaN

Q

7

0

1

McCarthy, Mr. Timothy J

male

54.0

0

0

17463

51.8625

E46

S

8

0

3

Palsson, Master. Gosta Leonard

male

2.0

3

1

349909

21.0750

NaN

S

9

1

3

Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg)

female

27.0

0

2

347742

11.1333

NaN

S

10

1

2

Nasser, Mrs. Nicholas (Adele Achem)

female

14.0

1

0

237736

30.0708

NaN

C

#写入代码
df.tail(15)



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

乘客ID

877

0

3

Gustafsson, Mr. Alfred Ossian

male

20.0

0

0

7534

9.8458

NaN

S

878

0

3

Petroff, Mr. Nedelio

male

19.0

0

0

349212

7.8958

NaN

S

879

0

3

Laleff, Mr. Kristo

male

NaN

0

0

349217

7.8958

NaN

S

880

1

1

Potter, Mrs. Thomas Jr (Lily Alexenia Wilson)

female

56.0

0

1

11767

83.1583

C50

C

881

1

2

Shelley, Mrs. William (Imanita Parrish Hall)

female

25.0

0

1

230433

26.0000

NaN

S

882

0

3

Markun, Mr. Johann

male

33.0

0

0

349257

7.8958

NaN

S

883

0

3

Dahlberg, Miss. Gerda Ulrika

female

22.0

0

0

7552

10.5167

NaN

S

884

0

2

Banfield, Mr. Frederick James

male

28.0

0

0

C.A./SOTON 34068

10.5000

NaN

S

885

0

3

Sutehall, Mr. Henry Jr

male

25.0

0

0

SOTON/OQ 392076

7.0500

NaN

S

886

0

3

Rice, Mrs. William (Margaret Norton)

female

39.0

0

5

382652

29.1250

NaN

Q

887

0

2

Montvila, Rev. Juozas

male

27.0

0

0

211536

13.0000

NaN

S

888

1

1

Graham, Miss. Margaret Edith

female

19.0

0

0

112053

30.0000

B42

S

889

0

3

Johnston, Miss. Catherine Helen "Carrie"

female

NaN

1

2

W./C. 6607

23.4500

NaN

S

890

1

1

Behr, Mr. Karl Howell

male

26.0

0

0

111369

30.0000

C148

C

891

0

3

Dooley, Mr. Patrick

male

32.0

0

0

370376

7.7500

NaN

Q

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
#写入代码
df.isnull().head()



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

乘客ID

1

False

False

False

False

False

False

False

False

False

True

False

2

False

False

False

False

False

False

False

False

False

False

False

3

False

False

False

False

False

False

False

False

False

True

False

4

False

False

False

False

False

False

False

False

False

False

False

5

False

False

False

False

False

False

False

False

False

True

False

【总结】上面的操作都是数据分析中对于数据本身的观察

【思考】对于一个数据，还可以从哪些方面来观察？找找答案，这个将对下面的数据分析有很大的帮助

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
#写入代码
df.to_csv('train_chinese.csv')

【总结】数据的加载以及入门，接下来就要接触数据本身的运算，我们将主要掌握numpy和pandas在工作和项目场景的运用。

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：pandas基础

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DataFrame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]
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
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
#写入代码
df = pd.read_csv('C:/Users/17869/动手学数据分析-组队学习版/第一单元项目集合/train.csv')
df.head()



PassengerId

Survived

Pclass

Name

Sex

Age

SibSp

Parch

Ticket

Fare

Cabin

Embarked

0

1

0

3

Braund, Mr. Owen Harris

male

22.0

1

0

A/5 21171

7.2500

NaN

S

1

2

1

1

Cumings, Mrs. John Bradley (Florence Briggs Th...

female

38.0

1

0

PC 17599

71.2833

C85

C

2

3

1

3

Heikkinen, Miss. Laina

female

26.0

0

0

STON/O2. 3101282

7.9250

NaN

S

3

4

1

1

Futrelle, Mrs. Jacques Heath (Lily May Peel)

female

35.0

1

0

113803

53.1000

C123

S

4

5

0

3

Allen, Mr. William Henry

male

35.0

0

0

373450

8.0500

NaN

S

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数据的每列的项
#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"这列的所有项 [有多种方法]
#写入代码
df['Cabin'].head()
0     NaN
1     C85
2     NaN
3    C123
4     NaN
Name: Cabin, dtype: object
#写入代码
df.Cabin.head()
0     NaN
1     C85
2     NaN
3    C123
4     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

#写入代码
test_1 = pd.read_csv('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

#写入代码
del test_1['a']
test_1.head()



Unnamed: 0

PassengerId

Survived

Pclass

Name

Sex

Age

SibSp

Parch

Ticket

Fare

Cabin

Embarked

0

0

1

0

3

Braund, Mr. Owen Harris

male

22.0

1

0

A/5 21171

7.2500

NaN

S

1

1

2

1

1

Cumings, Mrs. John Bradley (Florence Briggs Th...

female

38.0

1

0

PC 17599

71.2833

C85

C

2

2

3

1

3

Heikkinen, Miss. Laina

female

26.0

0

0

STON/O2. 3101282

7.9250

NaN

S

3

3

4

1

1

Futrelle, Mrs. Jacques Heath (Lily May Peel)

female

35.0

1

0

113803

53.1000

C123

S

4

4

5

0

3

Allen, Mr. William Henry

male

35.0

0

0

373450

8.0500

NaN

S

【思考】还有其他的删除多余的列的方式吗？

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
#写入代码
df.drop(['PassengerId','Name','Age','Ticket'], axis = 1).head()



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

【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。
#写入代码
df[df["Age"] < 10].head()



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

21.0750

NaN

S

10

11

1

3

Sandstrom, Miss. Marguerite Rut

female

4.0

1

1

PP 9549

16.7000

G6

S

16

17

0

3

Rice, Master. Eugene

male

2.0

4

1

382652

29.1250

NaN

Q

24

25

0

3

Palsson, Miss. Torborg Danira

female

8.0

3

1

349909

21.0750

NaN

S

43

44

1

2

Laroche, Miss. Simonne Marie Anne Andree

female

3.0

1

2

SC/Paris 2123

41.5792

NaN

C

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
#写入代码
midage = df[(df["Age"] > 10) & (df["Age"]<50)]
midage.head()



PassengerId

Survived

Pclass

Name

Sex

Age

SibSp

Parch

Ticket

Fare

Cabin

Embarked

0

1

0

3

Braund, Mr. Owen Harris

male

22.0

1

0

A/5 21171

7.2500

NaN

S

1

2

1

1

Cumings, Mrs. John Bradley (Florence Briggs Th...

female

38.0

1

0

PC 17599

71.2833

C85

C

2

3

1

3

Heikkinen, Miss. Laina

female

26.0

0

0

STON/O2. 3101282

7.9250

NaN

S

3

4

1

1

Futrelle, Mrs. Jacques Heath (Lily May Peel)

female

35.0

1

0

113803

53.1000

C123

S

4

5

0

3

Allen, Mr. William Henry

male

35.0

0

0

373450

8.0500

NaN

S

【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
#写入代码
midage = midage.reset_index(drop = True)
midage.head()



PassengerId

Survived

Pclass

Name

Sex

Age

SibSp

Parch

Ticket

Fare

Cabin

Embarked

0

1

0

3

Braund, Mr. Owen Harris

male

22.0

1

0

A/5 21171

7.2500

NaN

S

1

2

1

1

Cumings, Mrs. John Bradley (Florence Briggs Th...

female

38.0

1

0

PC 17599

71.2833

C85

C

2

3

1

3

Heikkinen, Miss. Laina

female

26.0

0

0

STON/O2. 3101282

7.9250

NaN

S

3

4

1

1

Futrelle, Mrs. Jacques Heath (Lily May Peel)

female

35.0

1

0

113803

53.1000

C123

S

4

5

0

3

Allen, Mr. William Henry

male

35.0

0

0

373450

8.0500

NaN

S

midage.loc[[99], ['Pclass','Sex']]



Pclass

Sex

99

2

male

【思考】这个reset_index()函数的作用是什么？如果不用这个函数，下面的任务会出现什么情况？

未调用函数 reset_index() 的原代码，索引值混乱

1.5.4 任务四：将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来
#写入代码
midage.loc[[99,104,107], ['Pclass','Name','Sex']]



Pclass

Name

Sex

99

2

Navratil, Mr. Michel ("Louis M Hoffman")

male

104

3

Corn, Mr. Harry

male

107

3

Bengtsson, Mr. John Viktor

male

【提示】使用pandas提出的简单方式，你可以看看loc方法

对比整体的数据位置，你有发现什么问题吗？那么如何解决？

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
#写入代码
midage.iloc[[99,104,107], [2,3,4]]



Pclass

Name

Sex

99

2

Navratil, Mr. Michel ("Louis M Hoffman")

male

104

3

Corn, Mr. Harry

male

107

3

Bengtsson, Mr. John Viktor

male

loc是按照索引名称进行检索，iloc按照行数检索（从0开始）

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
#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()



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

0

1

0

3

Braund, Mr. Owen Harris

male

22.0

1

0

A/5 21171

7.2500

NaN

S

1

2

1

1

Cumings, Mrs. John Bradley (Florence Briggs Th...

female

38.0

1

0

PC 17599

71.2833

C85

C

2

3

1

3

Heikkinen, Miss. Laina

female

26.0

0

0

STON/O2. 3101282

7.9250

NaN

S

3

4

1

1

Futrelle, Mrs. Jacques Heath (Lily May Peel)

female

35.0

1

0

113803

53.1000

C123

S

4

5

0

3

Allen, Mr. William Henry

male

35.0

0

0

373450

8.0500

NaN

S

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

frame = pd.DataFrame(np.arange(8).reshape((2, 4)), 
 index=['2', '1'], 
 columns=['d', 'a', 'b', 'c'])
frame



d

a

b

c

2

0

1

2

3

1

4

5

6

7

【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

【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，降序排列

#回答代码
# 可以看到sort_values这个函数中by参数指向要排列的列，ascending参数指向排序的方式（升序还是降序）
frame.sort_values(by='c', ascending = False)



d

a

b

c

1

4

5

6

7

2

0

1

2

3

【思考】通过书本你能说出Pandas对DataFrame数据的其他排序方式吗？

【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

#代码
frame.sort_index()



d

a

b

c

1

4

5

6

7

2

0

1

2

3

2.让列索引升序排序

#代码
frame.sort_index(axis = 1)



a

b

c

d

2

1

2

3

0

1

5

6

7

4

3.让列索引降序排序

#代码
frame.sort_index(axis = 1, ascending=False )



d

c

b

a

2

0

3

2

1

1

4

7

6

5

4.让任选两列数据同时升序排序

#代码
frame.sort_values(by=['a', 'c'])



d

a

b

c

2

0

1

2

3

1

4

5

6

7

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

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



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

679

680

1

1

Cardeza, Mr. Thomas Drake Martinez

male

36.0

0

1

PC 17755

512.3292

B51 B53 B55

C

258

259

1

1

Ward, Miss. Anna

female

35.0

0

0

PC 17755

512.3292

NaN

C

737

738

1

1

Lesurer, Mr. Gustave J

male

35.0

0

0

PC 17755

512.3292

B101

C

438

439

0

1

Fortune, Mr. Mark

male

64.0

1

4

19950

263.0000

C23 C25 C27

S

341

342

1

1

Fortune, Miss. Alice Elizabeth

female

24.0

3

2

19950

263.0000

C23 C25 C27

S

88

89

1

1

Fortune, Miss. Mabel Helen

female

23.0

3

2

19950

263.0000

C23 C25 C27

S

27

28

0

1

Fortune, Mr. Charles Alexander

male

19.0

3

2

19950

263.0000

C23 C25 C27

S

742

743

1

1

Ryerson, Miss. Susan Parker "Suzette"

female

21.0

2

2

PC 17608

262.3750

B57 B59 B63 B66

C

311

312

1

1

Ryerson, Miss. Emily Borie

female

18.0

2

2

PC 17608

262.3750

B57 B59 B63 B66

C

299

300

1

1

Baxter, Mrs. James (Helene DeLaudeniere Chaput)

female

50.0

0

1

PC 17558

247.5208

B58 B60

C

118

119

0

1

Baxter, Mr. Quigg Edmond

male

24.0

0

1

PC 17558

247.5208

B58 B60

C

380

381

1

1

Bidois, Miss. Rosalie

female

42.0

0

0

PC 17757

227.5250

NaN

C

716

717

1

1

Endres, Miss. Caroline Louise

female

38.0

0

0

PC 17757

227.5250

C45

C

700

701

1

1

Astor, Mrs. John Jacob (Madeleine Talmadge Force)

female

18.0

1

0

PC 17757

227.5250

C62 C64

C

557

558

0

1

Robbins, Mr. Victor

male

NaN

0

0

PC 17757

227.5250

NaN

C

527

528

0

1

Farthing, Mr. John

male

NaN

0

0

PC 17483

221.7792

C95

S

377

378

0

1

Widener, Mr. Harry Elkins

male

27.0

0

2

113503

211.5000

C82

C

779

780

1

1

Robert, Mrs. Edward Scott (Elisabeth Walton Mc...

female

43.0

0

1

24160

211.3375

B3

S

730

731

1

1

Allen, Miss. Elisabeth Walton

female

29.0

0

0

24160

211.3375

B5

S

689

690

1

1

Madill, Miss. Georgette Alexandra

female

15.0

0

1

24160

211.3375

B5

S

【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。

多做几个数据的排序

#代码
text.sort_values(by=['仓位等级'], ascending=True).head(20)



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

445

446

1

1

Dodge, Master. Washington

male

4.00

0

2

33638

81.8583

A34

S

310

311

1

1

Hays, Miss. Margaret Bechstein

female

24.00

0

0

11767

83.1583

C54

C

309

310

1

1

Francatelli, Miss. Laura Mabel

female

30.00

0

0

PC 17485

56.9292

E36

C

307

308

1

1

Penasco y Castellana, Mrs. Victor de Satode (M...

female

17.00

1

0

PC 17758

108.9000

C65

C

306

307

1

1

Fleming, Miss. Margaret

female

NaN

0

0

17421

110.8833

NaN

C

305

306

1

1

Allison, Master. Hudson Trevor

male

0.92

1

2

113781

151.5500

C22 C26

S

710

711

1

1

Mayne, Mlle. Berthe Antonine ("Mrs de Villiers")

female

24.00

0

0

PC 17482

49.5042

C90

C

711

712

0

1

Klaber, Mr. Herman

male

NaN

0

0

113028

26.5500

C124

S

311

312

1

1

Ryerson, Miss. Emily Borie

female

18.00

2

2

PC 17608

262.3750

B57 B59 B63 B66

C

712

713

1

1

Taylor, Mr. Elmer Zebley

male

48.00

1

0

19996

52.0000

C126

S

298

299

1

1

Saalfeld, Mr. Adolphe

male

NaN

0

0

19988

30.5000

C106

S

297

298

0

1

Allison, Miss. Helen Loraine

female

2.00

1

2

113781

151.5500

C22 C26

S

295

296

0

1

Lewy, Mr. Ervin G

male

NaN

0

0

PC 17612

27.7208

NaN

C

716

717

1

1

Endres, Miss. Caroline Louise

female

38.00

0

0

PC 17757

227.5250

C45

C

291

292

1

1

Bishop, Mrs. Dickinson H (Helen Walton)

female

19.00

1

0

11967

91.0792

B49

C

290

291

1

1

Barber, Miss. Ellen "Nellie"

female

26.00

0

0

19877

78.8500

NaN

S

571

572

1

1

Appleton, Mrs. Edward Dale (Charlotte Lamson)

female

53.00

2

0

11769

51.4792

C101

S

299

300

1

1

Baxter, Mrs. James (Helene DeLaudeniere Chaput)

female

50.00

0

1

PC 17558

247.5208

B58 B60

C

284

285

0

1

Smith, Mr. Richard William

male

NaN

0

0

113056

26.0000

A19

S

708

709

1

1

Cleaver, Miss. Alice

female

22.00

0

0

113781

151.5500

NaN

S

#写下你的思考 按照仓位等级进行升序排列，等级越高的仓位（1级），相对应的存活率越高，20个人中存活16个

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

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



a

b

c

one

0.0

1.0

2.0

two

3.0

4.0

5.0

three

6.0

7.0

8.0

frame1_b



a

e

c

first

0.0

1.0

2.0

one

3.0

4.0

5.0

two

6.0

7.0

8.0

second

9.0

10.0

11.0

将frame_a和frame_b进行相加

#代码
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

【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。

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['兄弟姐妹个数'] + text['父母子女个数'])
10

【提醒】我们只需找出”兄弟姐妹个数“和”父母子女个数“之和最大的数，当然你还可以想出很多方法和思考角度，欢迎你来说出你的看法。

多做几个数据的相加，看看你能分析出什么？

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

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



one

two

a

1.40

NaN

b

7.10

-4.5

c

NaN

NaN

d

0.75

-1.3

调用 describe 函数，观察frame2的数据基本信息

'''
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
'''
'\ncount : 样本数据大小\nmean : 样本数据的平均值\nstd : 样本数据的标准差\nmin : 样本数据的最小值\n25% : 样本数据25%的时候的值\n50% : 样本数据50%的时候的值\n75% : 样本数据75%的时候的值\nmax : 样本数据的最大值\n'
#代码
frame2.describe()



one

two

count

3.000000

2.000000

mean

3.083333

-2.900000

std

3.493685

2.262742

min

0.750000

-4.500000

25%

1.075000

-3.700000

50%

1.400000

-2.900000

75%

4.250000

-2.100000

max

7.100000

-1.300000

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
'''
#代码
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

【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。

当然，答案只是我的想法，你还可以有更多想法，欢迎写在你的学习笔记中。

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。

多做几个组数据的统计，看看你能分析出什么？

# 写下你的其他分析
text['父母子女个数'].describe()
count    891.000000
mean       0.381594
std        0.806057
min        0.000000
25%        0.000000
50%        0.000000
75%        0.000000
max        6.000000
Name: 父母子女个数, dtype: float64

【思考】有更多想法，欢迎写在你的学习笔记中。

对于父母子女个数分析的话，
一共有891个数据，
平均值约为：0.381，
最小值是0，
最大值是6

【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。