简书展示jupyter notebook的分布输出结果有问题，需要看分步结果的可以到我的CSND博客
https://blog.csdn.net/Itachi_dream
#!/usr/bin/env python
# coding: utf-8
# TI=FIFA2018球员数据分析
# 明确分析目的
# 运动员数量前十名的国家，以及平均身价
# 各大联赛运动员数量，以及球员平均身价
# 各俱乐部的平均周薪
# 英超联赛English Premier League各个俱乐部球员的平均周薪
# 球员年龄分布情况，不同年龄段平均身价分布
# 引入使用的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 加载数据文件
df = pd.read_csv('./FIFA_2018_player.csv')
# 查看数据具有哪些列，什么类型
df.info()
# 可见共17994行，league和club有缺失值
df.head()
df.describe()
df.count()
# 可见league 和 club有缺失值
# 对于本次的分析目的，其实在加载数据时就可以只加载部分列
# 选出部分列 ID nationality league club age eur_value eur_wage
# 分析的是FIFA2018的数据，age按当年数据计算，birth_date省略
df = df[['ID', 'nationality', 'league', 'club', 'age', 'eur_value', 'eur_wage']]
df
df[df.league.isnull()]
# 可以看到联赛、俱乐部是空值，同时这些条目的身价、周薪都是0
# 删除数据一般在后面进行，但四行数据都异常可以先删除
df.drop(df[df.league.isnull()].index,inplace=True)
# 查看删除后情况
df.count()
# 查看数据中数值、浮点型数据整体信息
df.describe()
# 经查看，eur_value 在最小值上有问题，0.000000e+00
# 筛选一下数据，查看eur_value == 0.000000e+00的有多少
df[df['eur_value'] == 0.000000e+00].count()
# eur_value == 0.000000e+00的有6条
df[df['eur_value'] == 0.000000e+00]
# 使用平均值填充这些身价为0的数据
# df[df['eur_value'] == 0.000000e+00].loc[:,'eur_value'] = 2.404317e+06 警告
# 使用平均值填充这些身价为0的数据
df['eur_value'].replace(0, df['eur_value'].mean(), inplace = True)
df.describe()
# 可见数据已经填充成功
# 检查是否有整个条目完全重复值，若有则展示
df[df.duplicated()]
# 检查指定列是否有重复值
df[df['ID'].duplicated()]
# 查看分类统计值是否有不合逻辑的类名
df['league'].value_counts()
# 数据清洗完毕，开始分析
# 样本总数
df.count()
# 数值类型列统计学指标
df.describe()
# 运动员数量前十名的国家
nationality_data = df.groupby('nationality', as_index = False) #拿出按国家分组的数据
nat_count = nationality_data.count()[['nationality','ID']] #计数,拿出国家和ID两列
nat_count.rename(columns = {'ID':'ath_count'}, inplace = True) #对列名重命名
nat_head10 = nat_count.sort_values('ath_count', ascending = False).head(10)#降序排序，取前十
nat_head10
# 运动员数量前十名的国家及其平均球员身价
nat_val_mean = nationality_data[['nationality','eur_value']].mean()
nat_val_mean.rename(columns = {'eur_value':'val_mean'})
nat_head10_val_mean = pd.merge(nat_head10,nat_val_mean, on = 'nationality', how = 'left')
nat_head10_val_mean
# 各大联赛运动员数量，以及球员平均身价(操作方式与上述方法类似)
league_data = df.groupby('league', as_index = False)
league_count = league_data.count()[['league','ID']].rename(columns = {'ID':'ath_count'})
league_count.rename(columns = {'ID':'ath_count'}).sort_values('ath_count', ascending = False)
lea_val_mean = league_data[['league','eur_value']].mean().rename(columns = {'eur_value':'val_mean'})
lea_val_mean = pd.merge(league_count, lea_val_mean, on = 'league', how = 'left')
lea_val_mean
# 各俱乐部的平均周薪
club_data = df.groupby('club', as_index = False)
club_wage_mean = club_data.mean()[['club','eur_wage']]
club_wage_mean.rename(columns = {'eur_wage':'wage_mean'},inplace = True)
club_wage_mean.sort_values('wage_mean', ascending = False, inplace = True)
club_wage_mean
# 英超联赛English Premier League
EPL_data = df[df['league'] == 'English Premier League']
EPL_data.describe()
# 英超联赛English Premier League各个俱乐部球员的平均周薪
EPL_club = EPL_data.groupby('club', as_index = False)
EPL_club_wage_mean = EPL_club.mean()[['club','eur_wage']]
EPL_club_wage_mean.rename(columns = {'eur_wage':'wage_mean'}, inplace = True)
EPL_club_wage_mean.sort_values('wage_mean', ascending = False, inplace = True)
EPL_club_wage_mean
# 球员年龄分布情况，不同年龄段平均身价分布
# ⽣成桶，5岁⼀个分桶，根据上述统计数据可知最⼩16岁，最⼤47
bins = np.arange(15, 50, 5)
bins_data = pd.cut(df['age'], bins)
bin_counts = df['age'].groupby(bins_data).count()
print(bin_counts)
# 可以使用matplotlib粗看一下作图效果，以便在正式出图前作调整
bin_counts.plot(kind='pie')
