动手学数据分析之数据加载
1.1 载入数据
1.1.1 导入numpy和pandas
import numpy as np
import pandas as pd
1.1.2 ：载入数据
(1)
使用相对路径载入数据
df=pd.read_csv("train.csv")
打印载入数据前4行
df.head(4)
结果：
image.png
注意：df.head()会将表格中的第一行看作列名，并默认输出之后的五行，在head后面的括号里面直接写你想要输出的行数也行，比如6，8之类的
（2)
【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？
df=pd.read_table('train.csv')
df.head(3)
结果：
image.png
通过查阅资料得知：read_csv和read_table的区别在于separator分隔符。
read_csv是逗号分隔值，仅能正确读入以 “,” 分割的数据。read_table的分隔符是tab。如果想让pd.read_csv()和pd.read_table()打印的效果一样，可以通过参数（sep或delimiter）设置区分符。
df=pd.read_table('train.tsv',sep=',')
df.head(4)
结果：
image.png
1.1.3 每1000行为一个数据模块，逐块读取
chunker=pd.read_csv('train.csv',chunksize=1000)
image.png
结论：当文件太大时，可用chunksize指定大小逐块读取文件，返回的是一个可迭代的对象TextFileReader
1.1.4 ：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
df=pd.read_csv('train.csv',names=['乘客ID','是否幸存','乘客等级','乘客姓名','性别','年龄','堂兄弟/妹个数','父母与小孩个数','船票信息','票价','客舱','登船港口'],index_col=0,header=0)
df.head()
结果：
image.png
1.2 初步观察
1.2.1 查看数据的基本信息
df.info()
结果：
image.png
1.2.2 观察表格前10行的数据和后15行的数据
(1)表格前10行的数据
df.head(10)
image.png
表格后15行的数据
df.tail(15)
image.png
1.2.4 判断数据是否为空，为空的地方返回True，其余地方返回False
df.isnull().head()
image.png
1.3 保存数据
1.3.1 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
df.to_csv('train_chinese.csv')
结果：
image.png
2 数据载入及初步观察
2.1.1 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
(1)Series相当于数组numpy.array类似
import pandas as df
array=df.Series([1,2,3,4,5])
结果：
image.png
(2） DataFrame相当于有表格，有行表头和列表头
import numpy as np
import pandas as df
array=df.DataFrame(np.random.rand(4,5),index=list("ABCD"),columns=list('abcde'))
结果
image.png
2.1.2 载入"train.csv"文件
import numpy as np
import pandas as pd
df = pd.read_csv('train.csv')
结果
image.png
2.1.3 查看DataFrame数据的每列的项
df.columns
结果：
image.png
2.1.4 查看"cabin"这列的项
(1)
df['Cabin'].head()
image.png
(2)
df.Cabin.head()
image.png
2.1.5 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
test_1 = pd.read_csv('test_1.csv')
test_1.head()
结果
image.png
删除多出列
del test_1['a']
test_1.head()
结果
2.1.6 将['PassengerId','Name','Age','Ticket']这几个列元素隐藏，只观察其他几个列元素
df.drop(['PassengerId','Name','Age','Ticket'],axis=1).head(3)
image.png
2.2 筛选的逻辑
2.2.1 我们以"Age"为筛选条件，显示年龄在10岁以下的乘客信息。
df[df["Age"]<10].head()
结果
image.png
2.2.2 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
midage = df[(df["Age"]>10)& (df["Age"]<50)]
midage.head(3)
结果
image.png
2.2.3 将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来
midage = midage.reset_index(drop=True)
midage.head(3)
midage.loc[[100],['Pclass','Sex']]
结果
image.png
2.2.4：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
midage.loc[[100,105,108],['Pclass','Name','Sex']]
结果
2.2.5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
midage.iloc[[100,105,108],[2,3,4]]
image.png
3 探索性数据分析
3.1.1 ：利用Pandas对示例数据进行排序，要求升序
text = pd.read_csv('train_chinese.csv')
text.head()
frame = pd.DataFrame(np.arange(8).reshape((2, 4)),
index=['2', '1'],
columns=['d', 'a', 'b', 'c'])
image.png
3.1.2：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）
text.sort_values(by=['票价', '年龄'], ascending=False).head(3)
image.png
3.1.3利用Pandas进行算术计算，计算两个DataFrame数据相加结果
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
frame1_b
frame1_a+frame1_b
image.png
3.1.4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
text = pd.read_csv('train_chinese.csv')
text.sort_values(by=['堂兄弟/妹个数','父母与小孩个数'],ascending=False).head()
text.sort_values(by=['父母与小孩个数','堂兄弟/妹个数'],ascending=False).head()
image.png
image.png
3.1.5：学会使用Pandas describe()函数查看数据基本统计信息
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.describe()
frame2.describe()
3.1.6：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？
text['父母与小孩个数'].describe()
image.png
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
