DataWhale-(动手学数据分析)-Task01(数据加载及探索性数据分析)-202201

动手学数据分析 1第一节：数据加载 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

import numpy as np
import pandas as pd

1.1.2 任务二：载入数据

df=pd.read_csv('train.csv')
df.head(3)

1.1.3 任务三：每1000行一个数据模块，逐块读取

chunker = pd.read_csv('train.csv',chunksize=1000)

1.1.4 任务四：将表头改成中文，索引改为乘客ID

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()

1.2 初步观察 1.2.1 任务一：查看数据的基本信息

df.info()

1.2.2 任务二：观察表格前10行的数据和后15行的数据

df.head(10)

df.tail(15)

1.2.3 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

df.isnull().head()

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

df.to_csv('train_chinese.csv', encoding='utf-8')

第二节：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

import numpy as np
import pandas as pd

sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
example_1 = pd.Series(sdata)
example_1

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

1.4.2 任务二：载入"train.csv"文件

df = pd.read_csv('train.csv')
df.head(3)

1.4.3 任务三：查看Dataframe数据的每列的名称

df.columns

1.4.4 任务四：查看"Cabin"这列的值

df['Cabin'].head(10)
df.Cabin.head(3)

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

test_1 = pd.read_csv('test_1.csv')
test_1.head(3)

# 删除多余的列
del test_1['a']
test_1.head(3)

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

df.drop(['PassengerId','Name','Age','Ticket'],axis=1).head(3)

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。

df[df["Age"]<10].head(3)

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

midage = df[(df["Age"]>10)& (df["Age"]<50)]
midage.head(3)

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

midage.iloc[100][['Pclass','Sex']]

1.5.4 任务四：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]][['Pclass','Name','Sex']]

第三节：探索性数据分析

#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()

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

#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'])

# 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，升序排列
frame.sort_values(by='c', ascending=True)

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），从数据中你能发现什么

text.sort_values(by=['票价', '年龄'], ascending=False).head(3)

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'])

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？

text['票价'].describe()