课程链接:一起学数据分析 kaggle 泰坦尼克任务1_哔哩哔哩_bilibili
泰坦尼克预测
- Training set (train.csv) 训练集:用于建立机器学习模型
- Test set (test.csv) 测试集:测试模型的
第一步:导入数据
任务一:导入numpy和pandas
- Numpy:python的扩展程序库
- Pandas:用于分析数据的开源工具,程序库(有pandas中文版)
任务二:载入数据
- 使用相对数据:pd.read.csv('train.csv')
- 使用绝对数据:os.path.abspath('')
- pd.read.csv()和pd.read_table()的不同:1)read_csv和read_table都是加载带分隔符的数据,每个分隔符作为一个数据的标志,但二者读出来的数据格式不同,read_table是以制表符t作为数据的标志,以行为单位储存,read_csv以逗号作为分隔;2)想达到相同效果,可以通过更改默认的分隔符sep,pd.read_table(path, sep=",")
任务三:读取逐块数据
- 读取csv文件后,通过get_chunk得到成块数据,注意被读取的数据类型要是dataframe
任务四:将表头改为中文
- 方法一:改列名a, b为A, B:df.columns = ['A','B']; 只改列名a为A:df.rename(columns={'a','A'})
- 方法二:读取csv文件时直接重命名:df = pd.read_csv('train.csv', names=[ ])
df表示dataframe对象:
- df.info():#打印摘要
- df.describe():#描述性统计信息
十分钟入门 Pandas | Pandas 中文
1.4 pandas的两个数据类型:dataframe和series
- dataframe:二维带标签的数据结构,dataframe可以用seires字典生成
- series:一维
重复“carbin”列的所有项
- df.Cabin :dtype: Series
- df['Cabin']:使用索引
用含日期时间索引与标签的NumPy数组生成DataFrame
dates = pd.date_range('20130101',periods=6)
df = pd.DataFrame(np.random.randn(6,4), index=dates,columns=list('ABCD'))
df
dataframe排列:
pandas.DataFrame.sort_values — pandas 1.4.2 documentation
- 按列索引升序排列
df.sort_values("B")
- 按行索引升序排列
df.sort_index()
- 按行索引,降序排序:默认axis=0,按列索引
df.sort_index(axis=1, ascending=False)
- 按年龄和票价综合将序排序
test_1.sort_values(['Age','Fare'], ascending=False)
- 船上最大的家族有多少人
max(test_1['SibSp']+test_1['Parch'])
用descirbe函数查看数据的基本统计信息
- 使用直方图
from matplotlib import pyplot as plt plt.hist(test_1['Age'])
- 查看‘票价’的基本统计信息
test_1['Fare'].describe()
总结:
第一章的学习主要是学习如何载入数据以及如何查看数据的基本信息,如平均值,标准差,最大最小值,并学习了数据如何相加和删减,学习对数据进行基本操作,为后面进行数据分析打基础。



