Chapter 17
1 第一章：探索性数据分析
NotebookPython 336 cells
复习：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
In [1]python · cell 4
python
#加载所需的库
import numpy as np
import pandas as pdIn [2]python · cell 5
python
#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()Output
乘客ID 是否幸存 仓位等级 姓名 \
0 1 0 3 Braund, Mr. Owen Harris
1 2 1 1 Cumings, Mrs. John Bradley (Florence Briggs Th...
2 3 1 3 Heikkinen, Miss. Laina
3 4 1 1 Futrelle, Mrs. Jacques Heath (Lily May Peel)
4 5 0 3 Allen, Mr. William Henry
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 male 22.0 1 0 A/5 21171 7.2500 NaN S
1 female 38.0 1 0 PC 17599 71.2833 C85 C
2 female 26.0 0 0 STON/O2. 3101282 7.9250 NaN S
3 female 35.0 1 0 113803 53.1000 C123 S
4 male 35.0 0 0 373450 8.0500 NaN S
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 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
In [3]python · cell 8
python
# 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'])
frameOutput
d a b c 2 0 1 2 3 1 4 5 6 7
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 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
In [4]python · cell 10
python
# 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)Output
d a b c 2 0 1 2 3 1 4 5 6 7
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| d | a | b | c | |
|---|---|---|---|---|
| 2 | 0 | 1 | 2 | 3 |
| 1 | 4 | 5 | 6 | 7 |
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）
【总结】下面将不同的排序方式做一个小总结
In [5]python · cell 13
python
# 让行索引升序排序
frame.sort_index()Output
d a b c 1 4 5 6 7 2 0 1 2 3
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| d | a | b | c | |
|---|---|---|---|---|
| 1 | 4 | 5 | 6 | 7 |
| 2 | 0 | 1 | 2 | 3 |
In [6]python · cell 14
python
# 让列索引升序排序
frame.sort_index(axis=1)Output
a b c d 2 1 2 3 0 1 5 6 7 4
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| a | b | c | d | |
|---|---|---|---|---|
| 2 | 1 | 2 | 3 | 0 |
| 1 | 5 | 6 | 7 | 4 |
In [7]python · cell 15
python
# 让列索引降序排序
frame.sort_index(axis=1, ascending=False)Output
d c b a 2 0 3 2 1 1 4 7 6 5
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| d | c | b | a | |
|---|---|---|---|---|
| 2 | 0 | 3 | 2 | 1 |
| 1 | 4 | 7 | 6 | 5 |
In [9]python · cell 16
python
# 让任选两列数据同时降序排序
frame.sort_values(by=['a', 'c'], ascending=False)Output
d a b c 1 4 5 6 7 2 0 1 2 3
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| d | a | b | c | |
|---|---|---|---|---|
| 1 | 4 | 5 | 6 | 7 |
| 2 | 0 | 1 | 2 | 3 |
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
In [21]python · cell 18
python
'''
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(3)Output
乘客ID 是否幸存 仓位等级 姓名 性别 年龄 \
679 680 1 1 Cardeza, Mr. Thomas Drake Martinez male 36.0
258 259 1 1 Ward, Miss. Anna female 35.0
737 738 1 1 Lesurer, Mr. Gustave J male 35.0
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 0 1 PC 17755 512.3292 B51 B53 B55 C
258 0 0 PC 17755 512.3292 NaN C
737 0 0 PC 17755 512.3292 B101 C
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 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 |
【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。
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
In [12]python · cell 21
python
# 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
#建立一个例子
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_aOutput
a b c one 0.0 1.0 2.0 two 3.0 4.0 5.0 three 6.0 7.0 8.0
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| a | b | c | |
|---|---|---|---|
| one | 0.0 | 1.0 | 2.0 |
| two | 3.0 | 4.0 | 5.0 |
| three | 6.0 | 7.0 | 8.0 |
In [13]python · cell 22
python
frame1_bOutput
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
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 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 |
In [14]python · cell 23
python
#将frame_a和frame_b进行相加
frame1_a + frame1_bOutput
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
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 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？
In [15]python · cell 26
python
'''
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'])Output
10
是的，如上，很简单，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就行，先让这两列相加返回一个DataFrame，然后用max函数求出最大值，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。
1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息
In [16]python · cell 29
python
#(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
#建立一个例子
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'])
frame2Output
one two a 1.40 NaN b 7.10 -4.5 c NaN NaN d 0.75 -1.3
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| one | two | |
|---|---|---|
| a | 1.40 | NaN |
| b | 7.10 | -4.5 |
| c | NaN | NaN |
| d | 0.75 | -1.3 |
In [18]python · cell 30
python
# 调用 describe 函数，观察frame2的数据基本信息
frame2.describe()
'''
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
'''Output
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
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 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？
In [20]python · cell 32
python
'''
看看泰坦尼克号数据集中 票价 这列数据的基本统计数据
'''
text['票价'].describe()Output
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， 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。 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。
In [21]python · cell 34
python
'''
通过上面的例子，我们再看看泰坦尼克号数据集中 父母子女个数 这列数据的基本统计数据，然后可以说出你的想法
'''
text['父母子女个数'].describe()Output
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。
【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。