python中的数据分析（juypter）

加载数据后的套路

df.head()
df.info()
df.describe()

选择部分数据

df[[要选中的列名的列表]]
df.loc[,]
df.iloc[,]
df.query()

增加

df[新列名] = [新值]
df.insert(loc , column,value =)

删除

df.drop()
df.drop_duplicates()

axis =0 可以改成1

inplace

修改数据

df.iloc[0,0] = 10
def func(x):
    return x
s.apply(func) # 自定义处理，当修改的逻辑比较复杂的时候
df.apply(func ,axis = )
df.replace(to_replace = ,value=)

修改表结构

index

df.set_index() # 把df中一列数据变成行索引
df.reset_index() # 重置索引， 当前的索引会变成数据中的一列， 会添加一个从0开始计数的整数索引
df.rename(index = {}，columns={})
df.columns = []
df.index = []

df.replace/df.rename 共同的特点， 老的值没找到， 不会报错， 正常执行， 不会改值

df.insert 是修改数据的API中， 没有inplace 参数的一个 ， 直接在原来数据上进行修改

s.value_counts()

s.unique()

s.sort_values()

1 常用排序和统计函数

1 排序

sort_values()

# by 指定排序的字段  可以传入列表，做多字段排序， 比如下面的例子， 当价格相同的时候， 价格相同的数据再按面积排序
# ascending 也可以传入列表，长度更by 的列表相同， 多字段排序的时候， 每个字段是升序还是降序排可以手动指定
df.sort_values(by=['价格','面积'],ascending=False)

nlargest()

nsmallest()

df.nlargest(5,columns=['价格'])  # 价格 n个最大的
df.nsmallest(5,columns=['价格'])  # n个最小的

2 统计函数

df.corr() 计算相关性， 判断两列数据是否同增同减

• 如果两列变量 一个增加， 另外一个也增加， 一个减少另外一个也减少， 说明他们之间具备正相关性 ， 计算出来的相关系数>0 相关系数>0.7 强相关 0.3~0.7 之间 具有相关性 <0.3 相关性比较弱

• 如果两列变量 一个增加， 另外一个减少， 一个减少另外一个增加， 说明他们之间具备负相关性

相关性的应用场景

• 用来判断不同数据之间是否有关联， 如果两列数据相关性比较强， 说明他们之间可能具有因果关系

• 在数据分析过程中， 归因分析是比较重要的， 做归因可以从计算相关性开始进行分析

• 相关不等于因果

df.min() 最小 df.max() 最大 df.mean() 平均 df.std() 标准差 df.sum() 求和

• 计算这些统计量的时候， 如果df中又多列数值型的数据， 既可以按行计算， 也可以按列计算， 通过传入0,1来进行控制

2 缺失值处理

2.1 认识缺失值， Pandas如何表示缺失值

from numpy import NaN,NAN,nan

Nan 是一个特殊的float类型的数据， 它和任何值都不相等

2.2 加载数据后， 如何判断缺失值数量

pd.read_csv('C:/Develop/顺义48/day01/02_代码/data/city_day.csv',keep_default_na=True,na_values='Ahmedabad')
# keep_default_na 默认是True 数据中有空值会加载成NaN  如果改成False 空值就是空白内容  
# na_values='Ahmedabad' 可以指定 哪些值可以作为缺失值处理

如果没有特殊需求， 正常加载数据， 缺失会被加载成NAN

df.isnull() # 是空值 返回True 不是返回False
df.notnull()  # 不是空值 返回True 是返回False

计算每一列缺失值的数量

df.isnull().sum()

2.3 缺失值的处理

删除缺失值

• 使用dropna函数来删除空值，具体用法如下

  # 函数用法
  df.dropna(    
      axis=0,     
      how='any',     
      inplace=True,     
      subset=['列名',...],    
      thresh=10
  )
  
  df.drop() # 按列删除

• dropna函数参数解释

  • axis=0

    • 可选参数 ，默认为0按行删

    • 0, or 'index'：删除包含缺失值的行

    • 1, or 'columns'：删除包含缺失值的列

  • how='any'

    • 可选参数，默认为any

    • any: 如果存在NA值，则删除该行或列

    • all: 如果所有值都是NA，则删除该行或列

  • inplace=False

    • 可选参数，不建议使用这个参数

    • 默认False, 不对原数据集进行修改

    • inplce=True，对原数据集进行修改

  • subset接收一个列表

    • 接收一个列表，列表中的元素为列名: 对特定的列进行缺失值删除处理

  • thresh=n

    • 可选参数

    • 参数值为int类型，按行去除NaN值，去除NaN值后该行剩余数值的数量（列数）大于等于n，便保留这一行

缺失值填充

非时序数据

• 考虑用默认值填充

• 使用统计量进行填充 均值， 中位数，众数

pm25_mean = df2['PM2.5'].mean()
df2['PM2.5'].fillna(pm25_mean)

时序数据

• 天气数据，股票的数据

• 跟时间相关， 前一个数据和后一个数据有一定关系

时序数据填充可以考虑用前一个非空值， 后一个非空值填充，可以使用线性插值

s1 = df['Xylene'][54:64]

s1.fillna(method='ffill')

s1.fillna(method='bfill')

s1.interpolate()

3 数据类型转换

3.1 数值型和字符串之间的转换

astype()

pd.to_numeric()

import pandas as pd
df = pd.read_csv('C:/Develop/顺义48/day01/02_代码/data/city_day.csv')
df['PM2.5'] = df['PM2.5'].astype(object)

df2 = df.head().copy()
# 创造包含'missing'为缺失值的数据，批量替换第1、3、5行中NO列的值为字符串'missing'
df2.loc[::2, 'NO'] = 'missing'
df2.info()
df2['NO'].astype(float)

ValueError: could not convert string to float: 'missing'

如果一列数据中， 有数值类型，也有字符串， astype转换为数值会报错，此时可以使用to_numeric()方法， 可以把字符串转换成空值

pd.to_numeric(df2['NO'],errors='coerce')

3.2 日期时间类型

datetime64 [ns]

• 日期事件类型的列， 加载之后， 可以转换成日期事件类型， 就是datetime64[ns]

pd.to_datetime()

• 也可以在加载的时候直接指定日期列， 直接加载成日期时间类型

pd.read_csv('',parse_dates = [日期列名])

Timestamp 时间戳

• pd.to_datetime('时间点')

timedelta64 时间差值

两个时间相减

使用的时候需要注意， 如果一列数据 Series 是datetime64 、 timedelta64 的时候， 获取时间维度的相关属性需要通过

s.dt.XXX 来获取

print(df['Date'].dt.year) # 获取年
print(df['Date'].dt.month) # 月
print(df['Date'].dt.day) # 日
df['Date'].dt.quarter # 季度

s_time_delta = df['Date']-df['Date'].min()
s_time_delta.dt.days

datetime类型和timedelta类型都可以作为索引

• 好处， 方便按照时间维度筛选数据

• 方便按照时间维度进行切片操作

# Data 是日期时间类型列，  set_index 设置成行索引
df.set_index('Date', inplace=True)
# 在切片、按时间维度筛选数据之前， 先对日期时间索引排序
df = df.sort_index() # 对索引进行排序
df.loc['2018']
df.loc['2018-01-01']
df.loc['2018-02-01 22':'2018-02-02 23:59:59']

DatetimeIndex 类型 日期时间索引

计算两列日期数据的差值， 得到timedelta类型的Series可以把它设置为index 索引， 得到的是 TimedeltaIndex

df2 = df.query('City == "Delhi"')
df2.index = df2['Date']-df2['Date'].min()
df2.index
df2['3 days':'4 days']

4 分组聚合

df.grouppy([分组字段], as_index= )['聚合字段'].聚合方法()

df.grouppy([分组字段], as_index= )['聚合字段'].agg(['聚合方法名'])

df.grouppy([分组字段], as_index= ).agg({'聚合字段名':'聚合方法名','聚合字段名':'聚合方法名'})

• 分组字段，可以有1个多个， 默认分组的字段在分组的结果中会作为行索引， 如果设置了as_index = False ，分组字段会作为结果的列数据， 会使用从0开始的整数索引

• 聚合字段可以有1个多个， 可以通过agg来指定不同的字段， 使用不同的聚合方式

• 多个字段分组， 多个字段聚合， 得到的结果 MultiIndex 通过MultiIndex 做数据筛选， 传入的是元组

import pandas as pd
df = pd.read_csv('C:/Develop/顺义48/day01/02_代码/data/LJdata.csv')
#%%
df.groupby(['区域']).mean()
# FutureWarning 未来版本变化的提示， python 包版本升级之后， 可能一些方法， 或参数直接就变了， 或者删掉了
# 看到提示之后， 需要注意， 当前这份代码， pandas的版本不要升级
# python项目开发好之后， 开发时候用到的软件包， 不要升级


print(df.groupby('区域')['价格'].mean())
print(df.groupby('区域')[['价格']].mean())
df.groupby('区域')[['价格','面积']].mean()
print(df.groupby('区域')[['价格','面积']].agg(['mean','max']))
df_result= df.groupby('区域')[['价格','面积']].agg(['mean','max'])
df_result.columns
# MultiIndex([('价格', 'mean'),
#             ('价格',  'max'),
#             ('面积', 'mean'),
#             ('面积',  'max')],
#            )

print(df_result[[('价格', 'mean'),('价格',  'max')]])

df.groupby('区域').agg({'价格':'mean','面积':'max'})

df_result2 = df.groupby(['区域','户型']).agg({'价格':'mean','面积':'max'})

df_result2.index # 查看索引 当前对两个字段进行分组， 得到的是MultiIndex

df_result2.reset_index() # 重置索引

df.groupby(['区域','户型'],as_index=False).agg({'价格':'mean','面积':'max'})

DataFrameGroupby对象 （了解）

df.groupby('区域')['价格'].mean()

• df.groupby('区域') → 对象 DataFrameGroupby

df_gb = df.groupby('区域')
df_gb.groups # 可以获取所有的分组 {'区域取值':[当前取值在数据中的行索引]}
df_gb.get_group('区域取值') → 这一组对应的DataFrame数据

• df.groupby('区域')['价格'] → 对象 SeriesGroupby

自定义聚合函数

• df.groupby('分组字段')['聚合字段'].agg(自定义聚合函数对象)

## 自定义聚合函数
def my_mean(x):
    print(x)
    print('=====')
    return x.sum()/len(x)
df.groupby('区域')['价格'].agg(my_mean)

5 数据分组（分箱） pd.cut

使用场景：

• 把年龄划分成少年， 青年， 中年， 老年

• 收入划分成， 低收入， 中收入， 高收入 。。

• 价格 便宜， 中等， 贵

# 等距 每一组 边界差距， 尽量均匀
pd.cut(df['价格'],bins = 3) # bins 传入要分几组
# 可以自定义分组的边界
pd.cut(df['价格'],bins = [0,3000,8500,210000],labels=['便宜','中等','贵'])
# bins 默认区间是左开右闭合 (0,3000]  (3000,8500], (8500,210000] 需要注意最小的区间要比数据中的最小值小一些
# labels 可以指定分组之后， 每一组的名字，如果不指定默认使用的就是分组的边界的取值