【python】python3.7数据分析入门学习笔记 研读
原文:https://www.cnblogs.com/zzhzhao/p/5269217.html
目录
一、 数据分析有关的python库简介
(一)numpy
(二)pandas
(三)matplotlib
(四)scipy
(五)statsmodels
(六)scikit-learn
二、 数据的导入和导出
三、 数据筛选
四、 数据描述
五、 数据处理
六、 统计分析
七、 可视化
八、 其它
前言:各种和数据分析相关python库的介绍
(前言1~4摘抄自《利用python进行数据分析》)
1.Numpy:
Numpy是python科学计算的基础包,它提供以下功能(不限于此):
(1)快速高效的多维数组对象ndarray
(2)用于对数组执行元素级计算以及直接对数组执行数学运算的函数
(3)用于读写硬盘上基于数组的数据集的工具
(4)线性代数运算、傅里叶变换,以及随机数生成
(5)用于将C、C++、Fortran代码集成到python的工具
2.pandas
pandas提供了使我们能够快速便捷地处理结构化数据的大量数据结构和函数。pandas兼具Numpy高性能的数组计算功能以及电子表格和关系型数据(如SQL)灵活的数据处理能力。它提供了复杂精细的索引功能,以便更为便捷地完成重塑、切片和切块、聚合以及选取数据子集等操作。
对于金融行业的用户,pandas提供了大量适用于金融数据的高性能时间序列功能和工具。
DataFrame是pandas的一个对象,它是一个面向列的二维表结构,且含有行标和列标。
ps.引用一段网上的话说明DataFrame的强大之处:
Excel 2007及其以后的版本的最大行数是1048576,最大列数是16384,超过这个规模的数据Excel就会弹出个框框“此文本包含多行文本,无法放置在一个工作表中”。Pandas处理上千万的数据是易如反掌的事情,同时随后我们也将看到它比SQL有更强的表达能力,可以做很多复杂的操作,要写的code也更少。 说了一大堆它的好处,要实际感触还得动手码代码。
3.matplotlib
matplotlib是最流行的用于绘制数据图表的python库。
4.Scipy
Scipy是一组专门解决科学计算中各种标准问题域的包的集合。
5.statsmodels: https://github.com/statsmodels/statsmodels
6.scikit-learn: http://scikit-learn.org/stable/
一.数据导入和导出
注意:地址中的\ 是转义符,所以E:\必须表示为E:\\ 或者在路径前面加r,如:r'E:\tips.csv' 和'E:\\tips.csv' 等价
(一)读取csv文件
1.本地读取
import pandas as pd
df = pd.read_csv('E:\\tips.csv') #根据自己数据文件保存的路径填写(p.s. python填写路径时,要么使用/,要么使用\\) 路径不要有中文
#输出:
total_bill tip sex smoker day time size
16.99 1.01 Female No Sun Dinner 2
10.34 1.66 Male No Sun Dinner 3
21.01 3.50 Male No Sun Dinner 3
23.68 3.31 Male No Sun Dinner 2
24.59 3.61 Female No Sun Dinner 4
25.29 4.71 Male No Sun Dinner 4
.. ... ... ... ... ... ... ...
27.18 2.00 Female Yes Sat Dinner 2
22.67 2.00 Male Yes Sat Dinner 2
17.82 1.75 Male No Sat Dinner 2
18.78 3.00 Female No Thur Dinner 2
[244 rows x 7 columns]
2.网络读取
import pandas as pd
data_url = "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv" #填写url读取
df = pd.read_csv(data_url)
#输出同上,为了节省篇幅这儿就不粘贴了
print(df)
3.read_csv简单用法:
语句分析:
q_table6 = pd.read_csv('dl_data.csv',encoding = "utf-8",header = 0,names = range(0,50))
功能:将原来的列索引[-25......25]替换成[0....49]。
介绍:header = 0是默认情况(即不标明,默认就是header = 0),表示以数据的第一行为列索引。
encoding = "utf-8"表明以utf-8为编码规则。
names = range(0,50))表示以[0....49]为列索引的名字
q_table6 = pd.read_csv('dl_data.csv',encoding = "utf-8",header = None,names = range(0,50))
功能:给数据添加一行列索引[0....49],header = None表示原来的数据是没有列索引的,就算你的数据里面有列索引,这时就把原来的列索引当成了数据。
上面两个语句都会默认为数据添加行索引,即会把原来的行索引当成数据,自己再添加新的行索引[0,1,2.....] !!!!!!!如果不想添加新的行索引,代码如下:
q_table6 = pd.read_csv('dl_data.csv',encoding = "utf-8",index_col=0)
index_col=0表示以原有数据的第一列(索引为0)当作行索引。
详细参数:http://www.cnblogs.com/datablog/p/6127000.html
(二)读取Mysql数据
import pandas as pd
import MySQLdb
mysql_cn= MySQLdb.connect(host='localhost', port=3306,user='myusername', passwd='mypassword', db='mydb')
df = pd.read_sql('select * from test;', con=mysql_cn)
mysql_cn.close()
上面的代码读取了test表中所有的数据到df中,而df的数据结构为Dataframe。 ps.MySQL教程:http://www.runoob.com/mysql/mysql-tutorial.html
(三)读取excel文件
要读取excel文件还需要安装xlrd模块,pip install xlrd即可。
df = pd.read_excel('E:\\tips.xls')
(四)数据导出到csv文件
df.to_csv('E:\\demo.csv', encoding='utf-8', index=False) #index=False表示导出时去掉行名称,如果数据中含有中文,一般encoding指定为‘utf-8’
二.提取和筛选需要的数据
(一)提取和查看相应数据 (用的是tips.csv的数据,数据来源:https://github.com/mwaskom/seaborn-data)
import pandas as pd
data_url = "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv" #填写url读取
df = pd.read_csv(data_url)
print(df.head()) #打印数据前五行
#输出
total_bill tip sex smoker day time size
16.99 1.01 Female No Sun Dinner 2
10.34 1.66 Male No Sun Dinner 3
21.01 3.50 Male No Sun Dinner 3
23.68 3.31 Male No Sun Dinner 2
24.59 3.61 Female No Sun Dinner 4
print(df.tail()) #打印数据后5行
#输出
total_bill tip sex smoker day time size
29.03 5.92 Male No Sat Dinner 3
27.18 2.00 Female Yes Sat Dinner 2
22.67 2.00 Male Yes Sat Dinner 2
17.82 1.75 Male No Sat Dinner 2
18.78 3.00 Female No Thur Dinner 2
In [22]:
print(df.columns) #打印列名
Index(['total_bill', 'tip', 'sex', 'smoker', 'day', 'time', 'size'], dtype='object')
In [23]:
print(df.index) #打印行名
RangeIndex(start=0, stop=244, step=1)
print df.ix[10:20, 0:3] #打印10~20行前三列数据
#输出
total_bill tip sex
10.27 1.71 Male
35.26 5.00 Female
15.42 1.57 Male
18.43 3.00 Male
14.83 3.02 Female
21.58 3.92 Male
10.33 1.67 Female
16.29 3.71 Male
16.97 3.50 Female
20.65 3.35 Male
17.92 4.08 Male
#提取不连续行和列的数据,这个例子提取的是第1,3,5行,第2,4列的数据
df.iloc[[1,3,5],[2,4]]
#输出
sex day
Male Sun
Male Sun
Male Sun
#专门提取某一个数据,这个例子提取的是第三行,第二列数据(默认从0开始算哈)
df.iat[3,2]
#输出
'Male'
print df.drop(df.columns[1, 2], axis = 1) #舍弃数据前两列
print df.drop(df.columns[[1, 2]], axis = 0) #舍弃数据前两行
#为了节省篇幅结果就不贴出来了哈~
df.iloc[3] #选取第3行
#输出1
total_bill 23.68
tip 3.31
sex Male
smoker No
day Sun
time Dinner
size 2
Name: 3, dtype: object
df.iloc[2:4] #选取第2到第3行
#输出2
total_bill tip sex smoker day time size
21.01 3.50 Male No Sun Dinner 3
23.68 3.31 Male No Sun Dinner 2
df.iloc[0,1] #选取第0行1列的元素
#输出3
1.01
(二)筛选出需要的数据
(用的是tips.csv的数据,数据来源:https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv)
#example:假设我们要筛选出小费大于$8的数据
df[df.tip>8]
#输出
total_bill tip sex smoker day time size
50.81 10 Male Yes Sat Dinner 3
48.33 9 Male No Sat Dinner 4
#数据筛选同样可以用”或“和”且“作为筛选条件,比如
#1
df[(df.tip>7)|(df.total_bill>50)] #筛选出小费大于$7或总账单大于$50的数据
#输出
total_bill tip sex smoker day time size
39.42 7.58 Male No Sat Dinner 4
50.81 10.00 Male Yes Sat Dinner 3
48.33 9.00 Male No Sat Dinner 4
#2
df[(df.tip>7)&(df.total_bill>50)]#筛选出小费大于$7且总账单大于$50的数据
#输出
total_bill tip sex smoker day time size
50.81 10 Male Yes Sat Dinner 3
三.统计描述
(用的是tips.csv的数据,数据来源:https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv)
print(df.describe()) #描述性统计 (简单统计信息)
#输出 各指标都比较简单就不解释了哈
total_bill tip size
count 244.000000 244.000000 244.000000
mean 19.785943 2.998279 2.569672
std 8.902412 1.383638 0.951100
min 3.070000 1.000000 1.000000
25% 13.347500 2.000000 2.000000
50% 17.795000 2.900000 2.000000
75% 24.127500 3.562500 3.000000
max 50.810000 10.000000 6.000000
#count 行数 mean 中值 std 标准差 min max 最小值 最大值
详情参考:https://www.jianshu.com/p/ff5be0d18515
四.数据处理
一)数据转置(用的是tips.csv的数据,数据来源:https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv)
print(df.T)
#output
1 2 3 4 5 6 7 \
total_bill 16.99 10.34 21.01 23.68 24.59 25.29 8.77 26.88
tip 1.01 1.66 3.5 3.31 3.61 4.71 2 3.12
sex Female Male Male Male Female Male Male Male
smoker No No No No No No No No
day Sun Sun Sun Sun Sun Sun Sun Sun
time Dinner Dinner Dinner Dinner Dinner Dinner Dinner Dinner
size 2 3 3 2 4 4 2 4
9 ... 234 235 236 237 238 \
total_bill 15.04 14.78 ... 15.53 10.07 12.6 32.83 35.83
tip 1.96 3.23 ... 3 1.25 1 1.17 4.67
sex Male Male ... Male Male Male Male Female
smoker No No ... Yes No Yes Yes No
day Sun Sun ... Sat Sat Sat Sat Sat
time Dinner Dinner ... Dinner Dinner Dinner Dinner Dinner
size 2 2 ... 2 2 2 2 3
240 241 242 243
total_bill 29.03 27.18 22.67 17.82 18.78
tip 5.92 2 2 1.75 3
sex Male Female Male Male Female
smoker No Yes Yes No No
day Sat Sat Sat Sat Thur
time Dinner Dinner Dinner Dinner Dinner
size 3 2 2 2 2
[7 rows x 244 columns]
(二)数据排序
(用的是tips.csv的数据,数据来源:https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv)
df.sort_values(by='tip') #按tip列升序排序
#输出(为了不占篇幅我简化了一部分)
total_bill tip sex smoker day time size
3.07 1.00 Female Yes Sat Dinner 1
12.60 1.00 Male Yes Sat Dinner 2
5.75 1.00 Female Yes Fri Dinner 2
7.25 1.00 Female No Sat Dinner 1
16.99 1.01 Female No Sun Dinner 2
.. ... ... ... ... ... ... ...
28.17 6.50 Female Yes Sat Dinner 3
34.30 6.70 Male No Thur Lunch 6
48.27 6.73 Male No Sat Dinner 4
39.42 7.58 Male No Sat Dinner 4
48.33 9.00 Male No Sat Dinner 4
50.81 10.00 Male Yes Sat Dinner 3
[244 rows x 7 columns]
(三)缺失值处理
1.填充缺失值(数据来自《利用python进行数据分析》第二章 usagov_bitly_data2012-03-16-1331923249.txt,下载:
(需要CSDN币),或者百度文件名 下载其他资源。注意txt的格式需为ANSI.
import json #python有许多内置或第三方模块可以将JSON字符串转换成python字典对象
import pandas as pd
import numpy as np
from pandas import DataFrame
path = r'F:\PycharmProjects\pydata-book-master\ch02\usagov_bitly_data2012-03-16-1331923249.txt' #根据自己的路径填写
records = [json.loads(line) for line in open(path)]
frame = DataFrame(records)
frame['tz']
#输出(为了节省篇幅我删除了部分输出结果)
America/New_York
America/Denver
America/New_York
America/Sao_Paulo
America/New_York
America/New_York
Europe/Warsaw
America/Los_Angeles
America/New_York
America/New_York
NaN
...
Name: tz, dtype: object
从以上输出值可以看出数据存在未知或缺失值,接着咱们来处理缺失值。
print(frame['tz'].fillna(1111111111111)) #以数字代替缺失值
#输出结果(为了节省篇幅我删除了部分输出结果)
America/New_York
America/Denver
America/New_York
America/Sao_Paulo
America/New_York
America/New_York
Europe/Warsaw
America/Los_Angeles
America/New_York
America/New_York
1111111111111
Name: tz, dtype: object
print(frame['tz'].fillna('YuJie2333333333333')) #用字符串代替缺失值
#输出(为了节省篇幅我删除了部分输出结果)
America/New_York
America/Denver
America/New_York
America/Sao_Paulo
America/New_York
America/New_York
Europe/Warsaw
America/Los_Angeles
America/New_York
America/New_York
YuJie2333333333333
Name: tz, dtype: object
还有:
print frame['tz'].fillna(method='pad') #用前一个数据代替缺失值
print frame['tz'].fillna(method='bfill') #用后一个数据代替缺失值
2.删除缺失值 (数据同上)
print frame['tz'].dropna(axis=0) #删除缺失行
print frame['tz'].dropna(axis=1) #删除缺失列
3.插值法填补缺失值
由于没有数据,这儿插播一个小知识点:创建一个随机的数据框
import pandas as pd
import numpy as np
#创建一个6*4的数据框,randn函数用于创建随机数
czf_data = pd.DataFrame(np.random.randn(6,4),columns=list('ABCD'))
czf_data
#输出
A B C D
0.355690 1.165004 0.810392 -0.818982
0.496757 -0.490954 -0.407960 -0.493502
-0.202123 -0.842278 -0.948464 0.223771
0.969445 1.357910 -0.479598 -1.199428
0.125290 0.943056 -0.082404 -0.363640
-1.762905 -1.471447 0.351570 -1.546152
好啦,数据就出来了。接着我们用空值替换数值,创造出一个含有空值的DataFrame。
#把第二行数据设置为缺失值
czf_data.ix[2,:]=np.nan
czf_data
#输出
A B C D
0.355690 1.165004 0.810392 -0.818982
0.496757 -0.490954 -0.407960 -0.493502
NaN NaN NaN NaN
0.969445 1.357910 -0.479598 -1.199428
0.125290 0.943056 -0.082404 -0.363640
-1.762905 -1.471447 0.351570 -1.546152
#接着就可以利用插值法填补空缺值了~
print(czf_data.interpolate())
#输出
A B C D
0.355690 1.165004 0.810392 -0.818982
0.496757 -0.490954 -0.407960 -0.493502
0.733101 0.433478 -0.443779 -0.846465
0.969445 1.357910 -0.479598 -1.199428
0.125290 0.943056 -0.082404 -0.363640
-1.762905 -1.471447 0.351570 -1.546152
(四)数据分组
(用的是tips.csv的数据,数据来源:https://github.com/mwaskom/seaborn-data)
import json #python有许多内置或第三方模块可以将JSON字符串转换成python字典对象
import pandas as pd
import numpy as np
from pandas import DataFrame
path = r'F:\PycharmProjects\pydata-book-master\ch02\usagov_bitly_data2012-03-16-1331923249.txt' #根据自己的路径填写
records = [json.loads(line) for line in open(path)]
df= DataFrame(records)
group = df.groupby('c') #按day这一列进行分组
#1
print(group.first())#打印每一组的第一行数据
#输出
total_bill tip sex smoker time size
day
Fri 28.97 3.00 Male Yes Dinner 2
Sat 20.65 3.35 Male No Dinner 3
Sun 16.99 1.01 Female No Dinner 2
Thur 27.20 4.00 Male No Lunch 4
#2
print(group.last())#打印每一组的最后一行数据
#输出
total_bill tip sex smoker time size
day
Fri 10.09 2.00 Female Yes Lunch 2
Sat 17.82 1.75 Male No Dinner 2
Sun 15.69 1.50 Male Yes Dinner 2
Thur 18.78 3.00 Female No Dinner 2
(五)值替换
import pandas as pd
import numpy as np
#首先创造一个Series(没有数据情况下的福音233)
Series = pd.Series([0,1,2,3,4,5])
In [108]:
Series
Out[108]:
0 0
1 1
2 2
3 3
4 4
5 5
dtype: int64
In [117]:
#数值替换,例如将元素0换成10000000000000
print(Series.replace(0,10000000000000))
0 10000000000000
1 1
2 2
3 3
4 4
5 5
dtype: int64
#列和列的替换同理
print(Series.replace([0,1,2,3,4,5],[11111,222222,3333333,44444,55555,666666]))
#输出
11111
222222
3333333
44444
55555
666666
dtype: int64
五.统计分析
(一)t检验
1.独立样本t检验
T检验是用于两个样本(或样本与群体)平均值差异程度的检验方法。它是用T分布理论来推断差异发生的概率,从而判定两个平均数的差异是否显著。
检验的适用条件为样本分布符合正态分布。
T检验的应用条件:
- 当样本例数较小时,要求样本取自正态总体;
- 做两样本均数比较时,还要求两样本的总体方差相
等。
T检验的用途:(1)样本均数与群体均数的比较;(2)两样本均数的比较。
https://www.jianshu.com/p/46d9b111dffc
开始找不到合适的数据,我就在网上随便摘抄了个spss做独立样本t检验的实例数据作为例子大家暂时看着吧找到合适的例子再给大家举~
数据如下,我将数据保存为本地xlsx格式:
group data
1 34
1 37
1 28
1 36
1 30
2 43
2 45
2 47
2 49
2 39
import pandas as pd
from scipy.stats import ttest_ind
IS_t_test = pd.read_excel('C:\\IS_t_test.xls')
Group1 = IS_t_test[IS_t_test['group'] == 1]['data']
Group2 = IS_t_test[IS_t_test['group'] == 2]['data']
print(ttest_ind(Group1, Group2))
#输出
(-4.7515451390104353, 0.0014423819408438474)
输出结果的第一个元素为t值,第二个元素为p-value
ttest_ind默认两组数据方差齐性的,如果想要设置默认方差不齐,可以设置equal_var=False
print ttest_ind(Group1,Group2,equal_var=True)
print ttest_ind(Group1,Group2,equal_var=False)
#输出
(-4.7515451390104353, 0.0014423819408438474)
(-4.7515451390104353, 0.0014425608643614844)
2.配对样本t检验
同样找不到数据,让我们暂且假设上边独立样本是配对样本吧,使用同样的数据。
import pandas as pd
from scipy.stats import ttest_rel
IS_t_test = pd.read_excel('E:\\IS_t_test.xlsx')
Group1 = IS_t_test[IS_t_test['group']==1]['data']
Group2 = IS_t_test[IS_t_test['group']==2]['data']
print ttest_rel(Group1,Group2)
#输出
(-5.6873679190073361, 0.00471961872448184)
同样的,输出结果的第一个元素为t值,第二个元素为p-value。
(二)方差分析
1.单因素方差分析
这里依然沿用t检验的数据
import pandas as pd
from scipy import stats
IS_t_test = pd.read_excel('E:\\IS_t_test.xlsx')
Group1 = IS_t_test[IS_t_test['group']==1]['data']
Group2 = IS_t_test[IS_t_test['group']==2]['data']
w,p = stats.levene(*args)
#levene方差齐性检验。levene(*args, **kwds) Perform Levene test for equal variances.如果p<0.05,则方差不齐
print(w,p)
#进行方差分析
f,p = stats.f_oneway(*args)
print(f,p)
#输出
(0.019607843137254936, 0.89209916055865535)
22.5771812081 0.00144238194084
2.多因素方差分析
数据是我从网上找的多因素方差分析的一个例子,研究区组和营养素对体重的影响。我做成了excel文件,需要的同学可以问我要哈~做多因素方差分析需要加载statsmodels模块,如果电脑没有安装可以pip install一下。
#数据导入
import pandas as pd
MANOVA=pd.read_excel('E:\\MANOVA.xlsx')
MANOVA
#输出(为了节省篇幅删掉了中间部分的输出结果)
id nutrient weight
1 1 50.1
2 1 47.8
3 1 53.1
4 1 63.5
5 1 71.2
6 1 41.4
.......................
6 3 38.5
7 3 51.2
8 3 46.2
#多因素方差分析
from statsmodels.formula.api import ols
from statsmodels.stats.anova import anova_lm
formula = 'weight~C(id)+C(nutrient)+C(id):C(nutrient)'
anova_results = anova_lm(ols(formula,MANOVA).fit())
print anova_results
#output
df sum_sq mean_sq F PR(>F)
C(id) 7 2.373613e+03 339.087619 0 NaN
C(nutrient) 2 1.456133e+02 72.806667 0 NaN
C(id):C(nutrient) 14 3.391667e+02 24.226190 0 NaN
Residual 0 8.077936e-27 inf NaN NaN
也许数据选得不对,p-value全是空值23333,待我找个好点儿的数据再做一次多因素方差分析。
3.重复测量设计的方差分析(单因素) ********待完善
重复测量设计是对同一因变量进行重复测度,重复测量设计的方差分析可以是同一条件下进行的重复测度,也可以是不同条件下的重复测量。
代码和多因素方差分析一样,思路不一样而已~但我还找不到多因素方差分析合适的数据所以这儿就先不写了2333
4.混合设计的方差分析 ********待完善
#########统计学学得好的同学们,教教我吧。。
(三)卡方检验
卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度,实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,卡方值越大,越不符合;卡方值越小,偏差越小,越趋于符合,若两个值完全相等时,卡方值就为0,表明理论值完全符合。(from 百度百科2333)
1.单因素卡方检验
数据源于网络,男女化妆与不化妆人数的理论值与实际值。
import numpy as np
from scipy import stats
from scipy.stats import chisquare
observed = np.array([15,95])
#观测值:110学生中化妆的女生95人,化妆的男生15人
expected = np.array([55,55])
#理论值:110学生中化妆的女生55人,化妆的男生55人
chisquare(observed,expected)
#output
(58.18181818181818, 2.389775628860044e-14)
2.多因素卡方检验*****正在研究中,学会了完善这一块~
(四)计数统计
(用的数据为tips.csv)
#example:统计性别
count = df['sex'].value_counts()
#输出
print(count)
Male 157
Female 87
Name: sex, dtype: int64
(五)回归分析 *****待学习: 数据拟合,广义线性回归。。。。等等
六.可视化
python + pyechart
原文:https://blog.csdn.net/wsp_1138886114/article/details/80509375
1 安装: pip install pyecharts
2 引用pyecharts from pyecharts import Bar
3 编写实现柱状图
bar = Bar('我的第一个图标','副标题')
bar.add('服装',['衬衫','羊毛衫','雪纺衫','裤子','高跟鞋','袜子'],[5,20,36,10,75,90])
4 输出到.html中进行展示:bar.render(.././html/bar01.html)
5 新建一个html文件
代码:
import pyecharts
from pyecharts import Bar
bar = Bar("我的第一个图表", "这里是副标题")
bar.use_theme('dark') #暗色背景色
bar.add("服装", #注解==label
["衬衫","羊毛衫","雪纺衫","裤子","高跟鞋","袜子"], #横坐标
[5, 20, 36, 10, 75, 90]) #纵坐标
bar.render('./picture1.html') #文件存储路径(默认保存当前文件路径)
1、统计数组词频 Python for Data Analysis, p24
纯python
collections. Counter counts=Counter (time_zone) 前10名 counts.most_common(10)
pandas:
import pandas as pd
import numpy as np
frame = pd.DataFrame(record)
frame['tz'].value_counts()