数据特征分析：1.基础分析概述& 分布分析
基础分析概述
几个基础分析思路：
分布分析
分布分析是研究数据的分布特征和分布类型，分定量数据、定性数据区分基本统计量。
import numpy as np import pandas as pd import matplotlib.pyplot as plt % matplotlib inline
#读取数据 data = pd.read_csv(r'C:\Users\Administrator\Desktop\python数据分析\深圳罗湖二手房信息.csv', engine = 'python') data.head()
plt.scatter（）散点图
plt.scatter(data['经度'], data['纬度'], #做个简单的三角图，按照经纬度作为它的X Y轴 s = data['房屋单价']/500, #按照房屋的单价来控制图形的大小 c = data['参考总价'], cmap = 'Reds',#按照参考总价来显示颜色 alpha = 0.4) #########plt.scatter（）散点图
plt.scatter() 散点图
如果有底图就可以把它的位置给分布出来；点越大代表房屋的单价越高，颜色越深代表总价越高；
通过数据可见，一共8个字段
定量字段：房屋单价，参考首付，参考总价，*经度，*纬度，*房屋编码
定性字段：小区，朝向
1.极差
#极差 def d_range(df, *cols): krange = [] #空列表，为了保持它的值 for col in cols: crange = df[col].max() - df[col].min() krange.append(crange) return (krange) ##创建函数求极差 key1 = "参考总价" key2 = "参考首付" dr = d_range(data, key1, key2) print("%s极差为：%f \n%s极差为：%f"% ( key1, dr[0], key2, dr[1])) #求出数据对应列的极差
参考总价极差为：175.000000 参考首付极差为：52.500000
从极差中看到销售的稳定程度
2. 频率分布情况：定量字段
（① 通过直方图直接判断分组组数）
.hist(bins = 8) 直方图
#频率分布情况（通过直方图直接判断分组组数） data[key1].hist(bins = 8) #参考总价 简单查看数据分组，确定分组组数 --->>一般8-16组，这里按照8组为参考
可以看出主要集中在160万以上，60万以下。
频率分布的划分方式：直方图可以快速的看到它的排列情况，把它拆分：分组划分
（②求出分组区间）
pd.cut(data[key1], 10, right = False).value_count(sort=True) sort=True <-等价-> ascending=True
#频率分布情况，分组区间 ；对参考总价进行分组。 gcut = pd.cut(data[key1], 10, right = False) #分成10份，是否包含末端值选False gcut #type(gcut)-->>Series gcut_count = gcut.value_counts(sort = False) #做一个统计，不排序 gcut_count
# pd.cut(x, bins, right)：按照组数对x分组，且返回一个和x同样长度的分组dataframe，right → 是否右边包含，默认True
# 通过groupby查看不同组的数据频率分布
data['%s分组区间'% key1] = gcut.values data.head()
（③ 求出目标字段下频率分布的其他统计量 --->>> 频数，频率，累计频率）
分组情况，做累计频率的分组情况
r_zj = pd.DataFrame(gcut_count)
r_zj
.apply(lambda x:"%.2f%%"% (x*100)) 以百分比显示
.style.bar(subset = ['频率', '累计频率']) 在格子中的条形图
#区间出现频率 r_zj = pd.DataFrame(gcut_count) r_zj.rename(columns = {gcut_count.name:'频数'}, inplace = True) #重命名下，修改频数字段名 r_zj['频率'] = r_zj['频数']/r_zj['频数'].sum() #计算频率 r_zj['累计频率'] = r_zj['频率'].cumsum() #计算累计频率 r_zj['频率%'] = r_zj['频率'].apply(lambda x:"%.2f%%"% (x*100)) #以百分比显示频率 r_zj['累计频率%'] = r_zj['累计频率'].apply(lambda x:"%.2f%%"% (x*100)) #以百分比显示累计频率 r_zj.style.bar(subset = ['频率', '累计频率']) #可视化显示
（④ 绘制频率直方图）
r_zj['频率'].plot(kind = 'bar',figsize = (12, 2),grid = True,color = 'k',alpha = 0.4 ) 直方图
for i, j, k in zip(range(x), y, m): plt.text(i - 0.1, j + 0.01, '%i'% k, color = 'k')
#直方图 r_zj['频率'].plot(kind = 'bar', figsize = (12, 2), grid = True, color = 'k', alpha = 0.4 ) #plt.title('参考总价分布频率直方图') x = len(r_zj) y = r_zj['频率'] m = r_zj['频数'] for i, j, k in zip(range(x), y, m): plt.text(i - 0.1, j + 0.01, '%i'% k, color = 'k') #-0.1 、+0.01是调整它的位置的 #添加频率标签
频率分布情况 - 定性字段
（ ① 通过计数统计判断不同类别的频率）
# 频率分布情况 - 定性字段 -->> ① 通过计数统计判断不同类别的频率 cx_g = data['朝向'].value_counts(sort = True) print(cx_g) # 可视化显示 r_cx = pd.DataFrame(cx_g) r_cx.rename(columns ={cx_g.name:'频数'}, inplace = True) # 修改频数字段名 r_cx['频率'] = r_cx / r_cx['频数'].sum() # 计算频率 r_cx['累计频率'] = r_cx['频率'].cumsum() # 计算累计频率 r_cx['频率%'] = r_cx['频率'].apply(lambda x: "%.2f%%" % (x*100)) # 以百分比显示频率 r_cx['累计频率%'] = r_cx['累计频率'].apply(lambda x: "%.2f%%" % (x*100)) # 以百分比显示累计频率 r_cx.style.bar(subset=['频率','累计频率'], color='#d65f5f',width=100)
（ ② 绘制频率直方图、饼图）
.plot 由Series、DataFrame直接绘制图表； plt.pie() 绘制饼图
# 频率分布情况 - 定量字段 # ② 绘制频率直方图、饼图 plt.figure(num = 1,figsize = (12,2)) r_cx['频率'].plot(kind = 'bar', width = 0.8, rot = 0, color = 'k', grid = True, alpha = 0.5) plt.title('参考总价分布频率直方图') # 绘制直方图 plt.figure(num = 2) plt.pie(r_cx['频数'], labels = r_cx.index, autopct='%.2f%%', shadow = True) plt.axis('equal') #调整它的形状 # 绘制饼图
