pandas模块结束与matplotlib
缺失值处理
缺失值的识别与处理
df.isnull df.fillna df.dropna
data05 = pd.read_excel(r'data_test05.xlsx')
data05.head()
统计缺失
data05.isnull() # 统计每个数据项是否有缺失 data05.isnull().any(axis = 0) # 统计列字段下是否含有缺失 # 计算各列数据的缺失比例 data05.isnull().sum(axis = 0)/data05.shape[0] data05.dropna()
缺失填充
data05.fillna(value=0) # 将所有的缺失值填充为0(不合理)
# 针对不同的缺失值使用合理的填充手段
data05.fillna(value = {
'gender':data05.gender.mode()[0], # 众数:可以有一个也可能是多个
'age':data05.age.mean(), # 平均值
'income':data05.income.median() # 中位数
}, inplace = True)
数据汇总
透视表功能
pd.pivot_table(data,
values=None,
index=None,
columns=None,
aggfunc='mean',
fill_value=None,
margins=False,
dropna=True,
margins_name='All')
data
指定需要构造透视表的数据集
values
指定需要拉入“数值”框的字段列表
index
指定需要拉入“行标签”框的字段列表
columns
指定需要拉入“列标签”框的字段列表
aggfunc
指定数值的统计函数，默认为统计均值，也可以指定numpy模块中的其他统计函数
fill_value
指定一个标量，用于填充缺失值
margins
bool类型参数，是否需要显示行或列的总计值，默认为False
dropna
bool类型参数，是否需要删除整列为缺失的字段，默认为True
margins_name
指定行或列的总计名称，默认为All
data06 = pd.read_csv(r'diamonds.csv') data06.head() pd.pivot_table(data06, index = 'color', values='price', aggfunc='mean') pd.pivot_table(data06, index = 'color', columns='clarity', values='price', aggfunc='size')
分组与聚合
对分组变量进行统计汇总
import numpy as np
# 通过groupby方法，指定分组变量
grouped = data06.groupby(by = ['color','cut'])
# 对分组变量进行统计汇总
result = grouped.aggregate({'color':np.size, 'carat':np.min,
'price':np.mean, 'table':np.max})
调整变量名的顺序
result = pd.DataFrame(result, columns=['color','carat','price','table'])
数据集重命名
result.rename(columns={'color':'counts',
'carat':'min_weight',
'price':'avg_price',
'table':'max_table'},
inplace=True)
分析NBA各球队冠军次数及球员FMVP次数
res = pd.read_html('https://baike.baidu.com/item/NBA%E6%80%BB%E5%86%A0%E5%86%9B/2173192?fr=aladdin') # 返回的是一个列表 列表中是当前页面的所有表格数据
type(res)
res
获取有效数据
champion = res[0] champion
处理列字段名称：drop方法使用
针对冠军字段分组
champion.groupby('冠军').groups
获取分组之后的各分组大小
champion.groupby('冠军').size()
获取各组冠军次数
champion.groupby('冠军').size().sort_values(ascending=False) # 降序
分组字段可以一次性取多个
champion.groupby(['冠军', 'FMVP']).size()
数据的合并
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None)
objs
指定需要合并的对象，可以是序列、数据框或面板数据构成的列表
axis
指定数据合并的轴，默认为0，表示合并多个数据的行，如果为1，就表示合并多个数据的列
join
指定合并的方式，默认为outer，表示合并所有数据，如果改为inner，表示合并公共部分的数据
join_axes
合并数据后，指定保留的数据轴
ignore_index
bool类型的参数，表示是否忽略原数据集的索引，默认为False，如果设为True，就表示忽略原索引并生成新索引
keys
为合并后的数据添加新索引，用于区分各个数据部分
构造数据集df1和df2
df1 = pd.DataFrame({
'name':['张三','李四','王二'],
'age':[21,25,22],
'gender':['男','女','男']}
)
df2 = pd.DataFrame({
'name':['丁一','赵五'],
'age':[23,22],
'gender':['女','女']}
)
数据集的纵向合并
pd.concat([df1,df2] , keys = ['df1','df2']) # 加keys参数可以在合并之后看到数据来源
pd.concat([df1,df2] , keys = ['df1','df2']).reset_index()
pd.concat([df1,df2] , keys = ['df1','df2']).reset_index().drop(labels ='level_1', axis = 1).rename(columns = {'level_0':'Class'})
如果df2数据集中的“姓名变量为Name”
df2 = pd.DataFrame({
'Name':['丁一','赵五'],
'age':[23,22],
'gender':['女','女']}
)
# 数据集的纵向合并
pd.concat([df1,df2])
# concat行合并，数据源的变量名称完全相同（变量名顺序没有要求）
数据的连接
pd.merge(left, right, how='inner', on=None,
left_on=None, right_on=None,
left_index=False, right_index=False,
sort=False, suffixes=('_x', '_y'))
left
指定需要连接的主 right:指定需要连接的辅表
how
指定连接方式，默认为inner内连，还有其他选项，如左连left、右连right和外连outer on:指定连接两张表的共同字段
left_on
指定主表中需要连接的共同字段
right_on
指定辅表中需要连接的共同字段
left_index
bool类型参数，是否将主表中的行索引用作表连接的共同字段，默认为False right_index:bool类型参数，
是否将辅表中的行索引用作表连接的共同字段，默认为False sort:bool类型参数，
是否对连接后的数据按照共同字段排序，默认为False
suffixes
如果数据连接的结果中存在重叠的变量名，则使用各自的前缀进行区分
构造数据集
df3 = pd.DataFrame({
'id':[1,2,3,4,5],
'name':['张三','李四','王二','丁一','赵五'],
'age':[27,24,25,23,25],
'gender':['男','男','男','女','女']})
df4 = pd.DataFrame({
'Id':[1,2,2,4,4,4,5],
'score':[83,81,87,75,86,74,88],
'kemu':['科目1','科目1','科目2','科目1','科目2','科目3','科目1']})
df5 = pd.DataFrame({
'id':[1,3,5],
'name':['张三','王二','赵五'],
'income':[13500,18000,15000]})
首先df3和df4连接
merge1 = pd.merge(left = df3,
right = df4,
how = 'left',
left_on='id',
right_on='Id')
再将连接结果与df5连接
merge2 = pd.merge(left = merge1,
right = df5,
how = 'left')
matplotlib简介
是一个强大的python绘图和数据可视化工具包，数据可视化也是我们数据分析重要环节之一，可以帮助我们分析出很多价值信息，也是数据分析的最后一个可视化阶段
下载
python纯开发环境下
pip3 install matplotlib
anaconda环境下
conda install matplotlib
anaconda已经自动帮助我们下载好了数据分析相关的模块，其实无需我们再下载
导入
import matplotlib.pyplot as plt
饼图的绘制
饼图属于最传统的统计图形之一，几乎随处可见，例如大型公司的屏幕墙、各种年度论坛的演示稿以及各大媒体发布的数据统计报告等
饼图是将一个圆分割成不同大小的楔(扇)形，而圆中的每一个楔形代表了不同的类别值，通常根据楔形的面积大小来判断类别值的差异
pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, labeldistance=1.1)
x
指定绘图的数据
explode
指定饼图某些部分的突出显示，即呈现爆炸式
labels
为饼图添加标签说明，类似于图例说明
colors
指定饼图的填充色
autopct
自动添加百分比显示，可以采用格式化的方法显示
pctdistance
设置百分比标签与圆心的距离
labeldistance
设置各扇形标签(图例)与圆心的距离
代码
# 导入第三方模块
import matplotlib.pyplot as plt
# 解决中文乱码情况
plt.rcParams['font.sans-serif'] = ['SimHei']
# 构造数据
edu = [0.2515,0.3724,0.3336,0.0368,0.0057]
labels = ['中专','大专','本科','硕士','其他']
explode = [0,0.1,0,0,0]
# 绘制饼图 plt.axes(aspect='equal') # 如果python版本较低可能是扁的需要加该代码
plt.pie(x = edu, # 绘图数据
labels=labels, # 添加教育水平标签
autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数
explode = explode
)
# 显示图形
plt.show()
条形图的绘制
虽然饼图可以很好地表达离散型变量在各水平上的差异，但其不擅长对比差异不大或水平值过多的离散型变量，因为饼图是通过各扇形面积的大小来比价差异的，面积的比较有时并不直观;
对于条形图而言，对比的是柱形的高低，柱体越高，代表的数值越大，反之亦然;
bar(x, height, width=0.8, bottom=None, color=None, edgecolor=None, tick_label=None, label = None, ecolor=None)
x
传递数值序列，指定条形图中x轴上的刻度值
height
传递数值序列，指定条形图y轴上的高度
width
指定条形图的宽度，默认为0.8
bottom
用于绘制堆叠条形图
color
指定条形图的填充色
edgecolor
指定条形图的边框色
tick_label
指定条形图的刻度标签
label
指定条形图的标签，一般用以添加图例
垂直条形图代码
import pandas as pd
# 读入数据
GDP = pd.read_excel(r'Province GDP 2017.xlsx')
# 设置绘图风格（不妨使用R语言中的ggplot2风格）
plt.style.use('ggplot')
# 绘制条形图
plt.bar(x = range(GDP.shape[0]), # 指定条形图x轴的刻度值
height = GDP.GDP, # 指定条形图y轴的数值
tick_label = GDP.Province, # 指定条形图x轴的刻度标签
color = 'steelblue', # 指定条形图的填充色
)
# 添加y轴的标签
plt.ylabel('GDP(万亿)')
# 添加条形图的标题
plt.title('2017年度6个省份GDP分布')
# 为每个条形图添加数值标签
for x,y in enumerate(GDP.GDP):
plt.text(x,y+0.1,'%s' %round(y,1),ha='center')
# 显示图形
plt.show()
