pandas模块与matplotlib模块

缺失值处理

缺失值的识别与处理

1.df.isnull

2.df.fillna

3.df.dropna

data05 = pd.read_excel(r'data_test05.xlsx')
data05.head()
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()

将所有的缺失值填充为0（不合理）

data05.fillna(value = 0)

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，默认为统计均数，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

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)

练习题

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)  # 升序

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，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：指定需要连接的主表，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，比如左连left，右连right和外链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]})

首先将df3和df4连接

merge1 = pd.merge(left = df3, 
                  right = df4, 
                  how = 'left', 
                  left_on='id', 
                  right_on='Id')
merge1

再将连接结果与df5连接

merge2 = pd.merge(left = merge1, 
                  right = df5, 
                  how = 'left')
merge2

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

课程目标

1.离散型数据的可视化

2.连续性数据的可视化

3.关系型数据的可视化

4.多图形的组合

饼图的绘制

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：指定饼图某项部分的突出显示，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

导入模块

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.pie(x = edu,    # 绘图数据
        labels = labels,    # 添加水平标签
        autopct = '%.1f%%',    # 设置百分比的格式，这里保留一位小数
        explode = explode
)

显示图像

plt.show()

 条形图的绘制

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

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()