数据分析
指使用适当的统计分析方法对搜集来的大量数据进行分析,提取有用信息并形成结论,从而对数据进行更加详细的研究和概括总结的过程。
数组转置
数据转置是数组重塑的一种特殊形式。
哑变量
又称虚拟变量,是用以反映质的属性的一种人工变量,是量化了的质变量,通常取值0或1。
离散化
将数值进行离散化分段统计以提高数据的区分度。
1.Numpy
1.创建一个数组,数组的shape为(3,2),元素都是0。
import numpy as np
# 1.创建一个数组,数组的shape为(3,2),元素都是0。
a = np.zeros([3,2])
a
array([[0., 0.],
[0., 0.],
[0., 0.]])
# 重塑上述数组的维度为2行3列。
b = a.reshape(2,3)
b
array([[0., 0., 0.],
[0., 0., 0.]])
# 创建一个表示国际象棋棋盘的8*8数组,其中,棋盘白色用0填充,黑色用1表示
arr = np.zeros((8,8),dtype=int)
# 从第一行开始,行间隔为2,从第0列开始,列间隔为2,赋值为1
arr[1::2,0::2] = 1
# 从第0行开始,行间隔为2,从第1列开始,列间隔为2,赋值为1
arr[0::2,1::2] = 1
arr
array([[0, 1, 0, 1, 0, 1, 0, 1],
[1, 0, 1, 0, 1, 0, 1, 0],
[0, 1, 0, 1, 0, 1, 0, 1],
[1, 0, 1, 0, 1, 0, 1, 0],
[0, 1, 0, 1, 0, 1, 0, 1],
[1, 0, 1, 0, 1, 0, 1, 0],
[0, 1, 0, 1, 0, 1, 0, 1],
[1, 0, 1, 0, 1, 0, 1, 0]])
2.Pandas
import pandas as pd
# 使用DataFrame创建数据
df_data = np.array([[1,2,7,3],[5,2,4,0],[8,4,2,5],[8,9,3,2]])
col_data = np.array(['A','B','C','D'])
# 基于数据创建DataFrame对象
df_obj = pd.DataFrame(columns=col_data,data=df_data)
df_obj
A | B | C | D | |
0 | 1 | 2 | 7 | 3 |
1 | 5 | 2 | 4 | 0 |
2 | 8 | 4 | 2 | 5 |
3 | 8 | 9 | 3 | 2 |
# 对B列数据进行降序排序
sort_value_data = df_obj.sort_values(by=['B'],ascending=False)
sort_value_data
A | B | C | D | |
3 | 8 | 9 | 3 | 2 |
2 | 8 | 4 | 2 | 5 |
0 | 1 | 2 | 7 | 3 |
1 | 5 | 2 | 4 | 0 |
# 将排序后的数据写入到csv文件,并命名为write_data.csv
sort_value_data.to_csv(r'D:\write_data.csv')
3.数据预处理
现有如下图所示两组数据,其中A组中B列数据存在缺失值。
A组
A | B | C | key | |
0 | 2 | 5 | 8 | 3 |
1 | 3 | nan | 7 | 4 |
2 | 5 | 2 | 50 | 5 |
3 | 2 | 3 | 8 | 2 |
4 | 3 | 6 | 2 | 2 |
B组
A | B | C | |
0 | 3 | 3 | 3 |
1 | 4 | 4 | 4 |
2 | 5 | 5 | 5 |
- 使用DataFrame创建这两组数据。
- 对A组中的缺失值进行填充,填充方向为时间填充。
- 合并A组和B组,要求按列的方向堆叠数据,并使用内连接。
#使用DataFrame创建这两组数据。
group_a = pd.DataFrame({'A':[2,3,5,2,3],
'B':[5,np.nan,2,3,6],
'C':[8,7,50,8,2],
'key':[3,4,5,2,2]},dtype=int)
group_b = pd.DataFrame({'A':[3,4,5],
'B':[3,4,5],
'C':[3,4,5]},dtype=int)
print(group_a)
print(group_b)
A B C key
0 2 5 8 3
1 3 NaN 7 4
2 5 2 50 5
3 2 3 8 2
4 3 6 2 2
A B C
0 3 3 3
1 4 4 4
2 5 5 5
# 对A组中的缺失值进行填充,填充方向为时间填充。
group_a = group_a.fillna(method='ffill')
group_a
A | B | C | key | |
0 | 2 | 5 | 8 | 3 |
1 | 3 | 5 | 7 | 4 |
2 | 5 | 2 | 50 | 5 |
3 | 2 | 3 | 8 | 2 |
4 | 3 | 6 | 2 | 2 |
# 合并A组和B组,要求按列的方向堆叠数据,并使用内连接。
group_c = pd.concat([group_a,group_b],axis=1,join='inner')
group_c
A | B | C | key | A | B | C | |
0 | 2 | 5 | 8 | 3 | 3 | 3 | 3 |
1 | 3 | 5 | 7 | 4 | 4 | 4 | 4 |
2 | 5 | 2 | 50 | 5 | 5 | 5 | 5 |
4.分组聚合
现有如下图所示学生信息,请根据图中的信息完成以下操作。
年级 | 姓名 | 年龄 | 性别 | 身高 | 体重 | |
0 | 大一 | 张三 | 18 | 男 | 175 | 65 |
1 | 大二 | 李四 | 19 | 女 | 165 | 70 |
2 | 大三 | 王五 | 20 | 男 | 178 | 75 |
3 | 大四 | 刘六 | 22 | 男 | 175 | 55 |
4 | 大二 | 孔七 | 12 | 女 | 160 | 70 |
5 | 大三 | 冯八 | 32 | 男 | 180 | 70 |
6 | 大一 | 孟九 | 21 | 女 | 167 | 52 |
7 | 大三 | 孔十 | 22 | 女 | 170 | 53 |
8 | 大四 | 张三一 | 12 | 男 | 185 | 73 |
- 根据年级信息为分组键,对学生信息进行分组,并输出大一学生信息。
- 分别计算四个年级中身高最高的同学。
- 计算大一学生与大三学生的平均体重。
students_data = pd.DataFrame({'年级':['大一','大二','大三','大四','大二','大三','大一','大三','大四'],
'姓名':['张三','李四','王五','刘六','孔七','冯八','孟九','孔十','张三一'],
'年龄':[18,19,20,22,12,32,21,22,12],
'性别':['男','女','男','男','女','男','女','女','男'],
'身高':[175,165,178,175,160,180,167,170,185],
'体重':[65,70,75,55,70,70,52,53,73]})
students_data
年级 | 姓名 | 年龄 | 性别 | 身高 | 体重 | |
0 | 大一 | 张三 | 18 | 男 | 175 | 65 |
1 | 大二 | 李四 | 19 | 女 | 165 | 70 |
2 | 大三 | 王五 | 20 | 男 | 178 | 75 |
3 | 大四 | 刘六 | 22 | 男 | 175 | 55 |
4 | 大二 | 孔七 | 12 | 女 | 160 | 70 |
5 | 大三 | 冯八 | 32 | 男 | 180 | 70 |
6 | 大一 | 孟九 | 21 | 女 | 167 | 52 |
7 | 大三 | 孔十 | 22 | 女 | 170 | 53 |
8 | 大四 | 张三一 | 12 | 男 | 185 | 73 |
# 根据年级信息为分组键,对学生信息进行分组,并输出大一学生信息。
data = students_data.groupby('年级')
Freshaman = dict([x for x in data])['大一']
Freshaman
年级 | 姓名 | 年龄 | 性别 | 身高 | 体重 | |
0 | 大一 | 张三 | 18 | 男 | 175 | 65 |
6 | 大一 | 孟九 | 21 | 女 | 167 | 52 |
# 分别计算四个年级中身高最高的同学。
data1 = students_data[['身高','年级']].groupby(by='年级').max()
data2 = pd.merge(students_data,data1,on=['身高','年级'],how='right')
data2
姓名 | 年龄 | 性别 | 身高 | 体重 | |
年级 | |||||
大一 | 张三 | 18 | 男 | 175 | 65 |
大二 | 李四 | 19 | 女 | 165 | 70 |
大三 | 冯八 | 32 | 男 | 180 | 70 |
大四 | 张三一 | 12 | 男 | 185 | 73 |
# 计算大一学生与大三学生的平均体重。
print(Freshaman['体重'].apply('mean'))
58.5
data = students_data.groupby('年级')
Freshaman = dict([x for x in data])['大三']
print(Freshaman['体重'].apply('mean'))
66.0