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()