目录
Pandas的主要方法
排序
索引和获取数据
应用函数到单元格、列、行
分组（Groupby）
汇总表
增减DataFrame的行列
预测离网率
本篇通过分析电信运营商的客户离网率来熟悉Pandas数据探索的常用方法，并构建一个预测客户离网率的简单模型
Pandas的主要方法
导入相关库
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings('ignore') # 利用过滤器实现忽略告警通过 read_csv() 方法读取数据，然后使用 head() 方法查看前 5 行数据。
查看数据行列
打印列名
使用 info() 方法输出 DataFrame 的一些总体信息
astype() 方法可以更改列的类型，下列公式将 Churn 离网率 特征修改为 int64 类型。
describe() 方法可以显示数值特征（int64 和 float64）的基本统计学特性，如未缺失值的数值、均值、标准差、范围、四分位数等。
通过 include 参数显式指定包含的数据类型，可以查看非数值特征的统计数据。
value_counts() 方法可以查看类别（类型为 object ）和布尔值（类型为 bool ）特征。让我们看下 Churn 离网率 的分布。
上述结果表明，在 3333 位客户中， 2850 位是忠实客户，他们的 Churn 值为 0。调用 value_counts() 函数时，加上 normalize=True 参数可以显示比例。
排序
DataFrame 可以根据某个变量的值（也就是列）排序。比如，根据每日消费额排序（设置 ascending=False 倒序排列）。
此外，还可以根据多个列的数值排序。下面函数实现的功能为：先按 Churn 离网率 升序排列，再按 Total day charge 每日总话费 降序排列，优先级 Churn > Tatal day charge。
索引和获取数据
使用 DataFrame['Name'] 可以得到一个单独的列。比如，离网率有多高？
对一家公司而言，14.5% 的离网率是一个很糟糕的数据，这么高的离网率可能导致公司破产。
布尔值索引同样很方便，语法是 df[P(df['Name'])]，P 是在检查 Name 列每个元素时所使用的逻辑条件。这一索引的输出是 DataFrame 的 Name 列中满足 P 条件的行。
让我们使用布尔值索引来回答这样以下问题：离网用户的数值变量的均值是多少？
离网用户在白天打电话的总时长的均值是多少？
未使用国际套餐（International plan == NO）的忠实用户（Churn == 0）所打的最长的国际长途是多久？
DataFrame 可以通过列名、行名、行号进行索引。loc 方法为通过名称索引，iloc 方法为通过数字索引。
通过 loc 方法输出 0 至 5 行、State 州 至 Area code 区号 的数据。
通过 ilo 方法输出前 5 行的前 3 列数据（和典型的 Python 切片一样，不含最大值）
df[:1] 和 df[-1:] 可以得到 DataFrame 的首行和末行。
应用函数到单元格、列、行
通过 apply() 方法应用函数 max 至每一列，即输出每列的最大值。
apply() 方法也可以应用函数至每一行，指定 axis=1 即可。在这种情况下，使用 lambda 函数十分方便。比如，下面函数选中了所有以 W 开头的州。
map() 方法可以通过一个 {old_value:new_value} 形式的字典替换某一列中的值。
使用 repalce() 方法一样可以达到替换的目的。
分组（Groupby）
Pandas 下分组数据的一般形式为：
df.groupby(by=grouping_columns)[columns_to_show].function()对上述函数的解释：
-
groupby()方法根据 grouping_columns 的值进行分组。 - 接着，选中感兴趣的列（columns_to_show）。若不包括这一项，那么就会选中所有非 groupby 列（即除 grouping_colums 外的所有列）。
- 最后，应用一个或多个函数（function）。
根据 Churn 离网率 变量的值对数据进行分组，显示每组的统计数据。
和上面的例子类似，只不过这次将一些函数传给 agg()，通过 agg() 方法对分组后的数据进行聚合。
汇总表
透视表(Pivot Table)是电子表格程序和其他数据探索软件中一种常见的数据汇总工具。它根据一个或多个键对数据进行聚合，并根据行和列上的分组将数据分配到各个矩形区域中。
通过 pivot_table() 方法可以建立透视表，其参数如下：
- values 表示需要计算的统计数据的变量列表
- index 表示分组数据的变量列表
- aggfunc 表示需要计算哪些统计数据，例如，总和、均值、最大值、最小值等。
现在，通过 pivot_table() 方法查看不同区号下白天、夜晚、深夜的电话量的均值。
交叉表（Cross Tabulation）是一种用于计算分组频率的特殊透视表，在 Pandas 中一般使用 crosstab() 方法构建交叉表。
构建一个交叉表查看样本的 Churn 离网率 和 International plan 国际套餐 的分布情况。
构建一个交叉表查看 Churn 离网率 和 Voice mail plan 语音邮件套餐 的分布情况。
上述结果表明，大部分用户是忠实用户，同时他们并不使用额外的服务（国际套餐、语音邮件）。
增减DataFrame的行列
在 DataFrame 中新增列有很多方法，比如，使用 insert()方法添加列，为所有用户计算总的 Total calls 电话量。
上面的代码创建了一个中间 Series 实例，即 tatal_calls，其实可以在不创造这个实例的情况下直接添加列。
使用 drop() 方法删除列和行。
对上述代码的部分解释：
- 将相应的索引
['Total charge', 'Total calls']和axis参数（1 表示删除列，0 表示删除行，默认值为 0）传给drop。 -
inplace参数表示是否修改原始 DataFrame （False 表示不修改现有 DataFrame，返回一个新 DataFrame，True 表示修改当前 DataFrame）。
预测离网率
首先，通过上面介绍的 crosstab() 方法构建一个交叉表来查看 International plan 国际套餐 变量和 Churn 离网率 的相关性，同时使用 countplot() 方法构建计数直方图来可视化结果。
import matplotlib.pyplot as plt
import seaborn as sns
上图表明，开通了国际套餐的用户的离网率要高很多，这是一个很有趣的观测结果。也许，国际电话高昂的话费让客户很不满意。
同理，查看 Customer service calls 客服呼叫 变量与 Chunrn 离网率 的相关性，并可视化结果。
上图表明，在客服呼叫 4 次之后，客户的离网率显著提升。
为了更好的突出 Customer service call 客服呼叫 和 Churn 离网率 的关系，可以给 DataFrame 添加一个二元属性 Many_service_calls，即客户呼叫超过 3 次（Customer service calls > 3）。看下它与离网率的相关性，并可视化结果。
现在我们可以创建另一张交叉表，将 Churn 离网率 与 International plan 国际套餐 及新创建的 Many_service_calls 多次客服呼叫 关联起来
上表表明，在客服呼叫次数超过 3 次并且已办理 International Plan 国际套餐 的情况下，预测一名客户不忠诚的准确率（Accuracy）可以达到 85.8％，计算公式如下：
其中，TP 表示将 True 预测为 True 的数量，TN 表示将 Flase 预测为 Flase 的数量，FP 表示将 Flase 预测为 True 的数量，FN 表示将 True 预测为 Flase 的数量。
