Python计算分布区间 python分布分析

前言

分布分析法，一般是根据分析目的，将数据进行分组，研究各组别分布规律的一种分析方法。数据分组方式有两种：等距或不等距分组。 分布分析在实际的数据分析实践中应用非常广泛，常见的有用户性别分布，用户年龄分布，用户消费分布等等。 本文将进行如下知识点讲解： 1.数据类型的修改 2.新字段生成方法 3.数据有效性校验 4.性别与年龄分布 分布分析

1.导入相关库包

import pandas as pdimport matplotlib.pyplot as pltimport math

2.数据处理

>>> df = pd.read_csv('UserInfo.csv')>>> df.info()RangeIndex: 1000000 entries, 0 to 999999Data columns (total 4 columns):UserId        1000000 non-null int64CardId        1000000 non-null int64LoginTime     1000000 non-null objectDeviceType    1000000 non-null objectdtypes: int64(2), object(2)memory usage: 30.5+ MB

由于接下来我们需要做年龄分布分析，但是从源数据info()方法可知，并无年龄字段，需要自己生成。

# 提取出生日期需要先把身份证号码转换成字符串>>> df['CardId'] = df['CardId'].astype('str')# 提取出生日期，并生成新字段>>> df['DateofBirth'] = df.CardId.apply(lambda x : x[6:10]+"-"+x[10:12]+"-"+x[12:14])# 提取性别，待观察性别分布>>> df['Gender'] = df['CardId'].map(lambda x : 'Male' if int(x[-2]) % 2 else 'Female')>>> df.head()

3.计算年龄

由于数据来源于线下，并未进行数据有效性验证，在进行年龄计算前，先针对数据进行识别，验证。

# 提取出生日期：月和日>>> df[['month','day']] = df['DateofBirth'].str.split('-',expand=True).loc[:,1:2]# 提取小月，查看是否有31号>>> df_small_month = df[df['month'].isin(['02','04','06','09','11'])]# 无效数据，如图所示>>> df_small_month[df_small_month['day']=='31']# 统统删除，均为无效数据>>> df.drop(df_small_month[df_small_month['day']=='31'].index,inplace=True)# 同理，校验2月>>> df_2 = df[df['month']=='02']# 2月份的校验大家可以做的仔细点儿，先判断是否润年再进行删减>>> df_2[df_2['day'].isin(['29','30','31'])]# 统统删除>>> df.drop(df_2[df_2['day'].isin(['29','30','31'])].index,inplace=True)

# 计算年龄# 方法一>>> df['Age'] = df['DateofBirth'].apply(lambda x : math.floor((pd.datetime.now() - pd.to_datetime(x)).days/365))# 方法二>>> df['DateofBirth'].apply(lambda x : pd.datetime.now().year - pd.to_datetime(x).year)

4.年龄分布

# 查看年龄区间，进行分区>>> df['Age'].max(),df['Age'].min()# (45, 18)>>> bins = [0,18,25,30,35,40,100]>>> labels = ['18岁及以下','19岁到25岁','26岁到30岁','31岁到35岁','36岁到40岁','41岁及以上']>>> df['年龄分层'] = pd.cut(df['Age'],bins, labels = labels)

由于该数据记录的是用户登录信息，所以必定有重复数据。而Python如此强大，一个nunique()方法就可以进行去重统计了。

# 查看是否有重复值>>> df.duplicated('UserId').sum()    #47681# 数据总条目>>> df.count()    #980954

分组后用count()方法虽然也能够计算分布情况，但是 仅限于无重复数据的情况

。而Python这么无敌，提供了nunique()方法可用于计算含重复值的情况

>>> df.groupby('年龄分层')['UserId'].count()年龄分层18岁及以下      2526219岁到25岁    25450226岁到30岁    18175131岁到35岁    18141736岁到40岁    18158941岁及以上     156433Name: UserId, dtype: int64# 通过求和，可知重复数据也被计算进去>>> df.groupby('年龄分层')['UserId'].count().sum()# 980954>>> df.groupby('年龄分层')['UserId'].nunique()年龄分层18岁及以下      2401419岁到25岁    24219926岁到30岁    17283231岁到35岁    17260836岁到40岁    17280441岁及以上     148816Name: UserId, dtype: int64>>> df.groupby('年龄分层')['UserId'].nunique().sum()# 933273  = 980954(总)-47681(重复)# 计算年龄分布>>> result = df.groupby('年龄分层')['UserId'].nunique()/df.groupby('年龄分层')['UserId'].nunique().sum()>>> result# 结果年龄分层18岁及以下     0.02573119岁到25岁    0.25951626岁到30岁    0.18518931岁到35岁    0.18494936岁到40岁    0.18515941岁及以上     0.159456Name: UserId, dtype: float64# 格式化一下>>> result = round(result,4)*100>>> result.map("{:.2f}%".format)年龄分层18岁及以下      2.57%19岁到25岁    25.95%26岁到30岁    18.52%31岁到35岁    18.49%36岁到40岁    18.52%41岁及以上     15.95%Name: UserId, dtype: object

通过以上结果及分布图可以知道，19到25岁年龄段的用户占比最高，为26%。 好了，就讲解到这了~ END！