上一部分

复习：在前面我们已经学习了Pandas基础，知道利用Pandas读取csv数据的增删查改，今天我们要学习的就是探索性数据分析，主要介绍如何利用Pandas进行排序、算术计算以及计算描述函数describe()的使用。

【笔者注】该教程第一章第三部分感觉和前两部分有不小的区别

• 1 第一章：探索性数据分析
  • 开始之前，导入numpy、pandas包和数据
  • 1.6 了解你的数据吗？
    • 1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序
    • 1.6.2 任务二：对泰坦尼克号数据（trian.csv）按票价和年龄两列进行综合排序（降序排列），从这个数据中你可以分析出什么？
    • 1.6.3 任务三：利用Pandas进行算术计算，计算两个DataFrame数据相加结果
    • 1.6.4 任务四：通过泰坦尼克号数据如何计算出在船上最大的家族有多少人？
    • 1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息
    • 1.6.6 任务六：分别看看泰坦尼克号数据集中 票价、父母子女个数 的基本统计数据，你能发现什么？

1 第一章：探索性数据分析

开始之前，导入numpy、pandas包和数据

In [1]:

#加载所需的库
import numpy as np
import pandas as pd

In [2]:

#载入之前保存的train_chinese.csv数据，关于泰坦尼克号的任务，我们就使用这个数据
df=pd.read_csv('train_chinese.csv')
pd.options.display.max_rows=6
df

Out[2]:

891 rows × 12 columns

1.6 了解你的数据吗？

教材《Python for Data Analysis》第五章

1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序

具体请看《利用Python进行数据分析》第五章 排序和排名 部分。

先构建一个都为数字的DataFrame对象

In [3]:

dfTmp=pd.DataFrame(np.random.randint(0,10,size=(4,4)),index=[2,1,0,3],columns=['d','a','b','c'])
dfTmp

Out[3]:

【问题】：大多数时候我们都是想根据列的值来排序,所以将你构建的DataFrame中的数据根据某一列，升序排列

使用DataFrame对象的sort_values方法，by参数用来指定关键字是哪个或哪些字段，ascending参数用来决定是否升序。

以下的排序函数均保持inplace参数为默认值False，不写回原对象。

In [4]:

dfTmp.sort_values(by=['d'],ascending=True)

Out[4]:

【思考】通过书本你能说出Pandas对DataFrame数据的其他排序方式吗？

【总结】下面将不同的排序方式做一个总结

1. 让行索引升序排序

In [5]:

dfTmp.sort_index(axis=0)

Out[5]:

1. 让列索引升序排序

In [6]:

dfTmp.sort_index(axis=1)

Out[6]:

1. 让列索引降序排序

In [7]:

dfTmp.sort_index(axis=1,ascending=False)

Out[7]:

1. 任选两列数据，分别作为第一关键字和第二关键字，均降序排序

原文此处表述如下

让任选两列数据同时降序排序

笔者认为“同时降序排序”不够准确，故做了修改。

In [8]:

dfTmp.sort_values(by=['b','d'],ascending=False)

Out[8]:

1.6.2 任务二：对泰坦尼克号数据（trian.csv）按票价和年龄两列进行综合排序（降序排列），从这个数据中你可以分析出什么？

In [9]:

#票价最高的20人中的幸存人数
df.sort_values(by=['票价'],ascending=False).head(20).是否幸存.sum()

Out[9]:

14

In [10]:

#票价最低的20人中的幸存人数
df.sort_values(by=['票价']).head(20).是否幸存.sum()

Out[10]:

1

【原文思考】排序后，如果我们仅仅关注年龄和票价两列。根据常识我知道发现票价越高的应该客舱越好，所以我们会明显看出，票价前20的乘客中存活的有14人，这是相当高的一个比例，那么我们后面是不是可以进一步分析一下票价和存活之间的关系，年龄和存活之间的关系呢？当你开始发现数据之间的关系了，数据分析就开始了。

【笔者思考】正如上面所说，票价和存活有很大关系，票价前20的乘客中存活了14人，票价最低的20人中存活了1人。另一方面，日常生活中，票价在很大程度上还和乘船区间长度有关，需要把登船港口字段考虑在内，但缺失下船港口的数据，所以暂时不能看出乘船区间长度。

多做几个数据的排序

In [11]:

#年龄最小的20人中的幸存人数
df.sort_values(by=['年龄']).head(10).是否幸存.sum()

Out[11]:

9

In [12]:

#年龄最大的20人中的幸存人数
df.sort_values(by=['年龄']).tail(10).是否幸存.sum()

Out[12]:

2

看来机会在很大程度上留给了孩子、年轻人。

1.6.3 任务三：利用Pandas进行算术计算，计算两个DataFrame数据相加结果

具体请看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分

In [13]:

df1=pd.DataFrame(np.random.randint(0,10,size=(4,4)),index=[0,1,2,3],columns=['a','b','c','d'])
df1

Out[13]:

In [14]:

df2=pd.DataFrame(np.random.randint(0,10,size=(4,4)),index=[1,2,3,4],columns=['a','b','e','f'])
df2

Out[14]:

将frame_a和frame_b进行相加

In [15]:

df1+df2

Out[15]:

【提醒】两个DataFrame相加后，会返回一个新的DataFrame，对应的行和列的值会相加，没有对应的会变成空值NaN。
当然，DataFrame还有很多算术运算，如减法，除法等，有兴趣的同学可以看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分，多在网络上查找相关学习资料。

1.6.4 任务四：通过泰坦尼克号数据如何计算出在船上最大的家族有多少人？

【提醒】我们只需找出”兄弟姐妹个数“和”父母子女个数“之和最大的数

In [16]:

# 计算家族人数并写回df
df['家族人数']=df['兄弟姐妹个数']+df['父母子女个数']

In [17]:

df.sort_values(by=['家族人数']).iloc[-1].家族人数

Out[17]:

10

答案用了一种更快的方法，假设后续分析不需要家族人数的信息，就不用将计算结果写回。代码如下：

In [18]:

max(df['兄弟姐妹个数']+df['父母子女个数'])

Out[18]:

10

1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息

In [19]:

df1

Out[19]:

In [20]:

pd.options.display.max_rows=20
df1.describe()

Out[20]:

1.6.6 任务六：分别看看泰坦尼克号数据集中 票价、父母子女个数 的基本统计数据，你能发现什么？

In [21]:

df.describe()

Out[21]:

【笔者思考】从上面数据我们可以看出，有几乎80%的乘客的票价不高于平均值，票价不高的人很多，票价很高的人很少，如果假设大家的乘船区间长度对票价影响小，舱位等级对票价影响大，那么可以看出乘客的贫富差距较大。绝大对数人的父母子女个数为0，可能是登记时处于隐私考虑，隐瞒了真实数据。

【原文思考】从上面数据我们可以看出， 一共有891个票价数据， 平均值约为：32.20， 标准差约为49.69，说明票价波动特别大， 25%的人的票价是低于7.91的，50%的人的票价低于14.45，75%的人的票价低于31.00， 票价最大值约为512.33，最小值为0。

多做几个组数据的统计，看看你能分析出什么？

【笔者思考】

1. 平均幸存率约为38.4%，非常惨烈；
2. 登记了年龄的乘客的平均年龄约30岁，有一半的乘客低于28岁，只有四分之一的乘客高于38岁，说明乘客总体偏年轻。

【总结】本节中我们通过Pandas的一些内置函数对数据进行了初步统计查看，这个过程最重要的不是大家得掌握这些函数，而是看懂从这些函数出来的数据，构建自己的数据分析思维，这也是第一章最重要的点，希望大家学完第一章能对数据有个基本认识，了解自己在做什么，为什么这么做，后面的章节我们将开始对数据进行清洗，进一步分析。