0基础跟德姆（dom）一起学AI 数据处理和统计分析05-Pandas数分入门
* DataFrame读写文件
* DataFrame加载部分数据
* DataFrame分组聚合计算
* DataFrame常用排序方式
* DataFrame案例-链家数据分析
---
1.DataFrame-保存数据到文件
* 格式
```python
df对象.to_数据格式(路径)
# 例如:
df.to_csv('data/abc.csv')
```
* 代码演示
> 如要保存的对象是计算的中间结果，或者以后会在Python中复用，推荐保存成pickle文件
>
> 如果保存成pickle文件，只能在python中使用, 文件的扩展名可以是`.p，.pkl，.pickl`
```python
# output文件夹必须存在
df.to_pickle('output/scientists.pickle') # 保存为 pickle文件
df.to_csv('output/scientists.csv') # 保存为 csv文件
df.to_excel('output/scientists.xlsx') # 保存为 Excel文件
df.to_excel('output/scientists_noindex.xlsx', index=False) # 保存为 Excel文件
df.to_csv('output/scientists_noindex.csv', index=False) # 保存为 Excel文件
df.to_csv('output/scientists_noindex.tsv', index=False, sep='\t')
print('保存成功')
```
* 注意, pandas读写excel需要额外安装如下三个包
```python
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xlwt
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple openpyxl
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xlrd
```
2.DataFrame-读取文件数据
* 格式
```python
pd对象.read_数据格式(路径)
# 例如:
pd.read_csv('data/movie.csv')
```
* 代码演示
```python
# pd.read_pickle('output/scientists.pickle') # 读取Pickle文件中的内容
# pd.read_excel('output/scientists.xlsx') # 多1个索引列
# pd.read_csv('output/scientists.csv') # 多1个索引列
pd.read_csv('output/scientists_noindex.csv') # 正常数据
```
3.DataFrame-数据分析入门
* 回顾 `DataFrame` 和 `Series`概念
* Pandas是用于数据分析的开源Python库，可以实现数据加载，清洗，转换，统计处理，可视化等功能
* DataFrame和Series是Pandas最基本的两种数据结构
* **DataFrame用来处理结构化数据**（SQL数据表，Excel表格）
* **Series用来处理单列数据**，也可以把DataFrame看作由Series对象组成的字典或集合
* **按列加载数据**
> 做数据分析首先要加载数据，并查看其结构和内容，对数据有初步的了解
> 查看行，列数据分布情况
> 查看每一列中存储信息的类型
```python
import pandas as pd
# 1. 加载数据
df = pd.read_csv('data/gapminder.tsv', sep='\t') # 指定切割符为\t
df.head()
# 2. # 查看df类型
type(df)
df.shape # (1704, 6)
df.columns # Index(['country', 'continent', 'year', 'lifeExp', 'pop', 'gdpPercap'], dtype='object')
df.index # RangeIndex(start=0, stop=1704, step=1)
df.dtypes # 查看df对象 每列的数据类型
df.info() # 查看df对象 详细信息
# 3. 加载一列数据
# country_series = df['country']
country_series = df.country # 效果同上
country_series.head() # 查看前5条数据
# 细节: 如果写 df['country'] 则是Series对象, 如果写 df[['country']]则是df对象
# 4. 加载多列数据
subset = df[['country', 'continent', 'year']] # df对象
print(subset.tail())
```
* **按行加载数据**
```python
# 1. 按行加载数据
df.head() # 获取前5条, 最左侧是一列行号, 也是 df的行索引, 即: Pandas默认使用行号作为 行索引.
# 2. 使用 tail()方法, 获取最后一行数据
df.tail(n=1)
# 3. 演示 iloc属性 和 loc属性的区别, loc属性写的是: 行索引值. iloc写的是行号.
df.tail(n=1).loc[1703]
df.tail(n=1).iloc[0] # 效果同上.
# 4. loc属性 传入行索引, 来获取df的部分数据(一行, 或多行)
df.loc[0] # 获取 行索引为 0的行
df.loc[99] # 获取 行索引为 99的行
df.loc[[0, 99, 999]] # loc属性, 根据行索引值, 获取多条数据.
# 5. 获取最后一条数据
# df.loc[-1] # 报错
df.iloc[-1] # 正确
```
* **获取指定行/列数据**
```python
# 1. 获取指定 行|列 数据
df.loc[[0, 1, 2], ['country', 'year', 'lifeExp']] # 行索引, 列名
df.iloc[[0, 1, 2], [0, 2, 3]] # 行索引, 列的编号
# 2. 使用loc 获取所有行的, 某些列
df.loc[:, ['year', 'pop']] # 获取所有行的 year 和 pop列数据
# 3. 使用 iloc 获取所有行的, 某些列
df.iloc[:, [2, 3, -1]] # 获取所有行的, 索引为: 2, 3 以及 最后1列数据
# 4. loc只接收 行列名, iloc只接收行列序号, 搞反了, 会报错.
# df.loc[:, [2, 3, -1]] # 报错
# df.iloc[:, ['country', 'continent']] # 报错
# 5. 也可以通过 range()生成序号, 结合 iloc 获取连续多列数据.
df.iloc[:, range(1, 5, 2)]
df.iloc[:, list(range(1, 5, 2))] # 把range()转成列表, 再传入, 也可以.
# 6. 在iloc中, 使用切片语法 获取 n列数据.
df.iloc[:, 3:5] # 获取列编号为 3 ~ 5 区间的数据, 包左不包右, 即: 只获取索引为3, 4列的数据.
df.iloc[:, 0:6:2] # 获取列编号为 0 ~ 6 区间, 步长为2的数据, 即: 只获取索引为0, 2, 4列的数据.
# 7. 使用loc 和 iloc 获取指定行, 指定列的数据.
df.loc[42, 'country'] # 行索引为42, 列名为:country 的数据
df.iloc[42, 0] # 行号为42, 列编号为: 0 的数据
# 8. 获取多行多列
df.iloc[[0, 1, 2], [0, 2, 3]] # 行号, 列的编号
df.loc[2:6, ['country', 'lifeExp', 'gdpPercap']] # 行索引, 列名 推荐用法.
```
4.DataFrame-分组聚合计算
* 概述
* 在我们使用Excel或者SQL进行数据处理时，Excel和SQL都提供了基本的统计计算功能
* 当我们再次查看gapminder数据的时候，可以根据数据提出几个问题
* 每一年的平均预期寿命是多少？
* 每一年的平均人口和平均GDP是多少？
* 如果我们按照大洲来计算，每年个大洲的平均预期寿命，平均人口，平均GDP情况又如何？
* 在数据中，每个大洲列出了多少个国家和地区？
* 分组方式
* 对于上面提出的问题，需要进行**分组-聚合**计算
* 先将数据分组（**每一年的平均预期寿命问题 按照年份将相同年份的数据分成一组**）
* 对每组的数据再去进行**统计计算**如，求平均，求每组数据条目数（频数）等
* 再将每一组计算的**结果合并**起来
* 可以使用DataFrame的**groupby方法完成分组/聚合计算**
* 语法格式
```python
df.groupby('分组字段')['要聚合的字段'].聚合函数()
df.groupby(['分组字段','分组字段2'])[['要聚合的字段','要聚合的字段2']].聚合函数()
```
> 分组后默认会把**分组字段作为结果的行索引(index)**
>
> 如果是多字段分组, 得到的是MultiIndex(复合索引), 此时可以通过reset_index() 把复合索引变成普通的列
>
> 例如: **df.groupby(['year', 'continent'])[['lifeExp', 'gdpPercap']].mean().reset_index()**
>
> 基本代码调用的过程
>
> - 通过df.groupby('year')先创一个分组对象
> - 从分组之后的数据DataFrameGroupBy中，传入列名进行进一步计算返回结果为一个 SeriesGroupBy ，其内容是分组后的数据
> - 对分组后的数据计算平均值
* 代码演示
```python
# 1. 统计每年, 平均预期寿命
# SQL写法: select year, avg(lifeExp) from 表名 group by year;
df.groupby('year')['lifeExp'].mean()
# 2. 上述代码, 拆解介绍.
df.groupby('year') # 它是1个 DataFrameGroupBy df分组对象.
df.groupby('year')['lifeExp'] # 从df分组对象中提取的 SeriesGroupBy Series分组对象(即: 分组后的数据)
df.groupby('year')['lifeExp'].mean() # 对 Series分组对象(即: 分组后的数据), 具体求平均值的动作.
# 3. 对多列值, 进行分组聚合操作.
# 需求: 按照年, 大洲分组, 统计每年, 每个大洲的 平均预期寿命, 平均gdp
df.groupby(['year', 'continent'])[['lifeExp', 'gdpPercap']].mean()
# 4. 统计每个大洲, 列出了多少个国家和地区.
df.groupby('continent')['country'].value_counts() # 频数计算, 即: 每个洲, 每个国家和地区 出现了多少次.
df.groupby('continent')['country'].nunique() # 唯一值计数, 即: 每个大洲, 共有多少个国家和地区 参与统计.
```
5.Pandas-基本绘图
* 概述
* 可视化在数据分析的每个步骤中都非常重要
* 在理解或清理数据时，可视化有助于识别数据中的趋势
* 参考代码
```python
data = df.groupby('year')['lifeExp'].mean() # Series对象
data.plot() # 默认绘制的是: 折线图. 更复杂的绘图, 后续详解.
```
6.Pandas-常用排序方法
* 第1步: 加载并查看数据
```python
import pandas as pd
# 1. 加载数据.
movie = pd.read_csv('data/movie.csv')
movie.head()
# 2. 查看数据字段说明.
movie.columns
# 3. 查看数据行列数
movie.shape # (4916, 28)
# 4. 统计数值列, 并进行转置.
movie.describe()
movie.describe().T # T表示转置操作, 即: 行列转换.
# 5. 统计对象 和 类型列
movie.describe(include='all') # 统计所有的列, 包括: 数值列, 类别类型, 字符串类型
movie.describe(include=object) # 类别类型, 字符串类型
# 6. 通过info() 方法了解不同字段的条目数量，数据类型，是否缺失及内存占用情况
movie.info()
```
* 第2步: 完整具体的需求
```python
# 需求1: 找到小成本, 高口碑电影.
# 即: 从最大的N个值中, 选取最小值.
# 1. 加载数据.
movie2 = movie[['movie_title', 'imdb_score', 'budget']] # 电影名, 电影评分, 成本(预算)
# nlargest(): 获取某个字段取值最大的前n条数据.
# nsmallest(): 获取某个字段取值最大的前n条数据.
# 2. 用 nlargest()方法, 选出 imdb_score 分数最高的100个数据.
movie2.nlargest(100, 'imdb_score')
# 3. 用 smallest()方法, 从上述数据中, 挑出预算最小的 5步电影.
movie2.nlargest(100, 'imdb_score').nsmallest(5, 'budget')
# 需求2: 找到每年imdb评分最高的电影
# 1. 获取数据.
movie3 = movie[['movie_title', 'title_year', 'imdb_score']] # 电影名, 上映年份, 电影评分
# 2. sort_values() 按照年排序.
movie3.sort_values('title_year', ascending=False).head() # 按年降序排列, 查看数据.
# 3. 同时对 title_year, imdb_score 两列进行排序.
# movie4 = movie3.sort_values(['title_year', 'imdb_score'], ascending=[False, False])
movie4 = movie3.sort_values(['title_year', 'imdb_score'], ascending=False) # 效果同上
movie4.head()
# 4. 用 drop_duplicates()去重, 只保留每年的第一条数据
# subset: 指定要考虑重复的列。
# keep: first/last/False 去重的时候, 保留第一条/保留最后一条/删除所有
movie4.drop_duplicates(subset='title_year').head()
```
7.Pandas案例-链家数据分析
* 准备数据
```python
import pandas as pd
# 1. 加载数据
house_data = pd.read_csv('data/LJdata.csv')
# 2. 把列名替换为英文
# 2.1 查看原始列名
house_data.columns
# 2.2 替换原始列名.
house_data.columns = ['district', 'address', 'title', 'house_type', 'area', 'price', 'floor', 'build_time', 'direction', 'update_time', 'view_num', 'extra_info', 'link']
```
* 查看源数据
```python
# 3. 查看数据
house_data.head() # 查看数据前 5 行
house_data.info() # 查看列数据 分布
house_data.describe() # 查看列统计指标
house_data.shape # 查看数据维度: (2760, 13)
```
* 完成具体需求
```python
# 4. 需求1: 找到租金最低, 和租金最高的房子.
# 4.1 获取最低价格 和 最高价格. by:表示 根据哪列排序, ascending 表示升序或者降序
house_data.sort_values(by='price').head(1) # 1300元
house_data.sort_values(by='price').tail(1) # 210000元
# 4.2 查看具体的 租金最高 和 租金最低的房子.
house_data.loc[house_data['price'] == 210000]
house_data.loc[house_data['price'] == 1300]
# 5. 需求2: 找到最近新上的 10套房源.
house_data.sort_values(by='update_time', ascending=False).head(10)
# 6. 需求3: 查看所有更新时间.
house_data['update_time'].unique()
# 7. 需求4: 查看看房人数
house_data['view_num'].mean() # 平均值
house_data['view_num'].median() # 中位数
house_data.describe() # 可以查看上述值.
# 不同看房人数的房源数量, as_index=False 表示 分组字段不作为行索引(默认为True)
tmp_df = house_data.groupby('view_num', as_index=False)['district'].count()
tmp_df.columns = ['view_num', 'count']
tmp_df.head()
# 8. 需求5: 通过图表, 展示上述的数据.
tmp_df['count'].plot(kind='bar', figsize=(20,10)) # 柱状体, 宽, 高.
# 9. 需求6: 房租价格分布
house_data['price'].mean() # 平均值
house_data['price'].std() # 标准差
house_data['price'].median() # 中位数
# 10. 需求7: 看房人数最多的朝向.
popular_direction = house_data.groupby('direction', as_index=False)[['view_num']].sum()
house_data.groupby('direction', as_index=False)[['view_num']].max()
popular_direction[popular_direction['view_num'] == popular_direction['view_num'].max()]
# 11. 需求8: 房型分布情况.
# 设置正常显示汉字和负号
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 正常显示汉字
plt.rcParams['axes.unicode_minus'] = False # 正常显示负号
# mac本设置如下
# plt.rcParams['font.family'] = 'Arial Unicode MS'
house_type_dis = house_data.groupby(['house_type']).count()
# %matplot inline
house_type_dis['district'].plot(kind='bar', figsize=(20, 10))
# 12. 需求9: 最受欢迎的房型.
tmp = house_data.groupby('house_type', as_index=False)['view_num'].sum()
tmp = house_data.groupby('house_type', as_index=False).agg({'view_num': 'sum'}) # 效果同上
tmp[tmp.view_num == tmp.view_num.max()]
# 13. 需求10: 房子的平均租房价格 (元/平米)
house_data.loc[:, 'price_per_m2'] = house_data['price'] / house_data['area']
house_data['price_per_m2'].mean()
# 14. 需求11: 热门小区
address_df = house_data[['address', 'view_num']].groupby(['address'], as_index=False).sum()
address_df.sort_values(by='view_num', ascending=False).head()
# 15. 需求12: 出租房源最多的小区.
tmp_df2 = house_data[['address', 'view_num']].groupby(['address'], as_index=False).count()
tmp_df2.columns = ['address', 'count']
tmp_df2.nlargest(columns = 'count', n = 1)
```