Python数据分析复习整理（综合应用）

数据分析

指使用适当的统计分析方法对搜集来的大量数据进行分析，提取有用信息并形成结论，从而对数据进行更加详细的研究和概括总结的过程。

数组转置

数据转置是数组重塑的一种特殊形式。

哑变量

又称虚拟变量，是用以反映质的属性的一种人工变量，是量化了的质变量，通常取值0或1。

离散化

将数值进行离散化分段统计以提高数据的区分度。

1.Numpy

1.创建一个数组，数组的shape为（3,2），元素都是0。

import numpy as np

# 1.创建一个数组，数组的shape为（3,2），元素都是0。
a = np.zeros([3,2])
a

array([[0., 0.],
       [0., 0.],
       [0., 0.]])

# 重塑上述数组的维度为2行3列。
b = a.reshape(2,3)
b

array([[0., 0., 0.],
       [0., 0., 0.]])

# 创建一个表示国际象棋棋盘的8*8数组，其中，棋盘白色用0填充，黑色用1表示
arr = np.zeros((8,8),dtype=int)
# 从第一行开始，行间隔为2，从第0列开始，列间隔为2，赋值为1
arr[1::2,0::2] = 1
# 从第0行开始，行间隔为2，从第1列开始，列间隔为2，赋值为1
arr[0::2,1::2] = 1
arr

array([[0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0]])

2.Pandas

import pandas as pd

# 使用DataFrame创建数据
df_data = np.array([[1,2,7,3],[5,2,4,0],[8,4,2,5],[8,9,3,2]])
col_data = np.array(['A','B','C','D'])
# 基于数据创建DataFrame对象
df_obj = pd.DataFrame(columns=col_data,data=df_data)
df_obj

	A	B	C	D
0	1	2	7	3
1	5	2	4	0
2	8	4	2	5
3	8	9	3	2

# 对B列数据进行降序排序
sort_value_data = df_obj.sort_values(by=['B'],ascending=False)
sort_value_data

	A	B	C	D
3	8	9	3	2
2	8	4	2	5
0	1	2	7	3
1	5	2	4	0

# 将排序后的数据写入到csv文件，并命名为write_data.csv
sort_value_data.to_csv(r'D:\write_data.csv')

3.数据预处理

现有如下图所示两组数据，其中A组中B列数据存在缺失值。

A组

	A	B	C	key
0	2	5	8	3
1	3	nan	7	4
2	5	2	50	5
3	2	3	8	2
4	3	6	2	2

B组

	A	B	C
0	3	3	3
1	4	4	4
2	5	5	5

1. 使用DataFrame创建这两组数据。
2. 对A组中的缺失值进行填充，填充方向为时间填充。
3. 合并A组和B组，要求按列的方向堆叠数据，并使用内连接。

#使用DataFrame创建这两组数据。
group_a = pd.DataFrame({'A':[2,3,5,2,3],
                       'B':[5,np.nan,2,3,6],
                       'C':[8,7,50,8,2],
                       'key':[3,4,5,2,2]},dtype=int)
group_b = pd.DataFrame({'A':[3,4,5],
                       'B':[3,4,5],
                       'C':[3,4,5]},dtype=int)
print(group_a)
print(group_b)

   A    B   C  key
0  2    5   8    3
1  3  NaN   7    4
2  5    2  50    5
3  2    3   8    2
4  3    6   2    2
   A  B  C
0  3  3  3
1  4  4  4
2  5  5  5

# 对A组中的缺失值进行填充，填充方向为时间填充。
group_a = group_a.fillna(method='ffill')
group_a

	A	B	C	key
0	2	5	8	3
1	3	5	7	4
2	5	2	50	5
3	2	3	8	2
4	3	6	2	2

# 合并A组和B组，要求按列的方向堆叠数据，并使用内连接。
group_c = pd.concat([group_a,group_b],axis=1,join='inner')
group_c

	A	B	C	key	A	B	C
0	2	5	8	3	3	3	3
1	3	5	7	4	4	4	4
2	5	2	50	5	5	5	5

4.分组聚合

现有如下图所示学生信息，请根据图中的信息完成以下操作。

	年级	姓名	年龄	性别	身高	体重
0	大一	张三	18	男	175	65
1	大二	李四	19	女	165	70
2	大三	王五	20	男	178	75
3	大四	刘六	22	男	175	55
4	大二	孔七	12	女	160	70
5	大三	冯八	32	男	180	70
6	大一	孟九	21	女	167	52
7	大三	孔十	22	女	170	53
8	大四	张三一	12	男	185	73

1. 根据年级信息为分组键，对学生信息进行分组，并输出大一学生信息。
2. 分别计算四个年级中身高最高的同学。
3. 计算大一学生与大三学生的平均体重。

students_data = pd.DataFrame({'年级':['大一','大二','大三','大四','大二','大三','大一','大三','大四'],
                             '姓名':['张三','李四','王五','刘六','孔七','冯八','孟九','孔十','张三一'],
                             '年龄':[18,19,20,22,12,32,21,22,12],
                             '性别':['男','女','男','男','女','男','女','女','男'],
                              '身高':[175,165,178,175,160,180,167,170,185],
                              '体重':[65,70,75,55,70,70,52,53,73]})
students_data

	年级	姓名	年龄	性别	身高	体重
0	大一	张三	18	男	175	65
1	大二	李四	19	女	165	70
2	大三	王五	20	男	178	75
3	大四	刘六	22	男	175	55
4	大二	孔七	12	女	160	70
5	大三	冯八	32	男	180	70
6	大一	孟九	21	女	167	52
7	大三	孔十	22	女	170	53
8	大四	张三一	12	男	185	73

# 根据年级信息为分组键，对学生信息进行分组，并输出大一学生信息。
data = students_data.groupby('年级')
Freshaman = dict([x for x in data])['大一']
Freshaman

	年级	姓名	年龄	性别	身高	体重
0	大一	张三	18	男	175	65
6	大一	孟九	21	女	167	52

# 分别计算四个年级中身高最高的同学。
data1 = students_data[['身高','年级']].groupby(by='年级').max()
data2 = pd.merge(students_data,data1,on=['身高','年级'],how='right')
data2

	姓名	年龄	性别	身高	体重
年级
大一	张三	18	男	175	65
大二	李四	19	女	165	70
大三	冯八	32	男	180	70
大四	张三一	12	男	185	73

# 计算大一学生与大三学生的平均体重。
print(Freshaman['体重'].apply('mean'))

58.5

data = students_data.groupby('年级')
Freshaman = dict([x for x in data])['大三']
print(Freshaman['体重'].apply('mean'))

66.0