文章目录
- python编程快速上手（持续更新中…）
* - 5.7 高级处理-缺失值处理
– - 5.8 高级处理-数据离散化
– - 5.9 高级处理-合并
– - 5.10 高级处理-交叉表与透视表
– - 5.11 高级处理-分组与聚合
– - 5.12 案例:最流行的电影数据
–
5.7 高级处理-缺失值处理
1 如何处理nan
获取缺失值的标记方式(NaN或者其他标记方式)
判断数据中是否包含NaN：
pd.isnull(df),
pd.notnull(df)
存在缺失值nan:
1、删除存在缺失值的
dropna(axis=’rows’)
注：不会修改原数据，需要接受返回值
2、替换缺失值:
fillna(value, inplace=True)
value:替换成的值
inplace:True:会修改原数据，False:不替换修改原数据，生成新的对象
如果缺失值没有使用NaN标记，比如使用”？”
先替换’?’为np.nan，然后继续处理
2 电影数据的缺失值处理
读取电影数据
movie = pd.read_csv("./data/IMDB-Movie-Data.csv")
2.1 判断缺失值是否存在
pd.notnull(movie)
np.all(pd.notnull(movie))
pd.isnull()
2.2 存在缺失值nan,并且是np.nan
1、删除
pandas删除缺失值，使用dropna的前提是，缺失值的类型必须是np.nan
不修改原数据
movie.dropna()
可以定义新的变量接受或者用原来的变量名
data = movie.dropna()
2、替换缺失值
替换存在缺失值的样本的两列
替换填充平均值，中位数
movie['Revenue (Millions)'].fillna(movie['Revenue (Millions)'].mean(), inplace=True)
替换所有缺失值：
for i in movie.columns:
if np.all(pd.notnull(movie[i])) == False:
print(i)
movie[i].fillna(movie[i].mean(), inplace=True)
2.3 不是缺失值nan，有默认标记的
wis = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data")
以上数据在读取时，可能会报如下错误：
解决办法：
全局取消证书验证import ssl
ssl._create_default_https_context = ssl._create_unverified_context
处理思路分析：
1、先替换’?’为np.nan
df.replace(to_replace=, value=)
to_replace:替换前的值
value:替换后的值
把一些其它值标记的缺失值，替换成np.nan
wis = wis.replace(to_replace='?', value=np.nan)
2、在进行缺失值的处理
删除
wis = wis.dropna()
5.8 高级处理-数据离散化
1 为什么要离散化
连续属性离散化的目的是为了简化数据结构，数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。
2 什么是数据的离散化
连续属性的离散化就是在连续属性的值域上，将值域划分为若干个离散的区间，最后用不同的符号或整数 值代表落在每个子区间中的属性值。
离散化有很多种方法，这使用一种最简单的方式去操作
- 原始人的身高数据：165，174，160，180，159，163，192，184
- 假设按照身高分几个区间段：150~165, 165180,180195
- 这样我们将数据分到了三个区间段，我可以对应的标记为矮、中、高三个类别，
最终要处理成一个”哑变量”矩阵
3 股票的涨跌幅离散化
我们对股票每日的”p_change”进行离散化
3.1 读取股票的数据
先读取股票的数据，筛选出p_change数据
data = pd.read_csv(“./data/stock_day.csv”)
p_change= data[‘p_change’]
3.2 将股票涨跌幅数据进行分组
使用的工具：
pd.qcut(data, q)：
- 对数据进行分组将数据分组，一般会与value_counts搭配使用，统计每组的个数
series.value_counts()：统计分组次数
自行分组
qcut = pd.qcut(p_change, 10)# 计算分到每个组数据个数
qcut.value_counts()
自定义区间分组：
pd.cut(data, bins)
自己指定分组区间
bins = [-100, -7, -5, -3, 0, 3, 5, 7, 100]
p_counts = pd.cut(p_change, bins)
3.3 股票涨跌幅分组数据变成one-hot编码
什么是one-hot编码
把每个类别生成一个布尔列，这些列中只有一列可以为这个样本取值为1.其又被称为热编码。
把下图中左边的表格转化为使用右边形式进行表示：
pd.get_dummies(data, prefix=None)
prefix:分组名字
得出one-hot编码矩阵
dummies = pd.get_dummies(p_counts, prefix="rise")
5.9 高级处理-合并
如果你的数据由多张表组成，那么有时候需要将不同的内容合并在一起分析
1 pd.concat实现数据合并
pd.concat([data1, data2], axis=1)
- 按照行或列进行合并,axis=0为列索引，axis=1为行索引
比如我们将刚才处理好的one-hot编码与原数据合并
按照行索引进行
pd.concat([data, dummies], axis=1)
2 pd.merge
pd.merge(left, right, how=’inner’, on=None)
- 可以指定按照两组数据的共同键值对合并或者左右各自
- left: DataFrame
- right: 另一个DataFrame
- on: 指定的共同键
- how:按照什么方式连接
; 2.1 pd.merge合并
left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})
默认内连接
result = pd.merge(left, right, on=['key1', 'key2'])
result = pd.merge(left, right, on=[‘key1’, ‘key2′], how=’inner’)
左连接
result = pd.merge(left, right, how=’left’, on=[‘key1’, ‘key2’])
右连接
result = pd.merge(left, right, how=’right’, on=[‘key1’, ‘key2’])
外链接
result = pd.merge(left, right, how=’outer’, on=[‘key1’, ‘key2’])
5.10 高级处理-交叉表与透视表
1 交叉表与透视表什么作用
探究股票的涨跌与星期几有关？
以下图当中表示，week代表星期几，1,0代表这一天股票的涨跌幅是好还是坏，里面的数据代表比例
可以理解为所有时间为星期一等等的数据当中涨跌幅好坏的比例
交叉表：交叉表用于计算一列数据对于另外一列数据的分组个数(用于统计分组频率的特殊透视表)
- pd.crosstab(value1, value2)
透视表：透视表是将原有的DataFrame的列分别作为行索引和列索引，然后对指定的列应用聚集函数
- data.pivot_table(）
- DataFrame.pivot_table([], index=[])
2 案例分析
2.1 数据准备
准备两列数据，星期数据以及涨跌幅是好是坏数据
进行交叉表计算
寻找星期几跟股票张得的关系# 1、先把对应的日期找到星期几
date = pd.to_datetime(data.index).weekday
data['week'] = date
2、假如把p_change按照大小去分个类0为界限
data['posi_neg'] = np.where(data['p_change'] > 0, 1, 0)
通过交叉表找寻两列数据的关系
count = pd.crosstab(data['week'], data['posi_neg'])
但是我们看到count只是每个星期日子的好坏天数，并没有得到比例，该怎么去做？
对于每个星期一等的总天数求和，运用除法运算求出比例
算数运算，先求和
sum = count.sum(axis=1).astype(np.float32)
进行相除操作，得出比例
pro = count.div(sum, axis=0)
2.2 查看效果
使用plot画出这个比例，使用stacked的柱状图
pro.plot(kind='bar', stacked=True)
plt.show()
2.3 使用pivot_table(透视表)实现
使用透视表，刚才的过程更加简单
通过透视表，将整个过程变成更简单一些
data.pivot_table(['posi_neg'], index='week')
5.11 高级处理-分组与聚合
分组与聚合通常是分析数据的一种方式，通常与一些统计函数一起使用，查看数据的分组情况
想一想其实刚才的交叉表与透视表也有分组的功能，所以算是分组的一种形式，只不过他们主要是计算次数或者计算比例！！
1 什么分组与聚合
; 2 分组API
DataFrame.groupby(key, as_index=False)
- key:分组的列数据，可以多个
案例:不同颜色的不同笔的价格数据
col =pd.DataFrame({'color': ['white','red','green','red','green'], 'object': ['pen','pencil','pencil','ashtray','pen'],'price1':[5.56,4.20,1.30,0.56,2.75],'price2':[4.75,4.12,1.60,0.75,3.15]})
进行分组，对颜色分组，price进行聚合
分组，求平均值
col.groupby(['color'])['price1'].mean()
col['price1'].groupby(col['color']).mean()
分组，数据的结构不变
col.groupby(['color'], as_index=False)['price1'].mean()
3 星巴克零售店铺数据
现在我们有一组关于全球星巴克店铺的统计数据，如果我想知道美国的星巴克数量和中国的哪个多，或者我想知道中国每个省份星巴克的数量的情况，那么应该怎么办？
数据来源：directory.csv
3.1 数据获取
从文件中读取星巴克店铺数据
导入星巴克店的数据
starbucks = pd.read_csv("../data/starbucks/directory.csv")
3.2 进行分组聚合
按照国家分组，求出每个国家的星巴克零售店数量
count = starbucks.groupby(['Country']).count()
画图显示结果
count['Brand'].plot(kind='bar', figsize=(20, 8))
plt.show()
假设我们加入省市一起进行分组
设置多个索引，set_index()
starbucks.groupby(['Country', 'State/Province']).count()
仔细观察这个结构，与我们前面讲的哪个结构类似？？
与前面的MultiIndex结构类似
5.12 案例:最流行的电影数据
1 需求
现在我们有一组从2006年到2016年1000部最流行的电影数据
数据来源：https://www.kaggle.com/damianpanek/sunday-eda/data
- 问题1：我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？
- 问题2：对于这一组电影数据，如果我们想rating，runtime的分布情况，应该如何呈现数据？
- 问题3：对于这一组电影数据，如果我们希望统计电影分类(genre)的情况，应该如何处理数据？
2 实现
首先获取导入包，获取数据
from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
#文件的路径
path = "./data/IMDB-Movie-Data.csv"#读取文件
df = pd.read_csv(path)
2.1 问题一：我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？
得出评分的平均分
使用mean函数
df[“Rating”].mean()
得出导演人数信息
求出唯一值，然后进行形状获取
## 导演的人数
df["Director"].unique().shape[0] # 或者
np.unique(df["Director"]).shape[0]
644
2.2 问题二：对于这一组电影数据，如果我们想Rating，Runtime (Minutes)的分布情况，应该如何呈现数据？
直接呈现，以直方图的形式
#选择分数列数据，进行plot
df["Rating"].plot(kind='hist',figsize=(20,8))
Rating进行分布展示，进行绘制直方图
matplotlib
plt.figure(figsize=(20,8),dpi=80)
plt.hist(df["Rating"].values,bins=20)
plt.show()
修改刻度的间隔
求出最大最小值
max_ = df["Rating"].max()
min_ = df["Rating"].min()
生成刻度列表
t1 = np.linspace(min_,max_,num=21)
[ 1.9 2.255 2.61 2.965 3.32 3.675 4.03 4.385 4.74 5.095 5.45 5.805 6.16 6.515 6.87 7.225 7.58 7.935 8.29 8.645 9. ]
修改刻度
plt.xticks(t1)
添加网格
plt.grid()
Runtime (Minutes)进行分布展示，进行绘制直方图
plt.figure(figsize=(20,8),dpi=80)
plt.hist(df["Runtime (Minutes)"].values,bins=20)
plt.show()
修改间隔
求出最大最小值
max_ = df["Runtime (Minutes)"].max()
min_ = df["Runtime (Minutes)"].min()
# 生成刻度列表
t1 = np.linspace(min_,max_,num=21)
修改刻度
plt.xticks(np.linspace(min_,max_,num=21))
添加网格
plt.grid()
2.3 问题三：对于这一组电影数据，如果我们希望统计电影分类(genre)的情况，应该如何处理数据？
思路分析
- 思路
- 1、创建一个全为0的dataframe，列索引置为电影的分类，temp_df
- 2、遍历每一部电影，temp_df中把分类出现的列的值置为1
- 3、求和
1、创建一个全为0的dataframe，列索引置为电影的分类，temp_df
进行字符串分割
temp_list = [i.split(",") for i in df["Genre"]]# 获取电影的分类
genre_list = np.unique([i for j in temp_list for i in j])
增加新的列
temp_df = pd.DataFrame(np.zeros([df.shape[0],genre_list.shape[0]]),columns=genre_list)
2、遍历每一部电影，temp_df中把分类出现的列的值置为1
遍历每一部电影，temp_df中把分类出现的列的值置为1
for i in range(1000):
#temp_list[i] ['Action','Adventure','Animation']
#temp_df.ix[i,temp_list[i]]=1
temp_df.loc[i,temp_list[i]]=1
print(temp_df.sum().sort_values())
Musical 26.0
Western 28.0
War 34.0
Music 36.0
Sport 39.0
History 48.0
Animation 67.0
Family 70.0
Biography 98.0
Fantasy 119.0
Mystery 125.0
Sci-Fi 137.0
Horror 139.0
Romance 161.0
Crime 171.0
Thriller 213.0
Adventure 269.0
Comedy 294.0
Action 317.0
Drama 526.0
dtype: float64
3、求和,绘图
求和，绘图
temp_df.sum().sort_values(ascending=False).plot(kind="bar",figsize=(20,8),fontsize=20,colormap="cool")
Original: https://blog.csdn.net/u012441595/article/details/121940461
Author: IT瘾君
Title: 六、Pandas高级处理（缺失值、离散化、合并、交叉表与透视表、分组和聚合）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/700399/
转载文章受原作者版权保护。转载请注明原作者出处！