您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iProcess 课程 角色 咨询 工具 讲座 Modeler   Code  
会员   
 
   
 
  
每天15篇文章
不仅获得谋生技能
更可以追随信仰
 
     
   
 订阅
  捐助
python数据分析与建模实现-第一次笔记
 
189 次浏览     评价:  
 2019-7-11 
 
编辑推荐:
本文来自csdn ,文章主要介绍了python做数据分析时,数据的的读取和处理,以及静态结构分析等相关内容。

前言

首先我们做数据分析,想要得出最科学,最真实的结论,必须要有好的数据。而实际上我们一般面对的的都是复杂,多变的数据,所以必须要有强大的数据处理能力,接下来,我从我们面临的最真实的情况,一步一步教会大家怎么做。

1.数据的读取

(1)读取模块
Import pandas as pd
Import numpy as np
(2)读取表格的全部数据
df = pd.read_csv(".data/HR.csv")
(3)读取你所需要的数据
sl_s=df["sactisfaction_level"]

2. 数据的处理

2.1.异常值(空值)处理

2.1.1删除

首先,第一步是对空值的处理。

有两种,一种直接删除,另一种指代。

如果数据多,想简单一点,就直接删除,方法都很简单。

首先,建立一个DataFrame表
1.为了确定是否含有空值:
df.isnull() #如果含有空值,返回True
2.删除
df.dropna() #去掉含空值的行
如果想要删除某一个属性含空值的行就加入subset参数
df.dropna(subset=["B"]) #去掉B属性含空值的行
判断是否有重复的数据:
df.duplicated(["A"]) #A属性中重复的数据返回True
删除A属性重复的行
df.drop_duplicates(["A"])
df.drop_duplicates(["A"],keep=False) #删除A属性全部重复的行
df.drop_duplicates(["A"],keep=first) #删除A属性全部重复的行,保留第一个
df.drop_duplicates(["A"],keep=last) #删除A属性全部重复的行,保留最后一个

2.1.2指代

有些数据非常重要,不能删除,那我们就选择指代,也就是替换

#含空值的数据被替换为“b*”
df.fillna("b*")
#E属性中的含空值的数据被替换成该属性的平均值
df.fillna(df["E"].mean())
#插值替换
如果含空值的元素为最后一个,那么空值的数据替换成和上一个数据一样
如何含空值的元素为中间,那么空值的数据被(上+下)/2代替
df["E"].interpolate()
#3次样条插值 order 参数就是几次样条插值
df["E"].interpolate(method="spline",order=3)

*函数

(4)异常值分析(含有就返回True) --isnull()
sl_s.isnull()
主要表示没有空值
(5)提取异常值的该属性信息
sl_s[sl_s.isnull()]
(6)提取异常值的表格全部信息
df[df["sactisfaction_level"].isnull()]
(7)丢弃异常值 --dropna()
sl_s=sl_s.dropna()
注:删除为空的异常值
可以利用where()把异常数据赋空,然后利用dropna()删除
(8)填充异常值 --fillna()
sl_s=sl_s.fillna()
(9)平均值 --mean()
sl_s.mean()
(10)标准差 --std()
Sl_s.std()
(11)最大值 --max()
sl_s.max()
(12)最小值 --min()
sl_s.min()
(13)中位数 --median()
sl_s.median()
(14)下四分位数 --quantile(q=0.25)
sl_s.quantile(q=0.25)
(15)上四分位数 --quantile(q=0.75)
sl_s.quantile(q=0.75)
(16)偏度 --skew()
sl_s.skew()
分析:小于0 是负偏 均值偏小,大部分数是比他的均值大的
大于 0 稍微有些振偏
远大于0, 是极度振偏,均值要比他的大多数值大好多。
(17)峰度 --kurt()
sl_s.kurt()
分析:<0 相比于正态分布,他的趋势相对平缓
远大于0 说明他的形变是非常大的,所以是不靠谱的
(18)获得离散化的分布(numpy模块) --histogram()
np.histogram(sl_s.values,bins = np.arange(0.0,1.1,0.1))
结果分析:
[195,1214,532,974,…]
[0.0,0.1,0.2,0.3,0.4…]
代表0.0-0.1之间有195个数,0.1-0.2之间有1214个数,以此类推
分布间隔为0.1

3.利用四分位数来去除异常值

3.1.提取大于1的值
le_s[le_s>1]
3.2 去除大于1的异常值
le_s[le_s<=1]
3.3 提取正常值(利用四分位数)
3.3.1 下四分位
q_low=le_s.quantile(q =0.25)
3.3.2 上四分位
q_high=le_s.quantile(q=0.75)
3.3.3 四分位间距
q_interval=q_high-q_low
3.3.4 定义k的值
K=1.5~3之间
如果k=1.5,删除的异常值是中度异常
如果k=3.0,删除的异常值是极度异常
3.3.5 筛选
le_s=le_s[le_s<q_high+k*q_interval][le_s>q_low-k*q_interval]
3.4 数据的个数 --len()
len(le_s)
3.5离散分布直方图(numpy模块)
np.histogram(le_s.values,bins=np.arange(0.0,1.1,0.1))
3.6回顾数据的平均值,标准差,中位数,最大值,最小值,偏度,峰度,确定数据的正常。

4.静态结构分析

4.1每个值出现的次数 --values_counts()
np_s.value_counts()
4.2获取该数据的构成和比例(每个值的频率)
np_s.value_counts(normalize=True)
4.3 排序
np_s.value_counts(normalize=True).sort_index()

5.数据分区间

5.1把数据分成几份 --histogram()
np.histogram(amh_s.values,bins=10) 把数据分成10份
5.2另一种方法 加了区间,计算区间的频数
(左闭右开的区间)
Np.histogram(amh_s.values,bins = np.arange(amh_s.min(),amh_s.max()+10,10))
(左开右闭的区间)
amh_s.value_counts(bins=np.arange (amh_s.min(),amh_s.max()+10,10))

6.英文异常值数据的处理

6.1 首先,统计该数据的分布频数
s_s.value_counts()
6.2确定异常值的名字。
6.3把异常值赋空(NaN) --where()
s_s.where(s_s!="name")
意思是把”name”的数据赋空
6.4把赋空的异常值删除 --dropna()删除异常值
s_s.where(s_s!="name").dropna()
6.5 检查删除异常值的结果
s_s.where(s_s!="name").dropna().value_counts()

7.对比分析

7.1对表格中空值的行删除
Df = df.dropna(axis=0,how=’any’)
axis =0 ,代表的是行删除
how=‘any’ 代表的是含有部分空值就执行行删除
how=‘all’ 代表的是一行全部是空值执行行删除
7.2含有条件性的对异常值的删除
df=df[df["last_evaluation"]<=1] [df["salary"]!="name"][df["department" ]!="sale"]
7.3分组(比如:把同一部门的人分为一组) --groupby()
df.groupby("department")
7.4对分组后的组取均值
df.groupby("department").mean()
7.5 取部分数据(切片) --loc()
df.loc[:,["last_evaluation","department"]] .groupby("department")
7.6 取部分数据求平均
df.loc[:,["last_evaluation","department"]] .groupby("department").mean()
7.7 取部分数据求极差 --apply()
df.loc[:,["average_monthly_hours" ,"department"]].groupby ("department")[ "average_monthly_hours"]. apply(lambda x:x.max()-x.min())

不忘初心,继续前进!

   
189 次浏览  评价: 差  订阅 捐助
相关文章

我们该如何设计数据库
数据库设计经验谈
数据库设计过程
数据库编程总结
 
相关文档

数据库性能调优技巧
数据库性能调整
数据库性能优化讲座
数据库系统性能调优系列
相关课程

高性能数据库设计与优化
高级数据库架构师
数据仓库和数据挖掘技术
Hadoop原理、部署与性能调优
每天2个文档/视频
扫描微信二维码订阅
订阅技术月刊
获得每月300个技术资源
 
 

关于我们 | 联系我们 | 京ICP备10020922号 京公海网安备110108001071号