深度学习之pytjon的数据分析工具pandas

pandas模块为我们提供了非常多的描述性统计分析的指标函数，如总和、均值、最小值、最大值等，我们来具体看看这些函数：

1、随机生成三组数据

import numpy as np
import pandas as pd

np.random.seed(1234)
d1 = pd.Series(2*np.random.normal(size = 100)+3)
d2 = np.random.f(2,4,size = 100)
d3 = np.random.randint(1,100,size = 100)

1
2
3
4
5
6
7

2、统计分析用到的函数

d1.count()          #非空元素计算
d1.min()            #最小值
d1.max()            #最大值
d1.idxmin()         #最小值的位置，类似于R中的which.min函数
d1.idxmax()         #最大值的位置，类似于R中的which.max函数
d1.quantile(0.1)    #10%分位数
d1.sum()            #求和
d1.mean()           #均值
d1.median()         #中位数
d1.mode()           #众数
d1.var()            #方差
d1.std()            #标准差
d1.mad()            #平均绝对偏差
d1.skew()           #偏度
d1.kurt()           #峰度
d1.describe()       #一次性输出多个描述性统计指标

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
必须注意的是，descirbe方法只能针对序列或数据框，一维数组是没有这个方法的

自定义一个函数，将这些统计指标汇总在一起：

def status(x) :
return pd.Series([x.count(),x.min(),x.idxmin(),x.quantile(.25),x.median(),
x.quantile(.75),x.mean(),x.max(),x.idxmax(),x.mad(),x.var(),
x.std(),x.skew(),x.kurt()],index=['总数','最小值','最小值位置','25%分位数',
'中位数','75%分位数','均值','最大值','最大值位数','平均绝对偏差','方差','标准差','偏度','峰度'])

1
2
3
4
5

执行该函数，查看一下d1数据集的这些统计函数值：

df = pd.DataFrame(status(d1))
df

1
2

结果： 



在实际的工作中，我们可能需要处理的是一系列的数值型数据框，如何将这个函数应用到数据框中的每一列呢？可以使用apply函数，这个非常类似于R中的apply的应用方法。 

将之前创建的d1,d2,d3数据构建数据框：

df = pd.DataFrame(np.array([d1,d2,d3]).T, columns=['x1','x2','x3'])
df.head()

df.apply(status)

1
2
3
4

结果： 

3、加载CSV数据

import numpy as np
import pandas as pd

bank = pd.read_csv("D://bank/bank-additional-train.csv")
bank.head()    #查看前5行

1
2
3
4
5

描述性统计1：describe()

result = bank['age'].describe()
pd.DataFrame(result )   #格式化成DataFrame

1
2

描述性统计2：describe(include=[‘number’])

include中填写的是数据类型，若想查看所有数据的统计数据，则可填写object，即include=['object']；若想查看float类型的数据，则为include=['float']。

1
2

result = bank.describe(include=['object'])

1


 

含义：
count：指定字段的非空总数。
unique：该字段中保存的值类型数量，比如性别列保存了男、女两种值，则unique值则为2。
top：数量最多的值。
freq：数量最多的值的总数。

bank.describe(include=['number'])

1

连续变量的相关系数（corr）

bank.corr()

1

协方差矩阵（cov）

bank.cov()

1

删除列

bank.drop('job', axis=1)    #删除年龄列，axis=1必不可少

1

排序

bank.sort_values(by=['job','age'])  #根据工作、年龄升序排序
bank.sort_values(by=['job','age'], ascending=False)     #根据工作、年龄降序排序

1
2

多表连接

准备数据：

import numpy as np
import pandas as pd

student = {'Name':['Bob','Alice','Carol','Henry','Judy','Robert','William'],
'Age':[12,16,13,11,14,15,24],
'Sex':['M','F','M','M','F','M','F']}

score = {'Name':['Bob','Alice','Carol','Henry','William'],
'Score':[75,35,87,86,57]}

df_student = pd.DataFrame(student)
df_student

df_score = pd.DataFrame(score)
df_score

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

student： 



score： 

内连接

stu_score1 = pd.merge(df_student, df_score, on='Name')
stu_score1

1
2
注意，默认情况下，merge函数实现的是两个表之间的内连接，即返回两张表中共同部分的数据。可以通过how参数设置连接的方式，left为左连接；right为右连接；outer为外连接。

左连接

stu_score2 = pd.merge(df_student, df_score, on='Name',how='left')
stu_score2

1
2



左连接中，没有Score的学生Score为NaN

缺失值处理

现实生活中的数据是非常杂乱的，其中缺失值也是非常常见的，对于缺失值的存在可能会影响到后期的数据分析或挖掘工作，那么我们该如何处理这些缺失值呢？常用的有三大类方法，即

删除法

、

填补法

和

插值法

。

删除法

当数据中的某个变量大部分值都是缺失值，可以考虑删除改变量；当缺失值是随机分布的，且缺失的数量并不是很多是，也可以删除这些缺失的观测。

替补法

对于连续型变量，如果变量的分布近似或就是正态分布的话，可以用均值替代那些缺失值；如果变量是有偏的，可以使用中位数来代替那些缺失值；对于离散型变量，我们一般用众数去替换那些存在缺失的观测。

插补法

插补法是基于蒙特卡洛模拟法，结合线性模型、广义线性模型、决策树等方法计算出来的预测值替换缺失值。
此处测试使用上面学生成绩数据进行处理

查询某一字段数据为空的数量

sum(pd.isnull(stu_score2['Score']))
结果：2

1
2

直接删除缺失值

stu_score2.dropna()

1

删除前： 


 

删除后： 



默认情况下，dropna会删除任何含有缺失值的行

删除所有行为缺失值的数据

import numpy as np
import pandas as pd

df = pd.DataFrame([[1,2,3],[3,4,np.nan],
[12,23,43],[55,np.nan,10],
[np.nan,np.nan,np.nan],[np.nan,1,2]],
columns=['a1','a2','a3'])

1
2
3
4
5
6
7

df.dropna()     #该操作会删除所有有缺失值的行数据

1

df.dropna(how='all')    #该操作仅会删除所有列均为缺失值的行数据

1

填充数据

使用一个常量来填补缺失值，可以使用fillna函数实现简单的填补工作：

1、用0填补所有缺失值

df.fillna(0)

1

2、采用前项填充或后向填充

df.fillna(method='ffill')   #用前一个值填充

1

df.fillna(method='bfill')   #用后一个值填充

1

3、使用常量填充不同的列

df.fillna({'a1':100,'a2':200,'a3':300})

1

4、用均值或中位数填充各自的列

a1_median = df['a1'].median()   #计算a1列的中位数
a1_median=7.5

a2_mean = df['a2'].mean()       #计算a2列的均值
a2_mean = 7.5

a3_mean = df['a3'].mean()       #计算a3列的均值
a3_mean = 14.5

df.fillna({'a1':a1_median,'a2':a2_mean,'a3':a3_mean})   #填充值

1
2
3
4
5
6
7
8
9
10



很显然，在使用填充法时，相对于常数填充或前项、后项填充，使用各列的众数、均值或中位数填充要更加合理一点，这也是工作中常用的一个快捷手段。

数据打乱（shuffle）

实际工作中，经常会碰到多个DataFrame合并后希望将数据进行打乱。在pandas中有

sample

函数可以实现这个操作。

df = df.sample(frac=1)

1
这样对可以对df进行shuffle。其中参数frac是要返回的比例，比如df中有10行数据，我只想返回其中的30%,那么frac=0.3。

有时候，我们可能需要打混后数据集的index（索引）还是按照正常的排序。我们只需要这样操作

df = df.sample(frac=1).reset_index(drop=True)