基于Python数据分析之pandas统计分析

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)

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

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'])

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

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)

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

描述性统计1:describe()

result = bank['age'].describe()

pd.DataFrame(result ) #格式化成DataFrame

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']。

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

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'])

连续变量的相关系数(corr)

bank.corr()

协方差矩阵(cov)

bank.cov()

删除列

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

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

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

student:

score:

内连接

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

stu_score1

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

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

直接删除缺失值

stu_score2.dropna()

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'])

df.dropna() #该操作会删除所有有缺失值的行数据

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

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)

2、采用前项填充或后向填充

df.fillna(method='ffill') #用前一个值填充

df.fillna(method='bfill') #用后一个值填充

3、使用常量填充不同的列

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

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

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)

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)

以上这篇基于Python数据分析之pandas统计分析就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。

以上是 基于Python数据分析之pandas统计分析 的全部内容, 来源链接: utcz.com/z/328129.html

回到顶部