复习：在前面我们已经学习了Pandas基础，知道利用Pandas读取csv数据的增删查改，今天我们要学习的就是探索性数据分析，主要介绍如何利用Pandas进行排序、算术计算以及计算描述函数describe()的使用。

1 第一章：探索性数据分析¶

开始之前，导入numpy、pandas包和数据¶

加载所需的库

import numpy as np import pandas as pd

载入之前保存的train_chinese.csv数据，关于泰坦尼克号的任务，我们就使用这个数据

df = pd.read_csv(“train_chinese.csv”)

1.6 了解你的数据吗？¶

教材《Python for Data Analysis》第五章

1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序¶

具体请看《利用Python进行数据分析》第五章 排序和排名 部分

自己构建一个都为数字的DataFrame数据

‘’’ 我们举了一个例子 pd.DataFrame() ：创建一个DataFrame对象 np.arange(8).reshape((2, 4)) : 生成一个二维数组（2*4）,第一列：0，1，2，3 第二列：4，5，6，7 index=[2，1] ：DataFrame 对象的索引列 columns=[‘d’, ‘a’, ‘b’, ‘c’] ：DataFrame 对象的索引行 ‘’’ df2 = pd.DataFrame(data=np.arange(8).reshape((2,4)), index=[2,1], columns=[‘d’, ‘a’, ‘b’, ‘c’]) df2.head() df2.sort_index() |

   | d
   | a
   | b
   | c
 |

| —- | —- | —- | —- | —- |

| 
  1
   | 4
   | 5
   | 6
   | 7
 |
| 
  2
   | 0
   | 1
   | 2
   | 3
 |

【代码解析】
pd.DataFrame() ：创建一个DataFrame对象
np.arange(8).reshape((2, 4)) : 生成一个二维数组（2*4）,第一列：0，1，2，3 第二列：4，5，6，7
index=[‘2, 1] ：DataFrame 对象的索引列
columns=[‘d’, ‘a’, ‘b’, ‘c’] ：DataFrame 对象的索引行 【问题】：大多数时候我们都是想根据列的值来排序,所以将你构建的DataFrame中的数据根据某一列，升序排列

回答代码

df2.sort_values(“d”) |

   | d
   | a
   | b
   | c
 |

| —- | —- | —- | —- | —- |

| 
  2
   | 0
   | 1
   | 2
   | 3
 |
| 
  1
   | 4
   | 5
   | 6
   | 7
 |

【思考】通过书本你能说出Pandas对DataFrame数据的其他排序方式吗？
sort_index 【总结】下面将不同的排序方式做一个总结 1.让行索引升序排序

代码

df2.sort_index() 2.让列索引升序排序

代码

df2.sort_index(axis=1) |

   | a
   | b
   | c
   | d
 |

| —- | —- | —- | —- | —- |

| 
  2
   | 1
   | 2
   | 3
   | 0
 |
| 
  1
   | 5
   | 6
   | 7
   | 4
 |

3.让列索引降序排序

代码

df2.sort_index(axis=1, ascending=False) |

   | d
   | c
   | b
   | a
 |

| —- | —- | —- | —- | —- |

| 
  2
   | 0
   | 3
   | 2
   | 1
 |
| 
  1
   | 4
   | 7
   | 6
   | 5
 |

4.让任选两列数据同时降序排序

代码

df2.sort_values(by=[‘a’, ‘c’], ascending=False) |

   | d
   | a
   | b
   | c
 |

| —- | —- | —- | —- | —- |

| 
  1
   | 4
   | 5
   | 6
   | 7
 |
| 
  2
   | 0
   | 1
   | 2
   | 3
 |

1.6.2 任务二：对泰坦尼克号数据（trian.csv）按票价和年龄两列进行综合排序（降序排列），从这个数据中你可以分析出什么？¶

‘’’ 在开始我们已经导入了train_chinese.csv数据，而且前面我们也学习了导入数据过程，根据上面学习，我们直接对目标列进行排序即可 head(20) : 读取前20条数据

‘’’ df3 = df.sort_values(by=[“票价”, “年龄”],ascending=False).head(20) 【思考】排序后，如果我们仅仅关注年龄和票价两列。根据常识我知道发现票价越高的应该客舱越好，所以我们会明显看出，票价前20的乘客中存活的有14人，这是相当高的一个比例，那么我们后面是不是可以进一步分析一下票价和存活之间的关系，年龄和存活之间的关系呢？当你开始发现数据之间的关系了，数据分析就开始了。
当然，这只是我的想法，你还可以有更多想法，欢迎写在你的学习笔记中。 多做几个数据的排序

代码

df3.sort_values(“年龄”).loc[df3.是否幸存==0] |

   | 乘客ID
   | 是否幸存
   | 仓位等级
   | 姓名
   | 性别
   | 年龄
   | 兄弟姐妹个数
   | 父母子女个数
   | 船票信息
   | 票价
   | 客舱
   | 登船港口
 |

| —- | —- | —- | —- | —- | —- | —- | —- | —- | —- | —- | —- | —- |

| 
  27
   | 28
   | 0
   | 1
   | Fortune, Mr. Charles Alexander
   | male
   | 19.0
   | 3
   | 2
   | 19950
   | 263.0000
   | C23 C25 C27
   | S
 |
| 
  118
   | 119
   | 0
   | 1
   | Baxter, Mr. Quigg Edmond
   | male
   | 24.0
   | 0
   | 1
   | PC 17558
   | 247.5208
   | B58 B60
   | C
 |
| 
  377
   | 378
   | 0
   | 1
   | Widener, Mr. Harry Elkins
   | male
   | 27.0
   | 0
   | 2
   | 113503
   | 211.5000
   | C82
   | C
 |
| 
  438
   | 439
   | 0
   | 1
   | Fortune, Mr. Mark
   | male
   | 64.0
   | 1
   | 4
   | 19950
   | 263.0000
   | C23 C25 C27
   | S
 |
| 
  557
   | 558
   | 0
   | 1
   | Robbins, Mr. Victor
   | male
   | NaN
   | 0
   | 0
   | PC 17757
   | 227.5250
   | NaN
   | C
 |
| 
  527
   | 528
   | 0
   | 1
   | Farthing, Mr. John
   | male
   | NaN
   | 0
   | 0
   | PC 17483
   | 221.7792
   | C95
   | S
 |

写下你的思考

头等舱有14名年纪中青年的存活了，去世的是小于27的和大于64的。中青年或许更容易存活。

1.6.3 任务三：利用Pandas进行算术计算，计算两个DataFrame数据相加结果¶

具体请看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分

自己构建两个都为数字的DataFrame数据

“”” 我们举了一个例子： frame1_a = pd.DataFrame(np.arange(9.).reshape(3, 3), columns=[‘a’, ‘b’, ‘c’], index=[‘one’, ‘two’, ‘three’]) frame1_b = pd.DataFrame(np.arange(12.).reshape(4, 3), columns=[‘a’, ‘e’, ‘c’], index=[‘first’, ‘one’, ‘two’, ‘second’]) frame1_a “””

代码

frame1_a = pd.DataFrame(np.arange(9.).reshape(3, 3), columns=[‘a’, ‘b’, ‘c’], index=[‘one’, ‘two’, ‘three’]) frame1_b = pd.DataFrame(np.arange(12.).reshape(4, 3), columns=[‘a’, ‘e’, ‘c’], index=[‘first’, ‘one’, ‘two’, ‘second’])

将frame_a和frame_b进行相加

代码

frame1_a + frame1_b |

   | a
   | b
   | c
   | e
 |

| —- | —- | —- | —- | —- |

| 
  first
   | NaN
   | NaN
   | NaN
   | NaN
 |
| 
  one
   | 3.0
   | NaN
   | 7.0
   | NaN
 |
| 
  second
   | NaN
   | NaN
   | NaN
   | NaN
 |
| 
  three
   | NaN
   | NaN
   | NaN
   | NaN
 |
| 
  two
   | 9.0
   | NaN
   | 13.0
   | NaN
 |

【提醒】两个DataFrame相加后，会返回一个新的DataFrame，对应的行和列的值会相加，没有对应的会变成空值NaN。 当然，DataFrame还有很多算术运算，如减法，除法等，有兴趣的同学可以看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分，多在网络上查找相关学习资料。

1.6.4 任务四：通过泰坦尼克号数据如何计算出在船上最大的家族有多少人？¶

‘’’ 还是用之前导入的chinese_train.csv如果我们想看看在船上，最大的家族有多少人（‘兄弟姐妹个数’+‘父母子女个数’），我们该怎么做呢？ ‘’’

代码

df[‘家族人数’] = df[‘兄弟姐妹个数’] + df[‘父母子女个数’] df.sort_values(‘家族人数’,ascending=False) |

   | 乘客ID
   | 是否幸存
   | 仓位等级
   | 姓名
   | 性别
   | 年龄
   | 兄弟姐妹个数
   | 父母子女个数
   | 船票信息
   | 票价
   | 客舱
   | 登船港口
   | 家族人数
 |

| —- | —- | —- | —- | —- | —- | —- | —- | —- | —- | —- | —- | —- | —- |

| 
  180
   | 181
   | 0
   | 3
   | Sage, Miss. Constance Gladys
   | female
   | NaN
   | 8
   | 2
   | CA. 2343
   | 69.5500
   | NaN
   | S
   | 10
 |
| 
  846
   | 847
   | 0
   | 3
   | Sage, Mr. Douglas Bullen
   | male
   | NaN
   | 8
   | 2
   | CA. 2343
   | 69.5500
   | NaN
   | S
   | 10
 |
| 
  792
   | 793
   | 0
   | 3
   | Sage, Miss. Stella Anna
   | female
   | NaN
   | 8
   | 2
   | CA. 2343
   | 69.5500
   | NaN
   | S
   | 10
 |
| 
  201
   | 202
   | 0
   | 3
   | Sage, Mr. Frederick
   | male
   | NaN
   | 8
   | 2
   | CA. 2343
   | 69.5500
   | NaN
   | S
   | 10
 |
| 
  159
   | 160
   | 0
   | 3
   | Sage, Master. Thomas Henry
   | male
   | NaN
   | 8
   | 2
   | CA. 2343
   | 69.5500
   | NaN
   | S
   | 10
 |
| 
  ...
   | ...
   | ...
   | ...
   | ...
   | ...
   | ...
   | ...
   | ...
   | ...
   | ...
   | ...
   | ...
   | ...
 |
| 
  499
   | 500
   | 0
   | 3
   | Svensson, Mr. Olof
   | male
   | 24.0
   | 0
   | 0
   | 350035
   | 7.7958
   | NaN
   | S
   | 0
 |
| 
  194
   | 195
   | 1
   | 1
   | Brown, Mrs. James Joseph (Margaret Tobin)
   | female
   | 44.0
   | 0
   | 0
   | PC 17610
   | 27.7208
   | B4
   | C
   | 0
 |
| 
  497
   | 498
   | 0
   | 3
   | Shellard, Mr. Frederick William
   | male
   | NaN
   | 0
   | 0
   | C.A. 6212
   | 15.1000
   | NaN
   | S
   | 0
 |
| 
  195
   | 196
   | 1
   | 1
   | Lurette, Miss. Elise
   | female
   | 58.0
   | 0
   | 0
   | PC 17569
   | 146.5208
   | B80
   | C
   | 0
 |
| 
  890
   | 891
   | 0
   | 3
   | Dooley, Mr. Patrick
   | male
   | 32.0
   | 0
   | 0
   | 370376
   | 7.7500
   | NaN
   | Q
   | 0
 |

891 rows × 13 columns 【提醒】我们只需找出”兄弟姐妹个数“和”父母子女个数“之和最大的数，当然你还可以想出很多方法和思考角度，欢迎你来说出你的看法。 max(df[‘兄弟姐妹个数’] + df[‘父母子女个数’]) 10#### 1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息¶函数查看数据基本统计信息)

(1) 关键知识点示例做一遍（简单数据）

具体请看《利用Python进行数据分析》第五章 汇总和计算描述统计 部分

自己构建一个有数字有空值的DataFrame数据

“”” 我们举了一个例子：

“”” frame2 = pd.DataFrame([[1.4, np.nan], [7.1, -4.5], [np.nan, np.nan], [0.75, -1.3] ], index=[‘a’, ‘b’, ‘c’, ‘d’], columns=[‘one’, ‘two’]) frame2 |

   | one
   | two
 |

| —- | —- | —- |

| 
  a
   | 1.40
   | NaN
 |
| 
  b
   | 7.10
   | -4.5
 |
| 
  c
   | NaN
   | NaN
 |
| 
  d
   | 0.75
   | -1.3
 |

调用 describe 函数，观察frame2的数据基本信息

代码

frame2.describe() |

   | one
   | two
 |

| —- | —- | —- |

| 
  count
   | 3.000000
   | 2.000000
 |
| 
  mean
   | 3.083333
   | -2.900000
 |
| 
  std
   | 3.493685
   | 2.262742
 |
| 
  min
   | 0.750000
   | -4.500000
 |
| 
  25%
   | 1.075000
   | -3.700000
 |
| 
  50%
   | 1.400000
   | -2.900000
 |
| 
  75%
   | 4.250000
   | -2.100000
 |
| 
  max
   | 7.100000
   | -1.300000
 |

1.6.6 任务六：分别看看泰坦尼克号数据集中 票价、父母子女 这列数据的基本统计数据，你能发现什么？¶

‘’’ 看看泰坦尼克号数据集中 票价 这列数据的基本统计数据 ‘’’

代码

df[‘票价’].describe() count 891.000000 mean 32.204208 std 49.693429 min 0.000000 25% 7.910400 50% 14.454200 75% 31.000000 max 512.329200 Name: 票价, dtype: float64【思考】从上面数据我们可以看出，试试在下面写出你的看法。然后看看我们给出的答案。
当然，答案只是我的想法，你还可以有更多想法，欢迎写在你的学习笔记中。
票价波动很大，最大值和75%的值之间相差非常大。 【思考】有更多想法，欢迎写在你的学习笔记中。 【总结】本节中我们通过Pandas的一些内置函数对数据进行了初步统计查看，这个过程最重要的不是大家得掌握这些函数，而是看懂从这些函数出来的数据，构建自己的数据分析思维，这也是第一章最重要的点，希望大家学完第一章能对数据有个基本认识，了解自己在做什么，为什么这么做，后面的章节我们将开始对数据进行清洗，进一步分析。