Python中pandas統計分析的案例

這篇文章主要為大家展示了“Python中pandas統計分析的案例”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“Python中pandas統計分析的案例”這篇文章吧。

pandas模塊為我們提供了非常多的描述性統計分析的指標函數，如總和、均值、最小值、最大值等，我們來具體看看這些函數：

1、隨機生成三組數據

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、統計分析用到的函數

d1.count()  #非空元素計算
d1.min()  #最小值
d1.max()  #最大值
d1.idxmin()  #最小值的位置，類似于R中的which.min函數
d1.idxmax()  #最大值的位置，類似于R中的which.max函數
d1.quantile(0.1) #10%分位數
d1.sum()  #求和
d1.mean()  #均值
d1.median()  #中位數
d1.mode()  #眾數
d1.var()  #方差
d1.std()  #標準差
d1.mad()  #平均絕對偏差
d1.skew()  #偏度
d1.kurt()  #峰度
d1.describe() #一次性輸出多個描述性統計指標

必須注意的是，descirbe方法只能針對序列或數據框，一維數組是沒有這個方法的
自定義一個函數，將這些統計指標匯總在一起：

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=['總數','最小值','最小值位置','25%分位數',
   '中位數','75%分位數','均值','最大值','最大值位數','平均絕對偏差','方差','標準差','偏度','峰度'])

執行該函數，查看一下d1數據集的這些統計函數值：

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

結果：

在實際的工作中，我們可能需要處理的是一系列的數值型數據框，如何將這個函數應用到數據框中的每一列呢？可以使用apply函數，這個非常類似于R中的apply的應用方法。
將之前創建的d1,d2,d3數據構建數據框：

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

df.apply(status)

結果：

3、加載CSV數據

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

描述性統計1：describe()

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

描述性統計2：describe(include=[‘number'])

include中填寫的是數據類型，若想查看所有數據的統計數據，則可填寫object，即include=['object']；若想查看float類型的數據，則為include=['float']。

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

含義：

count：指定字段的非空總數。
unique：該字段中保存的值類型數量，比如性別列保存了男、女兩種值，則unique值則為2。
top：數量最多的值。
freq：數量最多的值的總數。
bank.describe(include=['number'])

連續變量的相關系數（corr）

bank.corr()

協方差矩陣（cov）

bank.cov()

刪除列

bank.drop('job', axis=1) #刪除年齡列，axis=1必不可少

排序

bank.sort_values(by=['job','age']) #根據工作、年齡升序排序
bank.sort_values(by=['job','age'], ascending=False) #根據工作、年齡降序排序

多表連接

準備數據：

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：

內連接

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

注意，默認情況下，merge函數實現的是兩個表之間的內連接，即返回兩張表中共同部分的數據。可以通過how參數設置連接的方式，left為左連接；right為右連接；outer為外連接。

左連接

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

左連接中，沒有Score的學生Score為NaN

缺失值處理

現實生活中的數據是非常雜亂的，其中缺失值也是非常常見的，對于缺失值的存在可能會影響到后期的數據分析或挖掘工作，那么我們該如何處理這些缺失值呢？常用的有三大類方法，即刪除法、填補法和插值法。

刪除法

當數據中的某個變量大部分值都是缺失值，可以考慮刪除改變量；當缺失值是隨機分布的，且缺失的數量并不是很多是，也可以刪除這些缺失的觀測。

替補法

對于連續型變量，如果變量的分布近似或就是正態分布的話，可以用均值替代那些缺失值；如果變量是有偏的，可以使用中位數來代替那些缺失值；對于離散型變量，我們一般用眾數去替換那些存在缺失的觀測。

插補法

插補法是基于蒙特卡洛模擬法，結合線性模型、廣義線性模型、決策樹等方法計算出來的預測值替換缺失值。

此處測試使用上面學生成績數據進行處理

查詢某一字段數據為空的數量

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

直接刪除缺失值

stu_score2.dropna()

刪除前：

刪除后：

默認情況下，dropna會刪除任何含有缺失值的行

刪除所有行為缺失值的數據

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() #該操作會刪除所有有缺失值的行數據

df.dropna(how='all') #該操作僅會刪除所有列均為缺失值的行數據

填充數據

使用一個常量來填補缺失值，可以使用fillna函數實現簡單的填補工作：

1、用0填補所有缺失值

df.fillna(0)

2、采用前項填充或后向填充

df.fillna(method='ffill') #用前一個值填充

df.fillna(method='bfill') #用后一個值填充

3、使用常量填充不同的列

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

4、用均值或中位數填充各自的列

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

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

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

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

很顯然，在使用填充法時，相對于常數填充或前項、后項填充，使用各列的眾數、均值或中位數填充要更加合理一點，這也是工作中常用的一個快捷手段。

數據打亂（shuffle）

實際工作中，經常會碰到多個DataFrame合并后希望將數據進行打亂。在pandas中有sample函數可以實現這個操作。

df = df.sample(frac=1)

這樣對可以對df進行shuffle。其中參數frac是要返回的比例，比如df中有10行數據，我只想返回其中的30%,那么frac=0.3。
有時候，我們可能需要打混后數據集的index（索引）還是按照正常的排序。我們只需要這樣操作

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

以上是“Python中pandas統計分析的案例”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！