Python数据分析之pandas统计分析

您所在的位置：网站首页 › pandas最大值最小值 › Python数据分析之pandas统计分析

Python数据分析之pandas统计分析

2023-09-01 20:48| 来源: 网络整理| 查看: 265

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：这里写图片描述

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：这里写图片描述

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

这里写图片描述

描述性统计1：describe() result = bank['age'].describe() pd.DataFrame(result ) #格式化成DataFrame

这里写图片描述

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'])

这里写图片描述含义：

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'])

这里写图片描述

连续变量的相关系数（corr） bank.corr()

这里写图片描述

协方差矩阵（cov） bank.cov()

这里写图片描述

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：这里写图片描述

score：这里写图片描述

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。

这里写图片描述

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

这里写图片描述

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：这里写图片描述删除后：

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'])

这里写图片描述

df.dropna() #该操作会删除所有有缺失值的行数据

这里写图片描述

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

这里写图片描述

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)

这里写图片描述

2、采用前项填充或后向填充 df.fillna(method='ffill') #用前一个值填充

这里写图片描述

df.fillna(method='bfill') #用后一个值填充

这里写图片描述

3、使用常量填充不同的列 df.fillna({'a1':100,'a2':200,'a3':300})

这里写图片描述

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

这里写图片描述

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)

【本文地址】

Python数据分析之pandas统计分析

Python数据分析之pandas统计分析

今日新闻

推荐新闻