python数据分析和可视化【1】

简介: python数据分析和可视化【1】

前言

这学期开了门课是python数据分析和可视化,今天第一次实验课主要是复习了一下python基础和常用的一些操作

【1】读取txt,csv文件和文件的写入

#读取txt,csv文件
file=open("C:\\Users\86178\Downloads\泰戈尔的诗.txt",mode='r') #以只读方式打开文件
content=file.read() #一次性读取整个文件内容
print(content)
file.close()
#读取csv文件
import csv
with open("C:\\Users\86178\Downloads\student.csv","r") as f:
    reader=csv.reader(f)
    rows=[row for row in reader]
for item in rows:
    print(item)
#csv文件的写入
content=[
    ["5","hanmeimei","23","81"],
    ["1","mali","18","99"],
    ["2","jcak","21","89"],
    ["3","zhanghua","23","88"], ]
f=open("C:\\Users\86178\Downloads\person.csv", "w",encoding="utf-8", newline="")  #不加newline="",就会出现空行
content_out=csv.writer(f) #1.创建writer对象
for con in content:  #遍历列表,将每一行的数据写入csv
    content_out.writerow(con)
f.close()

写入后的文件:

【2】白葡萄酒的数据分析

1.查看白葡萄酒中共分为几种品质等级

① 查看当前葡萄酒文件的格式,选择合适的方法进行数据载入

② 明确描述“品质等级”的具体位置,即quality属性

③ 遍历数据,将每行数据的quality值放于列表

④ 对此列表进行去重

2.按白葡萄酒等级将数据集划分为7个子集,并统计每种品质等级的数量

① 考虑保存数据的数据结构,要求既有等级又有对应的等级的数量,可用字典

② 遍历文件,相同等级的数据可放于一个列表,每一个等级创建一个列表

③ 计算列表的长度

白葡萄酒的数据集:

代码:

import  csv
f=open("C:\\Users\86178\Desktop\winequality-red.csv","r",encoding="utf-8")
reader=csv.reader(f)
content=[]
for i in reader:
    content.append(i)  #把每一行数据放到列表中,列表中每一个元素是每一行数据
f.close()
quality_list=[]  #存放每列quality的值
for row in content[1:]:
    quality_list.append(int(row[-1]))  #把每列的quality的值放到列表中
quality_count=set(quality_list)#去重
print("白葡萄酒共有%d种等级,分别是:%r"%(len(quality_count),quality_count))
content_dict={}
for row in content[1:]:
    quality = int(row[-1])
    if quality not in content_dict.keys():
        content_dict[quality] = [row]   # 创建values:[ [] ]
    else:
        content_dict[quality].append(row)  #向字典中添加values值,例如[ [],[],[] ]
for key in content_dict:
    print("质量",key,"级的数量:",len(content_dict[key]))

运行结果:

目录
相关文章
|
27天前
|
机器学习/深度学习 数据可视化 算法
使用Python进行数据分析:从零开始的指南
【10月更文挑战第9天】使用Python进行数据分析:从零开始的指南
35 1
|
9天前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
33 0
|
3天前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
12 2
|
10天前
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
24 1
|
15天前
|
数据采集 数据可视化 数据挖掘
R语言与Python:比较两种数据分析工具
R语言和Python是目前最流行的两种数据分析工具。本文将对这两种工具进行比较,包括它们的历史、特点、应用场景、社区支持、学习资源、性能等方面,以帮助读者更好地了解和选择适合自己的数据分析工具。
21 2
|
1天前
|
并行计算 数据挖掘 大数据
Python数据分析实战:利用Pandas处理大数据集
Python数据分析实战:利用Pandas处理大数据集
|
1天前
|
数据采集 数据可视化 数据挖掘
利用Python进行数据分析:Pandas库实战指南
利用Python进行数据分析:Pandas库实战指南
|
3天前
|
SQL 数据挖掘 Python
数据分析编程:SQL,Python or SPL?
数据分析编程用什么,SQL、python or SPL?话不多说,直接上代码,对比明显,明眼人一看就明了:本案例涵盖五个数据分析任务:1) 计算用户会话次数;2) 球员连续得分分析;3) 连续三天活跃用户数统计;4) 新用户次日留存率计算;5) 股价涨跌幅分析。每个任务基于相应数据表进行处理和计算。
|
3天前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第33天】本文将介绍如何使用Python编程语言进行数据分析和可视化。我们将从数据清洗开始,然后进行数据探索性分析,最后使用matplotlib和seaborn库进行数据可视化。通过阅读本文,你将学会如何运用Python进行数据处理和可视化展示。
|
15天前
|
数据采集 机器学习/深度学习 数据可视化
深入浅出:用Python进行数据分析的入门指南
【10月更文挑战第21天】 在信息爆炸的时代,掌握数据分析技能就像拥有一把钥匙,能够解锁隐藏在庞大数据集背后的秘密。本文将引导你通过Python语言,学习如何从零开始进行数据分析。我们将一起探索数据的收集、处理、分析和可视化等步骤,并最终学会如何利用数据讲故事。无论你是编程新手还是希望提升数据分析能力的专业人士,这篇文章都将为你提供一条清晰的学习路径。
下一篇
无影云桌面