@[toc]
  
  
  
  

读入数据

首先：读入 movie_data.xlsx

df = pd.read_excel(r'D:\数据分析\movie_data.xlsx')

查看一下前5行数据

df.head()

数据格式转换

在做数据分析时，原始数据往往会因为各种各样的原因产生各种数据格式问题。
数据格式是我们非常需要注意的一点，数据格式错误往往会造成很严重的后果。
并且，很多异常值在我们经过格式转换后才会发现，对我们规整数据，清洗数据有着重要的作用。

常用方法：

1. dtypes
2. astype
3. loc

查看格式

df.dtypes

查看某一列数据的具体格式

df['投票人数'].dtype

将产地转化为字符串格式

  
先看产地格式

df['产地'].dtype

  
用 astype 转化

df['产地'] = df['产地'].astype('str')

将年代转化为整数格式

df['年代'] = df['年代'].astype('int')

报错了，因为这一列数据中有个异常数据，不能成功转化（一颗老鼠屎，坏了一锅汤）

接下来要处理异常值了，只有异常值处理好了才能修改整列的数据类型
  

1. 根据报错数据，找到对应的行位置

df[df.年代 == '2008\u200e']

这样看还看不出问题，就得用 .values 了
  

df[df.年代 == '2008\u200e']['年代'].values

果然年代有问题

2.用loc修改

df.loc[15203,'年代'] = 2008

修改成功！

再次转换

df.年代 = df.年代.astype('int')

这次成功转换成了int型

将时长转化为整数格式

df.时长 = df.时长.astype('int')

果不其然报错了，那就改吧

把 8U 列找出来

df[df.时长 == '8U']

改掉

df.loc[31636,'时长'] = 8

转换

df.时长 = df.时长.astype('int')

又报错了

把 12J 列找出来

df.loc[31636,'时长'] = 8

  
改掉

df.loc[23941,'时长'] = 12

再转换

df.时长 = df.时长.astype('int')

又又又报错了

再把 12J 列找出来

  
改掉

df.loc[23941,'时长'] = 12

再再转换

df.时长 = df.时长.astype('int')

排序

dataframe.sort_values 方法默认升序，ascending = False 为降序
  
  

默认排序

  
按 index 从小到大来

df.head(10)

按照投票人数排序

dataframe.sort_values() 默认升序排列

df.sort_values(by = '投票人数')

参数 ascending = False 为降序排列

df.sort_values(by = '投票人数',ascending = False)

按照年代排序

  
一样的步骤

默认升序

df.sort_values('年代')

  
降序

df.sort_values('年代',ascending = False)

多个值排序

  
先按照评分排序；如果评分相同，再按照投票排序
  

给 by 传多个参数就行，用列表！

df.sort_values(by = ['评分','投票人数'],ascending = False)

列表里元素的先后顺序，就是排序的先后顺序

基本统计分析

描述性统计

dataframe.describe()：对dataframe中的数值型数据进行描述性统计。

df.describe()

通过观察发现，时长的 max 是11500，不可能；年代的 max 是39180，更不可能。

通过描述性统计，可以发现一些异常值，很多异常值往往需要自己逐步发现
  

df[df.时长>1000]    # 挑出异常数据

df[df.年代>2022]    # 挑出异常数据    

删除异常数据

df.drop(df[df.时长>1000].index,inplace = True)
df.drop(df[df.年代>2022].index,inplace = True)

可以直接用 挑出异常数据.index 高级drop

可此时有个问题，删了几条数据导致index不连续了。
不用着急，不用着急，有方法！

df.index = range(len(df))

给index重新赋值，而且不用事先查看到底多少条数据，因为可以直接len(df)，简便。

最值

df.投票人数.max()    # 一定得加（）啊！！！

df.投票人数.min()

df.评分.max()

df.评分.min()

均值和中值

均值（平均数）用 mean()

df.投票人数.mean()

  
中值（中位数）用 median()

df.投票人数.median()

方差和标准差

  
方差用 var()

df.评分.var()

  
标准差用 std()

df.评分.std()

求和

df.投票人数.sum()

相关系数和协方差

  
相关系数用 corr()

因为相关系数反映的是两个东西之间的相关性，所以这时需要两个变量了，多个变量用列表
  

投票人数和评分的相关系数

df[['投票人数','评分']].corr()

投票人数和评分的相关系数是：0.122956，正相关且相关性弱。

  
  
协方差用 cov()

协方差概念：

协方差（Covariance）在概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。
协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。

投票人数和评分的协方差

df[['投票人数','评分']].cov()

计数

• len ：数据长度
• unique ：去重，看唯一值
• replace ：数据替换
• value_counts ：具体取值出现了多少次

查看电影数量

len(df)

有几条数据，就有多少部电影

  
  
查看有多少种产地

df.产地.unique()

len(df.产地.unique())

影片来自28个国家

产地中包含了一些重复数据，比如美国和USA，德国和西德，俄罗斯和苏联
我们可以通过数据替换的方法将这些相同国家的电影数据合并一下。

df.产地.replace('USA','美国',inplace = True)
df.产地.replace('西德','德国',inplace = True)
df.产地.replace('苏联','俄罗斯',inplace = True)

数据替换后，影片来自25个国家

计算每一年电影的数量

df.年代.value_counts()

电影产出前5位的产地

df.产地.value_counts().head()

保存数据

df.to_excel(r'D:\数据分析\movie_data2.xlsx')

数据透视

  
  
Excel中数据透视表的使用非常广泛。Pandas也提供类似功能的函数：pivot_table
  

使用 pivot_table 需要注意：

1. 确保理解了被分析的数据
2. 清楚想通过透视表解决什么问题

基础形式

默认计算均值（平均数）

参数：

1. 需要做数据透视的数据集
2. index ：数据透视表中按index分类

查看各个年代分类下的投票人数、时长、评分的均值

pd.pivot_table(df,index = ['年代'])

  
根据年代分类，计算数据（df）里各数值型数据的均值。

设置查看数据数量

  

  
这个数据中间用省略号省略了，但我还想看怎么办

用 options.display.参数1 = 参数2 ：设置能显示出来的数据的条数
  

参数：

1. 行或列
2. 条数

pd.options.display.max_rows = 500    # 显示最大行为500
pd.options.display.max_columns = 30    # 显示最大列为100

  
这样就能展示500条数据了，右边有个滑块能滑

多个索引

  
也可以有多个索引（index 列表里有多个值）。大多数的 pivot_table 参数可以通过列表获取多个值。

查看各个年代、各个产地分类下的投票人数、时长、评分的均值

pd.pivot_table(df,index = ['年代','产地'])

指定需要汇总的数据

在 pivot_table 里加个 values[] 参数

pd.pivot_table(df,index = ['年代','产地'],values = ['评分'])

指定函数 —— 同一值指定不同函数

  
在 pivot_table 里加个 aggfunc 参数

查看各个年代、各个产地分类下的投票人数的总和

pd.pivot_table(df,index = ['年代','产地'],values = ['投票人数'],aggfunc = np.sum)

通过将投票人数和评分列进行对应分组，对产地实现数据聚合和总结

pd.pivot_table(df,index = ['产地'],values = ['投票人数','评分'],aggfunc = [np.sum,np.mean])

指定函数 —— 不同值指定不同函数

  
向 aggfunc 传递一个字典。这样做有个副作用，必须将标签做的更加简洁。

pd.pivot_table(df,index = ['产地'],values = ['投票人数','评分'],aggfunc = {'投票人数':np.sum,'评分':np.mean},fill_value = 0)

对各个地区的投票人数求和，对评分求均值。

移除非数值

非数值（NaN）难以处理。如果想移除它们，可以使用 fill_value 将其设置为0。

pd.pivot_table(df,index = ['产地'],aggfunc = [np.sum,np.mean],fill_value = 0)

总和数据

加入 margins = True ，可以在下方显示一些总和数据

pd.pivot_table(df,index = ['产地'],aggfunc = [np.sum,np.mean],fill_value = 0,margins = True)

透视表过滤

table = pd.pivot_table(df,index = ['年代'],values = ['投票人数','评分'],aggfunc = {'投票人数':np.sum,'评分':np.mean},fill_value = 0)
type(table)

结论：数据透视表是 DataFrame

所以数据透视表和DataFrame的操作都是一样的。

取前五行数据

table.head()
# 或
table[:5]

取1994年的数据

table[table.index == 1994]

根据电影评分做降序排列，看前10条数据

table.sort_values(by = '评分',ascending = False).head(10)

按照多个索引进行汇总

pd.pivot_table(df,index = ['产地','年代'],values = ['投票人数','评分'],aggfunc = {'投票人数':np.sum,'评分':np.mean},fill_value = 0)

层次化索引结构，先按产地分类，再按年代分类。

PS：层次化索引结构下篇细讲。

作业

（1）读取上次作业保存的数据

df = pd.read_excel(r'D:\数据分析\酒店数据.xlsx')

（2）查看评分数据的格式，并排序

df.评分.dtype

df.sort_values(by = '评分')

（3）对酒店评分排序，评分相同按价格排序

df.sort_values(by = ['评分','价格'])

（4）求价格的均值、方差、最大值、最小值、和

# 均值
df.价格.mean()

# 方差
df.价格.var()

# 最值
df.价格.max()
df.价格.min()

# 和
df.价格.sum()

（5）计算评分，评分人数的相关系数和协方差

# 相关系数
df[['评分','评分人数']].corr()

# 协方差
df[['评分','评分人数']].cov()

（6）查看类型和地区的数量，统计各个类型和地区的数量（类型和地区的种类）

# 查看数量
len(df.类型)
len(df.地区)

# 种类
len(df.类型.unique())
len(df.地区.unique())

（7）用数据透视表，汇总各个地区和类型的评分，价格的均值和标准差

pd.pivot_table(df,index = ['地区','类型'],values = ['评分','价格'],aggfunc = {'评分':np.mean,'价格':np.std},fill_value = 0)