想用一个完整的案例讲解Python数据分析的整个流程和基础知识,实际上以一个数据集为例,数据集是天池上的一个短租数据集,后台回复:短租数据集,即可获得。 先来想一下数据分析的流程,第一步获取数据,因此本节内容就是获取数据以及对数据的基本操作。 1.数据导入1.1 导入.xlsx文件要导入一个.xlsx后缀的Excel文件,可以使用pd.read_excel(路径)方法 # 导入.xlsx文件 结果: df_review数据包含了两个字段,listing_id和date 读入数据时必不可少的参数就是路径,不同的操作系统下文件路径的写法也不同,通常windows操作系统下关于路径有两种写法:
sheet_name 参数对于.xlsx文件来说,可能会存在多个sheet表,因此也可以设置sheet_name参数指定导入的sheet表,可以传入sheet表的名字,也可以按照从0递增的顺序来指定,不指定sheet表则默认第一个sheet. # 指定Sheet表 1.2 导入.csv文件导入.csv格式的文件使用pd.read_csv(路径)的方法 # 导入csv文件 结果: df_list数据主要包括:房东ID、房东姓名、经纬度、房间类型、价格、最小可租天数、评论数量、最后一次评论时间、每月评论占比、可出租房屋、每年可出租时长等字段 指定编码格式对于.csv文件有个重要的知识点,就是编码格式,尤其是在导入文件的时候,需要了解文件的编码格式,以免出现乱码,那么如何知道文件是什么类型的编码呢?用notepad++软件打开,右下角会显示该文件的编码格式,如刚刚导入的listings.csv文件,是utf-8编码,在书写编码时,大小写通用,且utf-8也可以写成utf8. 可以用encoding参数来设置编码格式,Python默认的编码格式是utf-8。 中文乱码问题对于文件路径中因为出现中文而导致的乱码问题,可以加入参数engine来避免。 # 避免出现乱码 结果: 指定行索引不指定行索引的话,从0开始递增的一列作为行索引,也可以指定id一列为行索引,传入参数index_col # 指定行索引 结果:可以看到,id列成了行索引列。 指定列索引默认第一行是列索引,也可以指定,使用header参数,header = 0,表示指定第一行为列索引。 # 指定列索引 结果: 指定导入列有时候我们希望只导入指定的列即可,那么就传入usecols参数 # 指定导入1、4列 结果: 2.对数据的基本操作导入数据后,需要对数据进行一个大概的了解,比如数据集有几行几列,每个字段的数据类型是什么,有无空值等。 预览不必完全跑出数据,只需看下前几行,用head方法,得到的是前5行数据 # 预览数据 结果: head()里也可传入数字,如预览前10行数据 # 预览数据 查看数据维度数据集有几行几列,用shape # 查看数据集维度 结果:可以看到df_list数据集有28452行,16列 查看数据类型使用dtypes可以查看数据集所有字段的数据类型 # 数据类型 结果: 也可以单独查看某一个字段的数据类型 # 单独查看某个字段的数据类型 结果: @ 作者:可乐 |
|