python實(shí)現(xiàn)數(shù)據(jù)分析與建模

 （1）讀取模塊
 Import pandas as pd 
 Import numpy as np
 （2）讀取表格的全部數(shù)據(jù)
 df = pd.read_csv(".data/HR.csv")
 （3）讀取你所需要的數(shù)據(jù)
 sl_s=df["sactisfaction_level"]

首先，建立一個(gè)DataFrame表
 1.為了確定是否含有空值：
 df.isnull() #如果含有空值，返回True
 2.刪除
 df.dropna() #去掉含空值的行
 如果想要?jiǎng)h除某一個(gè)屬性含空值的行就加入subset參數(shù)
 df.dropna(subset=["B"]) #去掉B屬性含空值的行
 判斷是否有重復(fù)的數(shù)據(jù)：
 df.duplicated(["A"]) #A屬性中重復(fù)的數(shù)據(jù)返回True
 刪除A屬性重復(fù)的行
 df.drop_duplicates(["A"])
 df.drop_duplicates(["A"],keep=False) #刪除A屬性全部重復(fù)的行
 df.drop_duplicates(["A"],keep=first) #刪除A屬性全部重復(fù)的行，保留第一個(gè)
 df.drop_duplicates(["A"],keep=last) #刪除A屬性全部重復(fù)的行，保留最后一個(gè)

 #含空值的數(shù)據(jù)被替換為“b*”
 df.fillna("b*")
 #E屬性中的含空值的數(shù)據(jù)被替換成該屬性的平均值
 df.fillna(df["E"].mean())
 #插值替換
 如果含空值的元素為最后一個(gè)，那么空值的數(shù)據(jù)替換成和上一個(gè)數(shù)據(jù)一樣
 如何含空值的元素為中間，那么空值的數(shù)據(jù)被（上+下）/2代替
 df["E"].interpolate() 
 #3次樣條插值 order 參數(shù)就是幾次樣條插值
 df["E"].interpolate(method="spline",order=3) 

 （4）異常值分析（含有就返回True） --isnull()
 sl_s.isnull()
 主要表示沒(méi)有空值
 （5）提取異常值的該屬性信息 
 sl_s[sl_s.isnull()]
 （6）提取異常值的表格全部信息
 df[df["sactisfaction_level"].isnull()]
 （7）丟棄異常值 --dropna()
 sl_s=sl_s.dropna()
 注：刪除為空的異常值
 可以利用where()把異常數(shù)據(jù)賦空，然后利用dropna()刪除
 （8）填充異常值 --fillna()
 sl_s=sl_s.fillna()
 （9）平均值 --mean()
 sl_s.mean()
 （10）標(biāo)準(zhǔn)差 --std()
 Sl_s.std()
 （11）最大值 --max()
 sl_s.max()
 （12）最小值 --min()
 sl_s.min()
 （13）中位數(shù) --median()
 sl_s.median()
 （14）下四分位數(shù) --quantile(q=0.25)
 sl_s.quantile(q=0.25)
 （15）上四分位數(shù) --quantile(q=0.75)
 sl_s.quantile(q=0.75)
 （16）偏度 --skew()
 sl_s.skew() 
 分析：小于0 是負(fù)偏 均值偏小，大部分?jǐn)?shù)是比他的均值大的
 大于 0 稍微有些振偏 
 遠(yuǎn)大于0， 是極度振偏，均值要比他的大多數(shù)值大好多。
 （17）峰度 --kurt()
 sl_s.kurt()
 分析：<0 相比于正態(tài)分布，他的趨勢(shì)相對(duì)平緩
 遠(yuǎn)大于0 說(shuō)明他的形變是非常大的，所以是不靠譜的
 （18）獲得離散化的分布(numpy模塊) --histogram()
 np.histogram(sl_s.values,bins = np.arange(0.0,1.1,0.1))
 結(jié)果分析：
 [195,1214,532,974,…]
 [0.0,0.1,0.2,0.3,0.4…]
 代表0.0-0.1之間有195個(gè)數(shù)，0.1-0.2之間有1214個(gè)數(shù)，以此類(lèi)推
 分布間隔為0.1

 3.1.提取大于1的值
 le_s[le_s>1]
 3.2 去除大于1的異常值
 le_s[le_s<=1]
 3.3 提取正常值（利用四分位數(shù)）
 3.3.1 下四分位
 q_low=le_s.quantile(q =0.25)
 3.3.2 上四分位
 q_high=le_s.quantile(q=0.75)
 3.3.3 四分位間距
 q_interval=q_high-q_low
 3.3.4 定義k的值
 K=1.5~3之間
 如果k=1.5,刪除的異常值是中度異常
 如果k=3.0，刪除的異常值是極度異常
 3.3.5 篩選
 le_s=le_s[le_s<q_high+k*q_interval][le_s>q_low-k*q_interval]
 3.4 數(shù)據(jù)的個(gè)數(shù) --len()
 len(le_s)
 3.5離散分布直方圖(numpy模塊)
 np.histogram(le_s.values,bins=np.arange(0.0,1.1,0.1))
 3.6回顧數(shù)據(jù)的平均值，標(biāo)準(zhǔn)差，中位數(shù)，最大值，最小值，偏度，峰度,確定數(shù)據(jù)的正常。

 4.1每個(gè)值出現(xiàn)的次數(shù) --values_counts()
 np_s.value_counts()
 4.2獲取該數(shù)據(jù)的構(gòu)成和比例(每個(gè)值的頻率)
 np_s.value_counts(normalize=True)
 4.3 排序
 np_s.value_counts(normalize=True).sort_index()

 5.1把數(shù)據(jù)分成幾份 --histogram（） 
 np.histogram(amh_s.values,bins=10) 把數(shù)據(jù)分成10份
 5.2另一種方法 加了區(qū)間，計(jì)算區(qū)間的頻數(shù)
 (左閉右開(kāi)的區(qū)間)
 Np.histogram(amh_s.values,bins = np.arange(amh_s.min(),amh_s.max()+10,10))
 （左開(kāi)右閉的區(qū)間）
 amh_s.value_counts(bins=np.arange (amh_s.min(),amh_s.max()+10,10)) 

 6.1 首先，統(tǒng)計(jì)該數(shù)據(jù)的分布頻數(shù)
 s_s.value_counts()
 6.2確定異常值的名字。
 6.3把異常值賦空(NaN) --where()
 s_s.where(s_s!="name")
 意思是把”name”的數(shù)據(jù)賦空
 6.4把賦空的異常值刪除 --dropna()刪除異常值
 s_s.where(s_s!="name").dropna()
 6.5 檢查刪除異常值的結(jié)果
 s_s.where(s_s!="name").dropna().value_counts()

7.1對(duì)表格中空值的行刪除
 Df = df.dropna(axis=0,how='any')
 axis =0 ,代表的是行刪除
 how=‘a(chǎn)ny' 代表的是含有部分空值就執(zhí)行行刪除
 how=‘a(chǎn)ll' 代表的是一行全部是空值執(zhí)行行刪除
 7.2含有條件性的對(duì)異常值的刪除
 df=df[df["last_evaluation"]<=1] [df["salary"]!="name"][df["department" ]!="sale"]
 7.3分組(比如：把同一部門(mén)的人分為一組) --groupby()
 df.groupby("department")
 7.4對(duì)分組后的組取均值
 df.groupby("department").mean()
 7.5 取部分?jǐn)?shù)據(jù)（切片） --loc()
 df.loc[:,["last_evaluation","department"]] .groupby("department")
 7.6 取部分?jǐn)?shù)據(jù)求平均
 df.loc[:,["last_evaluation","department"]] .groupby("department").mean()
 7.7 取部分?jǐn)?shù)據(jù)求極差 --apply()
 df.loc[:,["average_monthly_hours" ,"department"]].groupby ("department")[ "average_monthly_hours"]. apply(lambda x:x.max()-x.min())