分布分析在实际的数据分析实践中应用非常广泛,常见的有用户性别分布,用户年龄分布,用户消费分布等等。
本文将进行如下知识点讲解:
1.数据类型的修改
2.新字段生成方法
3.数据有效性校验
4.性别与年龄分布
分布分析
1.导入相关库包
import pandas as pd
import matplotlib.pyplot as plt
import math
2.数据处理
>>>df = pd.read_csv('UserInfo.csv')
>>>df.info()
RangeIndex: 1000000 entries, 0 to 999999
Data columns (total 4 columns):
UserId 1000000 non-null int64
CardId 1000000 non-null int64
LoginTime 1000000 non-null object
DeviceType 1000000 non-null object
dtypes: int64(2), object(2)
memory usage: 30.5+ MB
由于接下来我们需要做年龄分布分析,但是从源数据info()方法可知,并无年龄字段,需要自己生成。
# 查看年龄区间,进行分区
>>>df['Age'].max(),df['Age'].min()
# (45, 18)
>>>bins = [0,18,25,30,35,40,100]
>>>labels = ['18岁及以下','19岁到25岁','26岁到30岁','31岁到35岁','36岁到40岁','41岁及以上']
>>>df['年龄分层'] = pd.cut(df['Age'],bins, labels = labels)
3.计算年龄
由于数据来源于线下,并未进行数据有效性验证,在进行年龄计算前,先针对数据进行识别,验证。
# 提取出生日期:月和日
>>>df[['month','day']] = df['DateofBirth'].str.split('-',expand=True).loc[:,1:2]
# 提取小月,查看是否有31号
>>>df_small_month = df[df['month'].isin(['02','04','06','09','11'])]
# 无效数据,如图所示
>>>df_small_month[df_small_month['day']=='31']
# 统统删除,均为无效数据
>>>df.drop(df_small_month[df_small_month['day']=='31'].index,inplace=True)
# 同理,校验2月
>>>df_2 = df[df['month']=='02']
# 2月份的校验大家可以做的仔细点儿,先判断是否润年再进行删减
>>>df_2[df_2['day'].isin(['29','30','31'])]
# 统统删除
>>>df.drop(df_2[df_2['day'].isin(['29','30','31'])].index,inplace=True)
# 计算年龄
# 方法一
>>>df['Age'] = df['DateofBirth'].apply(lambda x : math.floor((pd.datetime.now() - pd.to_datetime(x)).days/365))
# 方法二
>>>df['DateofBirth'].apply(lambda x : pd.datetime.now().year - pd.to_datetime(x).year)
4.年龄分布
# 查看年龄区间,进行分区
>>>df['Age'].max(),df['Age'].min()
# (45, 18)
>>>bins = [0,18,25,30,35,40,100]
>>>labels = ['18岁及以下','19岁到25岁','26岁到30岁','31岁到35岁','36岁到40岁','41岁及以上']
>>>df['年龄分层'] = pd.cut(df['Age'],bins, labels = labels)
由于该数据记录的是用户登录信息,所以必定有重复数据。而Python如此强大,一个nunique()方法就可以进行去重统计了。
# 查看是否有重复值
>>>df.duplicated('UserId').sum() #47681
# 数据总条目
>>>df.count() #980954
分组后用count()方法虽然也能够计算分布情况,但是仅限于无重复数据的情况。而Python这么无敌,提供了nunique()方法可用于计算含重复值的情况
age = soup.find(attrs={"class":"age"}) #你这里find只要一个attrs参数不会报错。
if age == None: #简单点可以用 if not age:
print u'没有找到'
else:
soup.find(attrs={"class":"name"})
#否则用findAll找出所有具有这个class的tr
tr = html.find("tr", attrs={"class":"show_name"})
tds = tr.findAll("td")
for td in tds:
print td.string # 或许不是string属性,你可以用dir(td)看看有哪些可用的。
扩展资料:
1、如果是函数定义中参数前的*表示的是将调用时的多个参数放入元组中,**则表示将调用函数时的关键字参数放入一个字典中。
1)如定义以下函数:
def func(*args):print(args)
当用func(1,2,3)调用函数时,参数args就是元组(1,2,3)
2)如定义以下函数:
def func(**args):print(args)
当用func(a=1,b=2)调用函数时,参数args将会是字典{'a':1,'b':2}
学python的同时一定会接触到其他技术,毕竟光会python这门语言是不够的,要看用它来做什么。比如说用 python做爬虫,就必须接触到html, http等知识。
python是现在最火的数据分析工具语言python的进阶的路线是数据清洗,爬虫,数据容器,之后是卷积,线性分析,和机器学习,区块连,金融方面的量化等高端进阶。
关于编程,有三种方式1、面向对象编程---->类 关键字:class
2、面向过程编程---->过程 关键字:def
3、函数式编程------>函数 关键字:def
函数式编程:函数是逻辑化结构化和过程化的一种编程方式,如
def test(x):
"xxxxx"
x+=1
return x
def:定义函数的关键字
test:函数名称
(x):传入函数的参数
x+=1:泛指逻辑处理块代码
"xxxx"函数描述(非必要,但强列建议添加)
定义一个过程,过程无返回值
def fun1():
"fun1"
print('fun1')
定义一个函数,函数有返回值
def fun2():
"fun2"
print('fun2')
return 0
函数和过程的调用是一致的:
fun1
fun2
在python中,过程就是一个没有返回值的函数,过程默认返因一个none,当函数有多个返回值时,将返回元组,这些值将被当做一个元组的元素,即:
返回值个数0:返回NONE
返回值个数1:返回object
返回值个数多个:返回元组
函数的功能:没有函数的编程只是在写逻辑(功能),脱离函数,重用逻辑(实现功能),唯一的方式就是复制粘贴,使用函数后简化代码,可读性变高,易扩展(保持一致性)
在定义函数时的参数,我们称为行参,如下面的x,y
而调用函数时传入的参数,我们称之为实参,如下面的1、2。
def test(x,y)
print(x)
print(y)
test(1,2)
位置调用时行参与实参的位置关系是一一对应的
def test(x,y)
print(x)
print(y)
test(1,2)
关键字调用时,与实参的位置无关如
def test(x,y)
print(x)
print(y)
test(y=2,x=3)
当位置调用与关键字调用混用时,按照位置调用方式执行,但要记位一句话,关键字参数不能写在位置参数前面,即test(3,y=2,6)此种方式将会报错,应写成test(3,2,z=6)或test(3,z=2,y=6)
当函数中有默认的参数值时如
def test(x,y=1)
.....
return 0
当调用这个函数时,如果不传入y的值时,y的值将采用默认值,如果传入新的y的值时,默认y的值将被覆盖。
默认值使用的场合:
1、软件安装的时候
2、连接数据库的端口
等
参数组:当行参或实参数量不固定的时候时使用,可与默认参数或行参混用,参数组一定要最至最后
def test(*args)#接收N个位置参数#def test(name,*args) #def test(name,age=1,*args)
print(args)
test(1,2,3,4,5……)
test(*[1,2,3,4……])
最终实参会被变成一个元组如:
def fun(agr1,agr2,*args)
pass
fun(1,2,3,4,5)
====结果=====
1,2,(3,4,5)
这种方式是预留以后当需要传多个参数时使用而不变动太多的代码
传入不定数量字典时:把N个关键字参数转换成字典的方式,可与默认参数或行参混用,参数组一定要最至最后
def test(agrs1,agrs2,**kwargs) #接收N个关键字参数
# print(kwagrs)
# print(kwagrs['name'])
# print(kwagrs['age'])
pass
test(3,5,name='a',age=23,sex='F')#以关键字的方式传值
=====结果====
3,5,{'name':'a','age':23,'sex':'f'}
test(**{name:'a',age:8,sex:'F'})
###位置参数不能写在关键字参数后面,否则程序会报错
函数调用函数
def test1()
print......
def test2()
print...
test1() #调用test1
print(test2()) #调用