Python 数据分析与可视化全面指南

2.2 数据清洗

在分析数据之前，我们需要处理缺失值和异常值。

示例：处理缺失值

# 显示缺失值
print(data.isnull().sum())

输出：

Name 0
Age 1
Salary 1
dtype: int64

# 填充缺失值
data['Age'].fillna(data['Age'].mean(), inplace=True) # 用平均值填充年龄
data['Salary'].fillna(data['Salary'].median(), inplace=True) # 用中位数填充工资
print(data)

输出：

 Name Age Salary
0 Alice 30.0 70000.0
1 Bob 25.0 48000.0
2 Carol 27.0 52000.0
3 Dave 26.0 60000.0
4 Eve 22.0 56000.0

示例：处理异常值

# 识别异常值
q1 = data['Salary'].quantile(0.25)
q3 = data['Salary'].quantile(0.75)
iqr = q3 - q1
# 确定异常值
outliers = data[(data['Salary']<(q1 -1.5* iqr))|(data['Salary']>(q3 +1.5* iqr))]
print("异常值:\n", outliers)
# 移除异常值
data = data[~data['Salary'].isin(outliers['Salary'])]

输出：

异常值:
 Empty DataFrame Columns: [Name, Age, Salary] Index: []

2.3 数据转换

数据转换可以帮助我们将数据调整为适合分析的格式。例如，我们可能需要将某些列的数据类型转换为适当的格式。

# 将年龄转换为整数类型
data['Age']= data['Age'].astype(int)

3. 数据分析

数据分析可以帮助我们发现数据中的趋势和模式。我们可以使用 pandas 的一些函数进行基本的统计分析。

3.1 描述性统计

# 获取数据的基本统计信息
statistics = data.describe()
print(statistics)

输出：

 Age Salary
count 5.000000 5.000000
mean 26.000000 57200.000000
std 2.915476 8438.009244
min 22.000000 48000.000000
25% 25.000000 52000.000000
50% 26.000000 56000.000000
75% 27.000000 60000.000000
max 30.000000 70000.000000

3.2 分组分析

根据不同条件进行分组，并计算相关统计量。

示例：按年龄分组计算工资的平均值

# 按年龄分组并计算工资的平均值
grouped_data = data.groupby('Age')['Salary'].mean().reset_index()
print(grouped_data)

输出：

 Age Salary
0 22 56000.0
1 25 48000.0
2 26 60000.0
3 27 52000.0
4 30 70000.0

3.3 时间序列分析

如果我们的数据包含时间戳，可以进行时间序列分析。这在销售数据、股票市场等领域特别有用。

# 假设有一个包含日期的 DataFrame
data['Date']= pd.date_range(start='1/1/2020', periods=len(data), freq='M')
# 设置日期为索引
data.set_index('Date', inplace=True)
# 按月汇总数据
monthly_data = data.resample('M').sum()
print(monthly_data)

输出：

 Name Age Salary Date
2020-01-31 Alice 30 70000.0
2020-02-29 Bob 25 48000.0
2020-03-31 Carol 27 52000.0
2020-04-30 Dave 26 60000.0
2020-05-31 Eve 22 56000.0

4. 数据可视化

数据可视化能够直观展示数据分析的结果。我们将使用 matplotlib 和 seaborn 创建各种图表。

4.1 基本绘图

示例：柱状图

import matplotlib.pyplot as plt
# 绘制柱状图
plt.figure(figsize=(10,6))
plt.bar(data['Name'], data['Salary'], color='skyblue')
plt.title('Salary by Name')
plt.xlabel('Name')
plt.ylabel('Salary')
plt.show()

4.2 使用 Seaborn 绘制图表

Seaborn 提供了更美观的图表样式。

示例：箱型图

import seaborn as sns
# 绘制箱型图
plt.figure(figsize=(10,6))
sns.boxplot(x='Age', y='Salary', data=data)
plt.title('Salary Distribution by Age')
plt.show()

4.3 高级可视化技巧

除了基本的图表，您还可以利用 matplotlib 和 seaborn 的高级特性来创建复杂的可视化效果。

示例：热力图

# 计算相关性矩阵，只包括数值列
correlation_matrix = data[['Age','Salary']].corr()
print(correlation_matrix)

输出：

 Age Salary
Age 1.000000 0.609736
Salary 0.609736 1.000000

# 创建热力图来查看相关性
plt.figure(figsize=(10,6))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
plt.title('Correlation Heatmap')
plt.show()

5. 案例研究

为了更好地理解数据分析与可视化的实际应用，让我们考虑一个具体的案例。

案例：销售数据分析

假设我们有一个销售数据集，包含以下列：

• OrderID：订单编号
• Product：产品名称
• Quantity：购买数量
• Price：单价
• Date：订单日期

步骤 1：数据导入与预处理

sales_data = pd.read_csv('sales_data.csv')
# 检查缺失值
sales_data.isnull().sum()
# 填充缺失值
sales_data['Quantity'].fillna(0, inplace=True)
sales_data['Price'].fillna(sales_data['Price'].median(), inplace=True)

步骤 2：数据分析

计算每个产品的总销售额和销量：

sales_data['TotalSales']= sales_data['Quantity']* sales_data['Price']
product_sales = sales_data.groupby('Product')['TotalSales'].sum().reset_index()

步骤 3：数据可视化

plt.figure(figsize=(12,6))
sns.barplot(x='Product', y='TotalSales', data=product_sales)
plt.title('Total Sales by Product')
plt.xticks(rotation=45)
plt.show()

以下是完整的示例代码，包含数据生成、预处理、分析和可视化步骤：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 1. 生成示例销售数据
data ={
    'OrderID':range(1,11),
    'Product':['A','B','C','A','B','C','A','B','C','A'],
    'Quantity':[5,2,0,3,1,4,6,7,0,2],
    'Price':[10.0,20.0,15.0,10.0,20.0,15.0,10.0,20.0,15.0,10.0],
    'Date': pd.date_range(start='2023-01-01', periods=10, freq='D')
}
sales_data = pd.DataFrame(data)

# 2. 数据预处理
# 检查缺失值
print(sales_data.isnull().sum())
# 填充缺失值（若有）
sales_data['Quantity'].fillna(0, inplace=True)
sales_data['Price'].fillna(sales_data['Price'].median(), inplace=True)

# 3. 计算总销售额
sales_data['TotalSales']= sales_data['Quantity']* sales_data['Price']

# 4. 按产品分组计算总销售额
product_sales = sales_data.groupby('Product')['TotalSales'].sum().reset_index()

# 5. 数据可视化
plt.figure(figsize=(10,6))
sns.barplot(x='Product', y='TotalSales', data=product_sales)
plt.title('Total Sales by Product')
plt.xlabel('Product')
plt.ylabel('Total Sales ($)')
plt.xticks(rotation=45)
plt.show()

说明：

1. 数据生成：我们生成了包含 10 条记录的示例销售数据，包括订单编号、产品名称、购买数量、单价和订单日期。
2. 数据预处理：检查并填充缺失值（本示例中未实际出现缺失值，但提供了填充示例）。
3. 总销售额计算：通过乘以数量和单价计算每个订单的总销售额。
4. 分组汇总：按 Product 列进行分组，并计算每种产品的总销售额。
5. 数据可视化：使用 seaborn 创建柱状图，展示各产品的总销售额。

输出：

OrderID 0
Product 0
Quantity 0
Price 0
Date 0
dtype: int64

总结

通过上述步骤，我们演示了如何使用 Python 进行数据分析与可视化。关键步骤包括数据处理、分析和可视化。我们使用 pandas 进行数据清洗与分析，使用 matplotlib 和 seaborn 进行可视化，展示了不同的图表和分析结果。

在实际应用中，数据分析与可视化是一个迭代的过程，您可以根据需求不断调整和优化。希望本文能为您提供一个清晰的入门指南，助力您在数据分析与可视化的旅程中不断前行！