数据清洗之数据统计

In [ ]:

import pandas as pd
import numpy as np
import os
os.chdir(r\'F:\CSDN\课程内容\代码和数据\')

在线杂货店订单数据

customer ：消费者ID，一个消费者可能有多个订单
order ：订单ID，订单的唯一标识，不重复
total_items ：订单中购买的商品数量
discount% ：收到的总折扣百分比
weekday ：下单时间：星期几下单，1-7 为周一至周日
hour ：下单时间：几点下单，0-23 为二十四小时制
Food% ：食物在订单总价中占比，食物为非生鲜类食物
Fresh% ：生鲜类食物在订单总中占比
Drinks% ：饮品在订单总价占比，由于高糖税可能导致总折扣为负
Home% ：家居用品在订单总价中占比
Beauty% : 美妆类产品在订单总价中占比
Health% ：保健类产品在订单总价中占比
Baby% ：母婴类产品在订单总价占比
Pets% ：宠物用品在订单总价占比

In [ ]:

df = pd.read_csv(\'online_order.csv\',encoding = \'gbk\',dtype={\'customer\':str,\'order\':str})

In [ ]:

df.dtypes

1. 数据分组运算

df.groupby(\'a\')
df.groupby(by = [\'a\',\'b\'])
df[[\'a\',\'b\',\'c\']].groupby(\'a\')
df[[\'a\',\'b\',\'c\']].groupby(by = [\'a\',\'b\'])

使用单个分组变量

使用groupby方法（count median max min sum mean……(◐‿◑)）

In [ ]:

df.head(4)#查看数据

In [ ]:

grouped = df.groupby(\'weekday\') #创建分组对象,按照星期进行分组

In [ ]:

grouped.mean() #调用方法取均值

In [ ]:

grouped.sum()[\'total_items\']# 计算不同的星期，商品数量的总和

In [ ]:

grouped = df.groupby(by =[\'customer\',\'weekday\'])#创建分组对象（以列表形式传入）,按照用户和星期

grouped.sum()[\'total_items\']#查看这一个分组下这个用户在某一天的订单综合

In [ ]:

grouped.sum()[\'total_items\'].head(50) #调用方法,计算不同的用户周一到周天的订购商品数量的总和

2. 聚合函数使用

使用聚合函数agg
agg是一个作用于series或者DataFrame的函数,主要目的是针对分组后的对象，使用相关函数进行计算

In [ ]:

grouped = df.groupby(\'weekday\')#创建分组对象,按照周一到周天进行分组

In [ ]:

grouped.agg([np.mean,np.max]).head(20) #对分组后对象，计算每一个weekday分组的元素的 均值和总和

In [ ]:

grouped.agg({\'total_items\':np.sum,\'Food%\': [np.mean,np.median]}) #对2个变量分别计算不同的统计量
这里对总订单求和，对食物比例求取均值和中间值

In [ ]:

df[[\'total_items\',\'Food%\',\'Drinks%\']].agg([np.sum,np.mean]) #也可以直接对数据进行汇总

这里先选取对象，再计算其中的计算方式

3.分组对象与apply函数

使用apply函数
0代表沿着行的方向作用,1代表沿着列的方向作用

In [ ]:

grouped = df.groupby(\'weekday\')

In [ ]:

grouped.apply(np.mean)[[\'total_items\',\'Food%\']] #可以做聚合

体验一下apply 中,axis=0 或者 axis=1的区别

In [ ]:

df.columns

In [ ]:

var_name = [\'Food%\', \'Fresh%\', \'Drinks%\', \'Home%\', \'Beauty%\', \'Health%\', \'Baby%\',
       \'Pets%\'] # 不同类型的商品占比

In [ ]:

df[var_name].apply(np.sum,axis = 0) #相当于视图中计算每列的总和

df[var_name].apply(np.sum,axis = 1)  #相当于视图中计算每行的总和

从矩阵上理解的话，这个是一个总的list里面套了好多个并行的小list，
而axis=0则相当于每一个小list中取相同次序的某一个
axis=1则相当于每次对其中一个list的内容作处理

In [ ]:

df[\'sum\'] = df[var_name].apply(np.sum,axis=1) #  相当于计算每行的总和

In [ ]:

var_name.append(\'sum\')

In [ ]:

df[var_name] #查看数据，会发现总和为1

In [ ]:

df[var_name].apply(lambda x: x[0] - x[1],axis = 1) #计算食物在订单总价中占比 - 生鲜类食物在订单总中占比

#对与每一个小的list（这里相当于x），将它的第一列减去第二列

4. 透视图与交叉表

In [ ]:

#读取数据
df = pd.read_csv(\'online_order.csv\',encoding = \'gbk\',dtype={\'customer\':int,\'order\':str})

In [ ]:

df.columns

In [ ]:

fill_value是填充值

# 单个变量
#margin =True 表示是否需要总计
pd.pivot_table(data= df,index=\'weekday\',values=\'total_items\',aggfunc=[np.sum,np.size],margins=True,margins_name=\'总计\')#按照周一到周天计算购买的商品数量总数和次数

margins=True是在计算完每一行数据以后总的那一列的 再进行一次统计

pd.pivot_table？   如果你全都忘记了，记得输入一个‘？’来查看需要赋值的参数

交叉表
交叉表更多用于计算分组频率

In [ ]:

# 使用交叉表
#是一种计算分组频数的特殊透视表
# 不同的星期，不同的折扣交叉表
pd.crosstab(index =df[\'weekday\'], columns=df[\'discount%\'],margins=True)

In [ ]:

#按照行进行汇总，计算频数占比
pd.crosstab(index =df[\'weekday\'], columns=df[\'discount%\'],margins=True（是否需要统计）, normalize=\'all\'（对数据进行标准化）)

In [ ]:

#按照行进行汇总，计算频数占比
pd.crosstab(index =df[\'weekday\'], columns=df[\'discount%\'],margins=True,  normalize=\'all\') #index表示计算行百分比，columns表示计算列百分比

In [ ]:

pd.crosstab(index =df[\'weekday\'], columns=df[\'discount%\'],margins=True, normalize=\'columns\') #index表示计算行百分比，columns表示计算列百分比