Python數(shù)據(jù)分析實戰(zhàn)之分布分析

import pandas as pdimport matplotlib.pyplot as pltimport math

>>> df = pd.read_csv('UserInfo.csv')>>> df.info()RangeIndex: 1000000 entries, 0 to 999999Data columns (total 4 columns):UserId        1000000 non-null int64CardId        1000000 non-null int64LoginTime     1000000 non-null objectDeviceType    1000000 non-null objectdtypes: int64(2), object(2)memory?usage:?30.5+?MB

#?提取出生日期需要先把身份證號碼轉(zhuǎn)換成字符串>>>?df['CardId']?=?df['CardId'].astype('str')
#?提取出生日期，并生成新字段>>> df['DateofBirth'] = df.CardId.apply(lambda x : x[6:10]+"-"+x[10:12]+"-"+x[12:14])
#?提取性別，待觀察性別分布>>> df['Gender'] = df['CardId'].map(lambda x : 'Male' if int(x[-2]) % 2 else 'Female')
>>> df.head()

#?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號>>> df_small_month = df[df['month'].isin(['02','04','06','09','11'])]
#?無效數(shù)據(jù)，如圖所示>>> df_small_month[df_small_month['day']=='31']
# 統(tǒng)統(tǒng)刪除，均為無效數(shù)據(jù)>>> df.drop(df_small_month[df_small_month['day']=='31'].index,inplace=True)
#?同理，校驗2月>>> df_2 = df[df['month']=='02']
#?2月份的校驗大家可以做的仔細點兒，先判斷是否潤年再進行刪減>>> df_2[df_2['day'].isin(['29','30','31'])]
# 統(tǒng)統(tǒng)刪除>>> df.drop(df_2[df_2['day'].isin(['29','30','31'])].index,inplace=True)

# 計算年齡# 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)

# 查看年齡區(qū)間，進行分區(qū)>>> df['Age'].max(),df['Age'].min()# (45, 18)
>>> bins = [0,18,25,30,35,40,100]>>> labels = ['18歲及以下','19歲到25歲','26歲到30歲','31歲到35歲','36歲到40歲','41歲及以上']
>>> df['年齡分層'] = pd.cut(df['Age'],bins, labels = labels)

#?查看是否有重復(fù)值>>> df.duplicated('UserId').sum()????#47681
#?數(shù)據(jù)總條目>>> df.count()    #980954

>>> df.groupby('年齡分層')['UserId'].count()年齡分層18歲及以下      2526219歲到25歲    25450226歲到30歲    18175131歲到35歲    18141736歲到40歲    18158941歲及以上     156433Name:?UserId,?dtype:?int64
#?通過求和，可知重復(fù)數(shù)據(jù)也被計算進去>>> df.groupby('年齡分層')['UserId'].count().sum()# 980954
>>> df.groupby('年齡分層')['UserId'].nunique()年齡分層18歲及以下      2401419歲到25歲    24219926歲到30歲    17283231歲到35歲    17260836歲到40歲    17280441歲及以上     148816Name:?UserId,?dtype:?int64

>>> df.groupby('年齡分層')['UserId'].nunique().sum()#?933273??=?980954（總）-47681（重復(fù)）
#?計算年齡分布>>> result = df.groupby('年齡分層')['UserId'].nunique()/df.groupby('年齡分層')['UserId'].nunique().sum()>>> result
# 結(jié)果年齡分層18歲及以下     0.02573119歲到25歲    0.25951626歲到30歲    0.18518931歲到35歲    0.18494936歲到40歲    0.18515941歲及以上     0.159456Name:?UserId,?dtype:?float64

#?格式化一下>>> result = round(result,4)*100>>> result.map("{:.2f}%".format)
年齡分層18歲及以下      2.57%19歲到25歲    25.95%26歲到30歲    18.52%31歲到35歲    18.49%36歲到40歲    18.52%41歲及以上     15.95%Name:?UserId,?dtype:?object