练习：泰坦尼克号逃生率

kaggle上一道经典题目，拿来做一点小练习。有一个csv文件（点击下载）密码:yqto。里面包含船上人员的以下信息：编号、标签值、舱位等级、名字、性别、年龄、个人兄弟姐妹的数量、个人老人孩子的数量、船票编号、船票价格、所在位置（缺失值比较多）、登船地点。

import pandasas pd

import numpyas np

# 读取一个csv文件

titanic_train = pd.read_csv('titanic_train.csv')

# 求平均年龄

ages = titanic_train['Age']

age_is_null = pd.isnull(ages)

# 算出有177个没有年龄信息的人，如果数据中包含缺失值，用这列数据进行换算，也只返回NaN值

age_null_count =len(ages[age_is_null])

print('总共有{}个人没有年龄信息'.format(age_null_count))

# 因此，需要为了让结果更加精确，可以对所有NaN进行处理填充：这边使用平均值进行填充

# 只去有效数据进行平均值计算

correct_ages = ages[age_is_null ==False]

ages_mean = ages.mean()# 等价于：`sum(correct_ages) / len(correct_ages)

print('年龄平均值:{}'.format(ages_mean))

# 求出三个舱位的平均价格

pclass_level = [1, 2, 3]

pclass = titanic_train['Pclass']

for plin pclass_level:

pl_rows = titanic_train[pl == pclass]

fare = pl_rows['Fare']

fare_mean = fare.mean()

print('{}等舱位的平均价格是{}'.format(pl, fare_mean))

# 方法2 数据透视表： 对于每个不同的Pclass而言，fare的平均值  aggfunc不写默认是求平均值

fare_mean2 = titanic_train.pivot_table(index='Pclass', values='Fare', aggfunc=np.mean)

# 对于每个相同的性别而言，平均存活人数

survieds_mean = titanic_train.pivot_table(index='Sex', values='Survived', aggfunc=np.mean)

print('对于每个不同的性别而言，平均存活率：{}'.format(survieds_mean))

# 对于相同的登场地点，船票总价和获救总人数

embarked_s_f_sum = titanic_train.pivot_table(index='Embarked', values=['Survived', 'Fare'], aggfunc=np.sum)

print(embarked_s_f_sum)

# 使用loc访问具体的一格数据

print(titanic_train.loc[3, 'Name'])

print("**************")

# 去除有缺失值的数据

new_titanic_train = titanic_train.dropna(axis=0, subset=['Survived', 'Fare'])

print(new_titanic_train[:10])

print("**************")

# set_index方法，可以设置单索引和复合索引。

# reset_index可以还原索引，从新变为默认的整型索引

new_sort_tt = new_titanic_train.reset_index(drop=True)

print(new_sort_tt[:10])

print("**************")

# 使用apply自定义函数

def get100Data(column):

return column.loc[99]

print(titanic_train.apply(get100Data))

series

Series 是一个类数组的数据结构，同时带有标签（lable）或者说索引（index）。dataframe可以拆解为多个series。使用series.values就能输出一个ndarray，因此说pandas是封装在ndArray之上。

拆解DataFrame的某一行或者某列，就是series格式

print(type(new_titanic_train['Survived']))

输出：<class 'pandas.core.series.Series'>

values = survived.values print(type(values))

输出：'numpy.ndarray'

#创建一个series，导入引用， index=key 指定自定义索引列表

from pandas import Series

seriese= Series(ticket, index=name)