数据分析实战一——探索数据

仓库代码

1.导入包

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

2.加载数据

data1=pd.read_excel('E:\jupyter_lab\leetcode\数据分析实战\chapter3\data\catering_sale.xls',index_col='日期')
data1.head()

1.png

3.绘制箱线图data.boxplot()

boxplot方法只是用于DataFrame,return_type='dict'
whiskers: 延伸到不大于异常值的点的垂线
caps: 边界线
fliers: 所有的异常值点
means: 代表均值的点或者线

plt.figure()
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

p=data1.boxplot(return_type='dict')

x=p['fliers'][0].get_xdata()
y=p['fliers'][0].get_ydata()
y=np.sort(y)

for i in range(len(x)):
# 处理临界情况， i=0时
    temp = y[i] - y[i - 1] if i != 0 else -78 / 3
# 添加注释, xy指定标注数据，xytext指定标注的位置（所以需要特殊处理）
    plt.annotate(y[i], xy=(x[i], y[i]), xytext=(x[i] + 0.05 - 0.8 / temp, y[i]))
plt.show()

2.png

4计算统计量data.describe()

方差

（每个样本-均值）的平方的累加和除以总数 反应个体与均值的偏离程度

标准差（std）=方差开根号

statistics['std']计算的是n-1样本标准差，numpy计算的是n总体标准差，在数据量较大时，推荐使用numpy

CV(Coefficient of Variance) 变异系数：

变异系数又称“标准差率”,是衡量资料中各观测值变异程度的另一个统计量.
当进行两个或多个资料变异程度的比较时,如果度量单位与平均数相同,可以直接利用标准差来比较.如果单位和（或）平均数不同时,比较其变异程度就不能采用标准差,而需采用标准差与平均数的比值（相对值）来比较.

data = data1[(data1['销量'] > 400) & data1['销量'] < 5000]
statistics = data.describe()['销量']

#极差
statistics['range'] = statistics['max'] - statistics['min']
#变异系数
statistics['var'] = statistics['std'] / statistics['mean']
#四分位距
statistics['dis'] = statistics['75%'] - statistics['25%']

print(statistics)

4.png

5盈利图data.plot(kind='bar')

比例计算data.cumsum（）/data.sum（），累加求和cumsum（）。

data2=pd.read_excel('E:\jupyter_lab\leetcode\数据分析实战\chapter3\data\catering_dish_profit.xls',index_col='菜品名')
data2.head()

3.png

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

plt.figure()

data.plot(kind='bar')
plt.ylabel('盈利（元）')

p = 1.0 * data.cumsum() / data.sum()
p.plot(color='r',secondary_y=True, style='-o', linewidth=2)

plt.annotate(
        format(p[6], '.4%'),
        xy=(6, p[6]),
        xytext=(6 * 0.9, p[6] * 0.9),
        arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.ylabel(u'盈利（比例）')
plt.show()

5.png

6计算成对相关性

data.corr()-->dataframe中相互之间的相关性
data.corr()['百合酱蒸凤爪'] -->dataframe某一项与其他项的相关性

data3=pd.read_excel('E:\jupyter_lab\leetcode\数据分析实战\chapter3\data\catering_sale_all.xls',index_col='日期')
data3.head()

6.png

data3.corr()

7.png

data3.corr()[''百合酱蒸凤爪']

相关性表中[''百合酱蒸凤爪']列。

8.png

data3['百合酱蒸凤爪'].corr(data3['翡翠蒸香茜饺'])

['百合酱蒸凤爪']与['翡翠蒸香茜饺']的相关性。

9.png