数据分析入门 | kaggle泰坦尼克任务（一）—＞数据加载和初步观察

系列索引：数据分析入门 | kaggle泰坦尼克任务

一、数据加载

本次主要以实战的方式了解数据分析的流程和熟悉数据分析python的基本操作，完成kaggle上泰坦尼克的任务，实战数据分析全流程。可以参考的图书《Python for Data Analysis》。

数据集：https://www.kaggle.com/c/titanic/overview

（1）载入数据

这里主要使用numpy和pandas库

import numpy as np
import pandas as pd

载入数据时可以选择使用相对路径或者绝对路径载入数据

df = pd.read_csv('train.csv')
df.head(3)

这里也可以使用read_table()读取数据，不过read_table是按照\t分割，而read_csv()是按照逗号，这里如果使用了table可以加入参数 sep = ','实现和read_csv一样的效果。

（2）逐块读取

日常数据分析工作中，难免碰到数据量特别大的情况，动不动就2、3千万行，如果直接读进 Python 内存中，且不说内存够不够，读取的时间和后续的处理操作都很费劲。

Pandas 的 read_csv 函数提供2个参数：chunksize、iterator ，可实现按行多次读取文件，避免内存不足情况。

使用语法为：

• iterator : boolean, default False
  返回一个TextFileReader 对象，以便逐块处理文件。
• chunksize : int, default None
  文件块的大小， See IO Tools docs for more informationon iterator and chunksize.

chunker = pd.read_csv('train.csv',chunksize = 1000)
<pandas.io.parsers.TextFileReader at 0x2087ab29040>

pandas.read_csv 参数 chunksize 通过指定一个分块大小（每次读取多少行）来读取大数据文件，可避免一次性读取内存不足，返回的是一个可迭代对象TextFileReader 。

指定 iterator=True 也可以返回一个可迭代对象 TextFileReader 。iterator=True 和 chunksize 可以同时指定使用。

chunker = pd.read_csv('train.csv', chunksize=100)
for i, chunk in enumerate(chunker):
    print(i,' ',len(chunk))
    
0   100
1   100
2   100
3   100
4   100
5   100
6   100
7   100
8   91

再看一个合并数据的代码：

import pandas as pd
df = [pd.read_csv('./data/data_' + str(i) + '.csv') for i in range(5)] #列表推导式
data = pd.concat(df, axis=0).reset_index(drop=True) # 合并
data.head()
data.tail()

当 axis = 0 时，pd.concat 实现列对齐合并。

分块读取文件demo例程：

import feather
import pandas as pd

filePath = r'data_csv.csv'

def read_csv_feature(filePath):
    # 读取文件
    f = open(filePath, encoding='utf-8')
    reader = pd.read_csv(f, sep=',', iterator=True)
    loop = True
    chunkSize = 1000000
    chunks = []
    while loop:
        try:
            chunk = reader.get_chunk(chunkSize)
            chunks.append(chunk)
        except StopIteration:
            loop = False
            print('Iteration is END!!!')
    df = pd.concat(chunks, axis=0, ignore_index=True)
    f.close()
    return df 

data = read_csv_feature(filePath)

二、初步观察

导入数据后需要对数据的整体结构和样例进行概览，比如数据大小、格式等等。

df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
 # Column Non-Null Count Dtype 
---  ------       --------------  -----  
 0   PassengerId  891 non-null    int64  
 1   Survived     891 non-null    int64  
 2   Pclass       891 non-null    int64  
 3   Name         891 non-null    object 
 4   Sex          891 non-null    object 
 5   Age          714 non-null    float64
 6   SibSp        891 non-null    int64  
 7   Parch        891 non-null    int64  
 8   Ticket       891 non-null    object 
 9   Fare         891 non-null    float64
 10  Cabin        204 non-null    object 
 11  Embarked     889 non-null    object 
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB

df.head(10) #输出前10行数据
df.tail(15) #输出后15行数据
df.isnall().head() #判断数据是否为空

df.to_csv('train_chinese.csv')
# 注意：不同的操作系统保存下来可能会有乱码。大家可以加入`encoding='GBK' 或者 ’encoding = ’utf-8‘‘`

数据分析入门 | kaggle泰坦尼克任务 系列持续更新，欢迎点赞收藏＋关注

上一篇：数据分析入门 | kaggle泰坦尼克任务
下一篇：数据分析入门 | kaggle泰坦尼克任务（二）—＞pandas基础

本人水平有限，文章中不足之处欢迎下方评论区批评指正~

如果感觉对你有帮助，点个赞 支持一下吧 ~

不定期分享 有趣、有料、有营养内容，欢迎 订阅关注 我的博客 ，期待在这与你相遇 ~