人口分析案例

Posted 2021-11-11 胜天半月子

文章目录

• 需求
• 一、数据预处理
• 二、数据处理
• 总结

---

需求

源数据获取–密码:6qpt

• 导入文件，查看原始数据
• 将人口数据和各州简称数据进行合并
• 将合并的数据中重复的abbreviation列进行删除
• 查看存在缺失数据的列
• 找到有哪些state/region使得state的值为NaN，进行去重操作
• 为找到的这些state/region的state项补上正确的值，从而去除掉state 这一列的所有NaN
• 合并各州面积数据areas
• 我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行
• 去除含有缺失数据的行
• 找出2010年的全民人口数据
• 计算各州的人口密度
• 排序，并找出人口密度最高的五个州 df.sort_values()

---

一、数据预处理

• 导入包

import pandas as pd
import numpy as np
from pandas import DataFrame

• 导入文件 查看原始数据

abb = pd.read_csv('./data/state-abbrevs.csv')
abb
# state：全称  abbreviation：简称

pop = pd.read_csv('./data/state-population.csv')
pop

area = pd.read_csv('./data/state-areas.csv')
area

• 将各州数据【abb】和人口数据【pop】进行合并

使用outer:保证数据完整性
[Python3]pandas.merge用法详解

abb_pop = pd.merge(abb,pop,left_on='abbreviation',right_on='state/region',how='outer')
abb_pop.head()

• 将合并后的数据列进行删除 ： abbreviation

# inplace作用在原DataFrame上
abb_pop.drop(labels='abbreviation',axis=1,inplace=True)
abb_pop.head()

• 查看表中的缺失数据

info()
isnull().any(axis=0)⭐

abb_pop.info()

# isnull()和any 连接使用
abb_pop.isnull().any(axis=0)

---

二、数据处理

• 找到有哪些state/region使得state的值为NaN，进行去重操作【将state中空值对应的简称找到，对找到的简称进行去重操作】

abb_pop.head()

步骤：

1. 找到state中的空值
2. 将state中的空值对应的简称找到
3. 对简称去重

abb_pop['state'].isnull()

# 将布尔值作为数据的索引 取出对应的行数据
abb_pop.loc[abb_pop['state'].isnull()]

abb_pop.loc[abb_pop['state'].isnull()]['state/region']

abb_pop.loc[abb_pop['state'].isnull()]['state/region'].unique()

array([‘PR’, ‘USA’], dtype=object)

为找到的这些state/region的state项补上正确的值，从而去除掉state 这一列的所有NaN

• fillna():填充成一致的 – 不适用于该项目
• • PR:填充为对应的全称 USA:填充为对应的全称

实现：

1. 根据简称将简称对应的全称的空值找到
2. 将找到的空值填充称对应的全称即可

# 1. 将PR对应的行找到
abb_pop['state/region'] == 'PR'

别看这显示都是False，True都在里面藏着呢！

abb_pop.loc[abb_pop['state/region'] == 'PR']

# 2.  获取行索引
indexs = abb_pop.loc[abb_pop['state/region'] == 'PR'].index
indexs

Int64Index([2448, 2449, 2450, 2451, 2452, 2453, 2454, 2455, 2456, 2457, 2458,2459, 2460, 2461, 2462, 2463, 2464, 2465, 2466, 2467, 2468, 2469, 2470, 2471, 2472, 2473, 2474, 2475, 2476, 2477, 2478, 2479, 2480,2481, 2482, 2483, 2484, 2485, 2486, 2487, 2488, 2489, 2490, 2491,2492, 2493, 2494, 2495],dtype=‘int64’)

# 3. 做批量赋值
abb_pop.loc[indexs,'state'] = 'PPPRRR'
abb_pop.loc[abb_pop['state/region'] == 'PR']

同理对简称为USA的操作是一样进行的

abb_pop['state/region'] == 'USA'
indexsusa = abb_pop.loc[abb_pop['state/region'] == 'USA'].index
abb_pop.loc[indexsusa,'state'] = 'United States'
 abb_pop.loc[abb_pop['state/region'] == 'USA']

• 合并各州面积数据areas

abb_pop.head()

area.head()

abb_pop_area = pd.merge(abb_pop,area,on='state',how='outer')
abb_pop_area

• 我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行

abb_pop_area['area (sq. mi)'].isnull()

abb_pop_area.loc[abb_pop_area['area (sq. mi)'].isnull()]

# 获取索引
indexs = abb_pop_area.loc[abb_pop_area['area (sq. mi)'].isnull()].index
indexs

Int64Index([2448, 2449, 2450, 2451, 2452, 2453, 2454, 2455, 2456, 2457, 2458,2459, 2460, 2461, 2462, 2463, 2464, 2465, 2466, 2467, 2468, 2469,2470, 2471, 2472, 2473, 2474, 2475, 2476, 2477, 2478, 2479, 2480,2481, 2482, 2483, 2484, 2485, 2486, 2487, 2488, 2489, 2490, 2491,2492, 2493, 2494, 2495, 2496, 2497, 2498, 2499, 2500, 2501, 2502,2503, 2504, 2505, 2506, 2507, 2508, 2509, 2510, 2511, 2512, 2513,2514, 2515, 2516, 2517, 2518, 2519, 2520, 2521, 2522, 2523, 2524,2525, 2526, 2527, 2528, 2529, 2530, 2531, 2532, 2533, 2534, 2535, 2536, 2537, 2538, 2539, 2540, 2541, 2542, 2543], dtype=‘int64’)

• 去除含有缺失数据的行

# drop系列的函数 0：行  1：列
abb_pop_area.drop(labels=indexs,axis=0,inplace=True)

• 找出2010年的全民人口数据

query()：条件查询 ⭐

abb_pop_area.head()

abb_pop_area.info()

abb_pop_area.query('ages == "total" & year == 2010')

• 计算各州的人口密度 人口/区域面积，将人口密度数据汇总到源数据（添加一列）

abb_pop_area['population'] / abb_pop_area['area (sq. mi)']

abb_pop_area['midu']  = abb_pop_area['population'] / abb_pop_area['area (sq. mi)']
abb_pop_area.head()

• 排序，并找出人口密度最高的五个州 df.sort_values()

abb_pop_area.sort_values(by='midu')

abb_pop_area.sort_values(by='midu',axis=0,ascending=False)

---

总结

1. 关于iloc与loc的索引问题

• loc:显示索引
• iloc:隐世索引

abb_pop_area.sort_values(by='midu',axis=0,ascending=False).iloc[0]['state']

‘District of Columbia’

abb_pop_area.sort_values(by='midu',axis=0,ascending=False).loc[51]['state']

‘Alaska’