推荐 2个十分好用的 pandas 数据探索分析神器!

Posted AI科技大本营

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了推荐 2个十分好用的 pandas 数据探索分析神器!相关的知识,希望对你有一定的参考价值。


作者 | 俊欣

来源 | 关于数据分析与可视化

今天小编给大家推荐两款超好用的工具来对数据进行探索分析。更好地帮助数据分析师从数据集当中来挖掘出有用的信息

PandasGUI

一听到这个名字,大家想必就会知道这个工具是在Pandas的基础之上加了GUI界面,它所具备的主要功能有:

  • 查看DataFrame数据集与Series数据集

  • 交互式地绘制图表

  • 过滤数据

  • 统计分析

  • 数据的修改与复制粘贴

  • 拖放导入csv文件

  • 搜索工具栏

当然在使用之前,我们先要安装好该工具

pip install pandasgui

然后我们导入该工具,并且用它来查看某个数据集,代码如下

import pandas as pd
from pandasgui import show

df = pd.read_excel(
    io=r'supermarkt_sales.xlsx',
    engine="openpyxl", sheet_name="Sales",
    skiprows=3, usecols="B:R",
    nrows=1000
)

show(df)

运行上述的代码之后会弹出一个GUI界面

我们先来看一下弹出的页面当中的布局,最左边是数据集的形状,比方说1000*17,具体看下图

过滤数据

数据过滤时候,我们需要填入相应的条件,主要是在中间这一列中输入,例如我们想要筛选出来的数据需要满足

  • 省份:浙江

  • 顾客类型:会员

  • 性别:男性

以上这几个条件,我们可以这么来做,在filter这一列当中依次输入筛选的条件,如下图

数据的修改与复制粘贴

同时我们还可以修改当中的数据

以及将里面的数据复制/粘贴出来

数据的统计分析

PandasGUI这个工具当中,我们还能够对数据集进行统计分析,切换到Statistics选项当中就能够看到

当中的统计变量有“平均值”、“最大/最小值”和“标准差”,包括每一个变量的数据类型也在当中有展示出来

绘制交互式图表

我们还能够在上面绘制交互之图表,支持的图表类型有柱状图、散点图、折线图、饼图等等

例如柱状图,我们看到有x轴和y轴,我们只需要将相对应的列拖拽到x轴或者是y轴即可

数据集的变形

Reshaper这个选项当中,我们可以将现有的数据集与其他的数据集合并,和pandas当中的merge()方法一样,同时我们也能制作透视表,和pandas当中的pivot_table()方法一样

当然我们还可以将以上的操作转换成代码的形式,通过点击Code Export这个按钮

支持csv文件的导入与导出

同时这里还支持csv文件的导入与导出,让我们更加快捷的操作数据集

Jupyter当中的小插件

下面小编给大家介绍一个在Jupyter当中使用的小插件名叫ipympl,能够使得matplotlib绘制出来的图表也能够具备交互性的特征,当然在使用之前,我们先要安装上该插件

通过pip来安装

pip install ipympl

也可以通过conda来进行安装

conda install -c conda-forge ipympl

然后涉及到具体的使用,我们导入相关的模块

%matplotlib widget
import pandas as pd
import matplotlib.pyplot as plt

我们使用常用的iris.csv来进行图表的绘制

plt.scatter('sepal_length(cm)', 'petal_width(cm)', data=iris)
plt.xlabel('Sepal Length')
plt.ylabel('Petal Width')
plt.show()

output

从上面的结果来看,绘制出来的图表具备交互性,并且可以任意我们放大、缩小以及拖拽,并且可以将绘制好的图表下载到本地,而针对具有多个子图的图表,也能够实现交互式的绘制

np.random.seed(0)

n_bins = 20
x = np.random.randn(1000, 3)

fig, axes = plt.subplots(nrows=2, ncols=2)
ax0, ax1, ax2, ax3 = axes.flatten()

colors = ['red', 'blue', 'yellow']
ax0.hist(x, n_bins, density=1, histtype='bar', color=colors, label=colors)
ax0.legend(prop='size': 10)
ax0.set_title('bars with legend')

ax1.hist(x, n_bins, density=1, histtype='bar', stacked=True, color=colors)
ax1.set_title('stacked bar')

ax2.hist(x, n_bins, histtype='step', stacked=True, fill=False)
ax2.set_title('stack step (unfilled)')

x_multi = [np.random.randn(n) for n in [10000, 5000, 2000]]
ax3.hist(x_multi, n_bins, histtype='bar', color=colors)
ax3.set_title('different sample sizes')

fig.tight_layout()
plt.show()

output

福利

小白入门机器学习的三个问题

资讯

Meta新语音模型可支持128种语言交流

资讯

全球首个活体机器人,能生娃

专访

低代码平台产品的使用者都是谁?

分享

点收藏

点点赞

点在看

以上是关于推荐 2个十分好用的 pandas 数据探索分析神器!的主要内容,如果未能解决你的问题,请参考以下文章

推荐 3 个Pandas数据探索分析神器

4000字详细说明,推荐20个好用到爆的Pandas函数方法

安利一个超好用的 Pandas 数据挖掘分析神器

简单好用,分享 4 款 Pandas 自动数据分析神器

Pandas数据探索分析,分享两个神器

真香啊,推荐 6 个 Python 数据分析神器