复习：在前面我们已经学习了Pandas基础，知道利用Pandas读取csv数据的增删查改，今天我们要学习的就是探索性数据分析，主要介绍如何利用Pandas进行排序、算术计算以及计算描述函数describe()的使用。
本文引用数据信息，及文章内容来源请先阅读动手学数据分析一
1 第一章：探索性数据分析
- 1.6 了解你的数据吗？整体思路
在这一部分，你会从几个小任务出发，体会「探索性数据分析（EDA）」的核心思路：
通过排序、算术运算和描述性统计，逐步提出问题、验证直觉、发现数据中的模式。- 1.6.1 任务一：用 DataFrame 练习排序（升序）
在这一部分，你会用np.arange()和pd.DataFrame()手动构造一个小数据表，学习：
- 如何设置行索引和列索引；
- 如何使用
sort_values()、sort_index()按不同维度进行排序；- 理解按「数据内容」排序 vs 按「行/列标签」排序的区别。
- 1.6.2 任务二：按票价和年龄对泰坦尼克号乘客排序（降序）
在这一部分，你会对真实的泰坦尼克号数据用sort_values(by=['票价', '年龄'], ascending=False)做多列排序，并尝试：
- 观察票价高的乘客在生存上的差异；
- 练习从排序结果中总结出「业务含义」而不只是看代码输出。
- 1.6.3 任务三：DataFrame 之间的算术计算与对齐
在这一部分，你会创建两个有重叠/不完全相同行列标签的 DataFrame，并用frame1_a + frame1_b等操作，理解：
- Pandas 算术运算如何按「行列标签」自动对齐；
- 没有对齐上的位置为什么会变成
NaN；- 算术运算不仅是“加减乘除”，更是「自动对齐 + 缺失值处理」的一部分。
- 1.6.4 任务四：计算泰坦尼克号上“最大家族人数”
在这一部分，你会通过text['兄弟姐妹个数'] + text['父母子女个数']来构造“家族规模”这一新特征，并用max()找出船上最大家族的人数，体验：
- 如何通过列之间的运算构造新特征；
- 如何用一个简单指标（家族人数）帮助理解数据中的人物关系。
- 1.6.5 任务五：用
describe()获取数据的基本统计信息
在这一部分，你会对一个带缺失值的小型 DataFrame 使用describe()，并理解：
count, mean, std, min, 25%, 50%, 75%, max各统计量的含义；- 为什么
describe()默认只统计数值型列；- 如何通过
.T转置让结果更方便阅读。- 1.6.6 任务六：分析票价和“父母子女个数”的统计特征
在这一部分，你会对真实的泰坦尼克号数据使用：
text['票价'].describe()分析票价分布和波动情况；text['父母子女个数'].describe()、(text['父母子女个数'] != 0).sum()观察有家属同行的乘客数量；info()、value_counts()、nunique()等函数，快速摸清数据的列类型、缺失情况、类别分布和唯一值数量。- 本章小结：从函数到“分析思维”
在这一部分，你会意识到：
- 探索性分析不仅是熟悉 API，更重要的是学会从结果中提出问题；
- 为后续的数据清洗和建模打下「理解数据」的基础
开始之前，导入numpy、pandas包和数据
# 加载所需的库importnumpyasnpimportpandasaspd# 载入之前保存的train_chinese.csv数据，关于泰坦尼克号的任务，我们就使用这个数据text=pd.read_csv('train_chinese.csv')text.head()1.6 了解你的数据吗？
教材《Python for Data Analysis》第五章
1.6.1 任务一：利用Pandas对示例数据进行排序，要求升序
# 具体请看《利用Python进行数据分析》第五章 排序和排名 部分#自己构建一个都为数字的DataFrame数据frame=pd.DataFrame(np.arange(8).reshape((2,4)),index=['2','1'],columns=['d','a','b','c'])frame【代码解析】
pd.DataFrame() ：创建一个DataFrame对象
np.arange(8).reshape((2, 4)) :
- 生成一个 2 行 4 列的二维数组，第 1 行是 0,1,2,3，第 2 行是 4,5,6,7。
- 并重塑为2行4列的二维数组，作为DataFrame的数据内容。
index=[‘2’, ‘1’] ：DataFrame 对象的行索引；
columns=[‘d’, ‘a’, ‘b’, ‘c’] ：DataFrame 对象的列索引。
# 大多数时候我们都是想根据列的值来排序,所以，将你构建的DataFrame中的数据根据某一列，升序排列frame.sort_values(by='c',ascending=True)可以看到sort_values这个函数中by参数指向要排列的列，ascending参数指向排序的方式（升序还是降序）
ascending=True：指定排序方式为升序（从小到大）。
注意:原始的 frame 不会被修改，除非加上 inplace=True 参数。
【总结】下面将不同的排序方式做一个小总结
# 让行索引升序排序frame.sort_index()# 让列索引降序排序frame.sort_index(axis=1,ascending=False)# 让任选两列数据同时降序排序frame.sort_values(by=['a','c'],ascending=False)下面对这几种排序方式进行对比分析：
frame.sort_values(by='c',ascending=True)# 按列 'c' 的值升序排序frame.sort_index()# 按行索引升序排序frame.sort_index(axis=1)# 按列索引升序排序frame.sort_index(axis=1,ascending=False)# 按列索引降序排序frame.sort_values(by=['a','c'],ascending=False)# 先按 'a'，再按 'c'，都降序排序1.
frame.sort_values(by='c', ascending=True)
- 排序对象：数据内容（某一列的值）
- 排序依据：先比较
'c'列的值，值小的排前面- 常用场景：想按某一列的实际数据大小排序
2.
frame.sort_index()
- 排序对象：行索引（index）
- 排序依据：行标签（如 ‘1’, ‘2’, …）的字母或数字顺序
- 常用场景：想让行的顺序变得有序（如从小到大）
3.
frame.sort_index(axis=1)
- 排序对象：列索引（columns）
- 排序依据：列标签（如 ‘a’, ‘b’, …）的字母或数字顺序
- 常用场景：让列的顺序变得有序（如从 a 到 z）
4.
frame.sort_index(axis=1, ascending=False)
- 排序对象：列索引（columns）
- 排序依据：列标签的逆序（如 z 到 a）
- 常用场景：想让列从大到小排列
5.
frame.sort_values(by=['a', 'c'], ascending=False)
- 排序对象：数据内容（多列的值）
- 排序依据：先按
'a'列降序排，如果'a'相同再按'c'列降序排- 常用场景：需要多重排序（比如先按成绩，再按年龄）
总结
sort_index是按标签（行或列名）排序，适合整理表头顺序。sort_values是按数据内容排序，适合分析和查找极值、排名等。by=['a', 'c']支持多列排序，优先级从左到右。axis=1控制是对行还是对列排序（0为行，1为列）。ascending控制升序还是降序。实际应用时，按内容排序更常用于数据分析，按索引排序更常用于数据展示和整理。
1.6.2 任务二：对泰坦尼克号数据（trian.csv）按票价和年龄两列进行综合排序（降序排列），从数据中你能发现什么
''' 在开始我们已经导入了train_chinese.csv数据，而且前面我们也学习了导入数据过程，根据上面学习，我们直接对目标列进行排序即可 head(20) : 读取前20条数据 '''text.sort_values(by=['票价','年龄'],ascending=False).head(20)【思考】排序后，如果我们仅仅关注年龄和票价两列。根据常识我知道发现票价越高的应该客舱越好，所以我们会明显看出，票价前20的乘客中存活的有14人，这是相当高的一个比例，那么我们后面是不是可以进一步分析一下票价和存活之间的关系，年龄和存活之间的关系呢？当你开始发现数据之间的关系了，数据分析就开始了。
当然，这只是我的想法，你还可以有更多想法，欢迎写在你的学习笔记中。
1.6.3 任务三：利用Pandas进行算术计算，计算两个DataFrame数据相加结果
# 具体请看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分#建立一个例子frame1_a=pd.DataFrame(np.arange(9.).reshape(3,3),columns=['a','b','c'],index=['one','two','three'])frame1_b=pd.DataFrame(np.arange(12.).reshape(4,3),columns=['a','e','c'],index=['first','one','two','second'])frame1_aframe1_b#将frame_a和frame_b进行相加frame1_a+frame1_b【提醒】两个DataFrame相加后，会返回一个新的DataFrame，对应的行和列的值会相加，没有对应的会变成空值NaN。当然，DataFrame还有很多算术运算，如减法，除法等，有兴趣的同学可以看《利用Python进行数据分析》第五章 算术运算与数据对齐 部分，多在网络上查找相关学习资料。
1.6.4 任务四：通过泰坦尼克号数据如何计算出在船上最大的家族有多少人？
''' 还是用之前导入的chinese_train.csv如果我们想看看在船上，最大的家族有多少人（‘兄弟姐妹个数’+‘父母子女个数’），我们该怎么做呢？ '''max(text['兄弟姐妹个数']+text['父母子女个数'])是的，如上，很简单，我们只需找出兄弟姐妹个数和父母子女个数之和最大的数就行，先让这两列相加返回一个Series，然后用max函数求出最大值，当然你还可以想出很多方法和思考角度，欢迎你来说出你的看法。
1.6.5 任务五：学会使用Pandas describe()函数查看数据基本统计信息
#(1) 关键知识点示例做一遍（简单数据）# 具体请看《利用Python进行数据分析》第五章 汇总和计算描述统计 部分#建立一个例子frame2=pd.DataFrame([[1.4,np.nan],[7.1,-4.5],[np.nan,np.nan],[0.75,-1.3]],index=['a','b','c','d'],columns=['one','two'])frame2# 调用 describe 函数，观察frame2的数据基本信息frame2.describe()''' count : 该列中非空（非 NaN）数据的数量。 mean : 样本数据的平均值 std : 样本数据的标准差 min : 样本数据的最小值 25% : 样本数据25%的时候的值 50% : 样本数据50%的时候的值 75% : 样本数据75%的时候的值 max : 样本数据的最大值 '''# frame2.describe().T# .T 是 DataFrame 的转置（transpose）操作，会把行和列互换。1.6.6 任务六：分别看看泰坦尼克号数据集中 票价、父母子女 这列数据的基本统计数据，你能发现什么？
''' 看看泰坦尼克号数据集中 票价 这列数据的基本统计数据 '''text['票价'].describe()【思考】从上面数据我们可以看出，
一共有891个票价数据，
平均值约为：32.20，
标准差约为49.69，说明票价波动特别大，
25%的人的票价是低于7.91的，50%的人的票价低于14.45，75%的人的票价低于31.00，
票价最大值约为512.33，最小值为0。
当然，这只是我的想法，你还可以有更多想法，欢迎写在你的学习笔记中。
''' 通过上面的例子，我们再看看泰坦尼克号数据集中 父母子女个数 这列数据的基本统计数据，然后可以说出你的想法 '''text['父母子女个数'].describe()(text['父母子女个数']!=0).sum()查看数据基本信息
info()：非常强大，可以一次性看到：
每一列的名称
非空值的数量（可以间接看出缺失值）
数据类型（int, float, object 等）
内存占用
text['父母子女个数'].info()统计唯一值value_counts()：统计某一列中每个值出现的次数（非常适合分类数据，比如性别、登船港口）
text['父母子女个数'].value_counts()nunique()：统计每一列有多少个不同的值。
text.nunique()【思考】有更多想法，欢迎写在你的学习笔记中。
【总结】本节中我们通过Pandas的一些内置函数对数据进行了初步统计查看，这个过程最重要的不是大家得掌握这些函数，而是看懂从这些函数出来的数据，构建自己的数据分析思维，这也是第一章最重要的点，希望大家学完第一章能对数据有个基本认识，了解自己在做什么，为什么这么做，后面的章节我们将开始对数据进行清洗，进一步分析。
