117笔记问答Python交互命令窗口（如Python的IDLE或Jupyter Notebook）提供了多种数据分析功能。以下是一些常见的数据分析操作：
-
数据导入与导出：
- 使用
import pandas as pd导入CSV、Excel、JSON等格式的数据。 - 使用
df.to_csv(),df.to_excel(),df.to_json()等方法导出数据。
- 使用
-
数据清洗与预处理：
- 查看数据结构：
print(df.head()),print(df.info()),print(df.describe())。 - 处理缺失值：
df.dropna(),df.fillna()。 - 数据类型转换：
df['column_name'] = df['column_name'].astype('type')。 - 重命名列：
df.rename(columns={'old_name': 'new_name'}, inplace=True)。 - 删除列：
df.drop('column_name', axis=1, inplace=True)。 - 选择数据子集：
df.loc[row_indexer, col_indexer]。
- 查看数据结构：
-
数据探索性分析：
- 计算统计量：
df.describe()。 - 绘制直方图：
import matplotlib.pyplot as plt; df['column_name'].hist()。 - 绘制箱线图：
plt.boxplot(x='column_name', data=https://www.yisu.com/ask/df)。 - 绘制散点图：
plt.scatter(x='column_name1', y='column_name2', data=https://www.yisu.com/ask/df)。 - 绘制折线图：
plt.plot(x='column_name', y='column_name', data=https://www.yisu.com/ask/df)。
- 计算统计量：
-
数据聚合与分组：
- 使用
groupby()方法对数据进行分组。 - 使用
agg()方法对分组后的数据进行聚合操作，如求和、计数、平均值等。
- 使用
-
数据合并与连接：
- 使用
pd.concat()将多个DataFrame合并。 - 使用
pd.merge()根据某个键值对两个DataFrame进行合并。
- 使用
-
数据透视表：
- 使用
pd.pivot_table()创建数据透视表，以便对数据进行更复杂的分析和汇总。
- 使用
-
时间序列分析：
- 如果数据包含时间戳，可以使用
pd.to_datetime()将其转换为日期时间格式。 - 使用
resample()方法对时间序列数据进行重采样。 - 使用
shift()方法生成时间序列的滞后数据。
- 如果数据包含时间戳，可以使用
-
数据可视化库：
- 除了matplotlib，还可以使用其他可视化库，如seaborn、plotly等，以创建更丰富的图表和图形。
请注意，上述功能仅作为示例，实际数据分析可能涉及更复杂的操作和技巧。在进行数据分析时，建议根据具体需求选择合适的方法和工具。