python学习——pandas数据处理 & 时间序列案例 & matplotlib绘图案例

偏执的太偏执、 2023-10-12 19:33 100阅读 0赞

#### 目录 ####

*  pandas数据处理
 *  1.合并数据
 *   *  1) 堆叠合并
     *  2) 主键合并
     *  3) 重叠合并
 *  2.分组和聚合
 *  3.索引和符合索引
 *  4.去除重复值
 *  5.处理缺失值
 *  6.处理离群值
 *  7.标准化数据
 *   *  1) 离差标准化函数
     *  2) 标准差标准化函数
     *  3) 小数定标差标准化函数
 *  8.转换数据--离散处理
 *  9.时间序列
 *  【案例】时间序列案例
 *   *  案例1：911的紧急电话的数据
     *   *  1）请统计出出这些数据中不同类型的紧急情况的次数
         *  2）不同月份不同类型 、不同月份电话次数
     *  案例2：空气质量数据
     *  案例3：简单的预测问题
 *  【案例】matplotlib绘图案例
 *   *  案例一：店铺总数排名前10的国家+中国每个城市的店铺数量
     *  案例二：全球排名靠前的10000本书的数据

--------------------

## pandas数据处理 ##

## 1.合并数据 ##

![在这里插入图片描述][f7d443e5403748a984a8bc38642db95d.png]

> merge:按照指定的列把数据按照一定的方式合并到一起  
> 默认的合并方式inner，交集  
> merge outer，并集，NaN补全  
> merge left，左边为准，NaN补全  
> merge right，右边为准，NaN补全

![在这里插入图片描述][c5c8158b4940413393c3f722e13b142a.png]

### 1) 堆叠合并 ###

#内连inner返回索引重叠部分，外连outer返回返回并集数据
    #1行对齐，0列对齐
    pd.concat([df1,df2],axis=1,join='inner')
    pd.concat([df1,df2],axis=1,join='outer')
    pd.concat([df3,df4],axis=0,join='inner')
    df3.append(df4) #纵向堆叠，列名必须一致

### 2) 主键合并 ###

pd.merge(detail1,order,left_on='order_id',right_on = 'info_id')
    data1=pd.merge(prior,products,on=["product_id","product_id"])
    order.rename({
        'info_id':'order_id'},inplace=True) #换名字
    detail1.join(order,on='order_id',rsuffix='1') #主键名必须一样

### 3) 重叠合并 ###

dict2 = {
        'ID':[1,2,3,4,5,6,7,8,9],
             'System':[np.nan,np.nan,'win7',np.nan,
                    'win8','win7',np.nan,np.nan,np.nan],
            'cpu':[np.nan,np.nan,'i3',np.nan,'i7',
                    'i5',np.nan,np.nan,np.nan]}
    ## 转换两个字典为DataFrame
    df5 = pd.DataFrame(dict1)
    df6 = pd.DataFrame(dict2)
    df5.combine_first(df6) #两表数据一一比较，完整表格内容

## 2.分组和聚合 ##

![在这里插入图片描述][c26afa965ec74b15b785d20cb68716c1.png]

> grouped = df.groupby(by=“columns\_name”)  
> grouped是一个DataFrameGroupBy对象，是可迭代的  
> grouped中的每一个元素是一个元组  
> 元组里面是（索引(分组的值)，分组之后的DataFrame）

import pandas as pd
    import numpy as np
    file_path = "./starbucks_store_worldwide.csv"
    df = pd.read_csv(file_path)
    print(df.head(1))
    print(df.info())
    grouped = df.groupby(by="Country")
    # print(grouped)
    
    #DataFrameGroupBy
    #可以进行遍历
    for i,j in grouped:
        print(i)
        print("-"*100)
        print(j,type(j))
        print("*"*100)
    df[df["Country"]=="US"]
    #调用聚合方法,统计求和
    
    country_count = grouped["Brand"].count()
    print(country_count["US"])
    print(country_count["CN"])
    
    #统计中国每个省店铺的数量
    china_data = df[df["Country"] =="CN"]
    grouped = china_data.groupby(by="State/Province").count()["Brand"]
    print(grouped)
    
    #数据按照多个条件进行分组,返回Series
    grouped = df["Brand"].groupby(by=[df["Country"],df["State/Province"]]).count()
    print(grouped)
    print(type(grouped))
    
    #数据按照多个条件进行分组,返回DataFrame
    grouped1 = df[["Brand"]].groupby(by=[df["Country"],df["State/Province"]]).count()
    # grouped2= df.groupby(by=[df["Country"],df["State/Province"]])[["Brand"]].count()
    # grouped3 = df.groupby(by=[df["Country"],df["State/Province"]]).count()[["Brand"]]
    
    print(grouped1,type(grouped1))
    # print("*"*100)
    # print(grouped2,type(grouped2))
    # print("*"*100)
    # print(grouped3,type(grouped3))
    
    #索引的方法和属性
    print(grouped1.index)

## 3.索引和符合索引 ##

简单的索引操作：  
• 获取index：df.index  
• 指定index ：df.index = \[‘x’,‘y’\]  
• 重新设置index : df.reindex(list(“abcedf”))  
• 指定某一列作为index ：df.set\_index(“Country”,drop=False)  
• 返回index的唯一值：df.set\_index(“Country”).index.unique()  
• a.set\_index(\[“c”,“d”\])即设置两个索引

Series复合索引

![在这里插入图片描述][fc3c3120d9004796acd6070fa1c7a702.png]  
![在这里插入图片描述][b482be2f6f2c40f9a72072b25d290e7d.png]  
DataFrame复合索引

![在这里插入图片描述][c9f5fa676de44807b2d562cddac2fe55.png]

## 4.去除重复值 ##

detail['dishes_name'].drop_duplicates()#去重全部列
    detail.drop_duplicates(subset = ['order_id','emp_id']) #去重某些列

## 5.处理缺失值 ##

对于NaN的数据，在numpy中我们是如何处理的？  
在pandas中我们处理起来非常容易

判断数据是否为NaN：pd.isnull(df),pd.notnull(df)

处理方式1：删除NaN所在的行列t.dropna (axis=0, how=‘any’, inplace=False)  
处理方式2：填充数据，t.fillna(t.mean()),t.fiallna(t.median()),t.fillna(0)

![在这里插入图片描述][2aaaae19ea9b46168da5122312c360bb.png]  
处理为0的数据：t\[t==0\]=np.nan  
当然并不是每次为0的数据都需要处理  
计算平均值等情况，nan是不参与计算的，但是0会

detail.isnull().sum()   #特征缺失的数目
    detail.notnull().sum()  #特征非缺失的数目
    detail.dropna(axis = 1,how ='any') #去除缺失的列
    detail = detail.fillna(-99)        #替换缺失值
    
    from scipy.interpolate import interp1d
    LinearInsValue1 = interp1d(x,y1,kind='linear') ##线性插值拟合x,y1
    print('当x为6、7时，使用线性插值y1为：',LinearInsValue1([6,7]))
    
    LargeInsValue1 = lagrange(x,y1) ##拉格朗日插值拟合x,y1
    SplineInsValue1 = spline(x,y1,xnew=np.array([6,7]))

## 6.处理离群值 ##

import matplotlib.pyplot as plt
    plt.figure(figsize=(10,8)) 
    p = plt.boxplot(detail['counts'].values,notch=True)   ##画出箱线图
    outlier1 = p['fliers'][0].get_ydata()   ##fliers为异常值的标签
    plt.savefig('../tmp/菜品异常数据识别.png')
    plt.show()

## 定义拉依达准则识别异常值函数
    def outRange(Ser1):
        boolInd = (Ser1.mean()-3*Ser1.std()>Ser1) | \
        (Ser1.mean()+3*Ser1.var()< Ser1)
        index = np.arange(Ser1.shape[0])[boolInd]
        outrange = Ser1.iloc[index]
        return outrange
    outlier = outRange(detail['counts'])
    print('使用3o原则拉依达准则判定异常值个数为:',outlier.shape[0])
    print('异常值的最大值为：',outlier.max())
    print('异常值的最小值为：',outlier.min())

## 7.标准化数据 ##

### 1) 离差标准化函数 ###

## 自定义离差标准化函数
    def MinMaxScale(data):
        data=(data-data.min())/(data.max()-data.min())
        return data
    ##对菜品订单表售价和销量做离差标准化
    data1=MinMaxScale(detail['counts'])

### 2) 标准差标准化函数 ###

##自定义标准差标准化函数
    def StandardScaler(data):
        data=(data-data.mean())/data.std()
        return data
    ##对菜品订单表售价和销量做标准化
    data4=StandardScaler(detail['counts'])

### 3) 小数定标差标准化函数 ###

##自定义小数定标差标准化函数
    def DecimalScaler(data):
        data=data/10**np.ceil(np.log10(data.abs().max()))
        return data
    ##对菜品订单表售价和销量做标准化
    data7=DecimalScaler(detail['counts'])

## 8.转换数据–离散处理 ##

##哑变处理（非数值型数据处理）
    pd.get_dummies(data)

##等宽法离散
    price = pd.cut(detail['amounts'],5)
    ##自定义等频法离散化函数
    def SameRateCut(data,k):
        w=data.quantile(np.arange(0,1+1.0/k,1.0/k))
        data=pd.cut(data,w)
        return data
    result=SameRateCut(detail['amounts'],5).value_counts() #售价等频法离散化
    #自定义数据k-Means聚类离散化函数
    def KmeanCut(data,k):
        from sklearn.cluster import KMeans #引入KMeans
        kmodel=KMeans(n_clusters=k)   #建立模型
        kmodel.fit(data.values.reshape((len(data), 1)))    #训练模型
        c=pd.DataFrame(kmodel.cluster_centers_).sort_values(0) #输出聚类中心并排序
        w=c.rolling(2).mean().iloc[1:]    #相邻两项求中点，作为边界点
        w=[0]+list(w[0])+[data.max()]    #把首末边界点加上
        data=pd.cut(data,w)
        return data
    #菜品售价等频法离散化
    result=KmeanCut(detail['amounts'],5).value_counts()

## 9.时间序列 ##

Lat，lng：经纬度

> pd.date\_range(start=None, end=None, periods=None, freq=‘10D’)\#十天  
> start和end以及freq配合能够生成start和end范围内以频率freq的一组时间索引  
> start和periods以及freq配合能够生成从start开始的频率为freq的periods个时间索引

![在这里插入图片描述][2cb76283a4404cbe815867c55a41f843.png]  
![在这里插入图片描述][06f0a30169c9434787ebcd56ce1653b6.png]  
时间字符串转换成时间序列

> index=pd.date\_range(“20170101”,periods=10)  
> df = pd.DataFrame(np.random.rand(10),index=index)

> 回到最开始的911数据的案例中，我们可以使用pandas提供的方法把时间字符串转化为时间序列

> df\[“timeStamp”\] = pd.to\_datetime(df\[“timeStamp”\],format=“”)  
> format参数大部分情况下可以不用写，但是对于pandas无法格式化的时间字符串，我们可以使用该参数，比如包含中文

重采样

> 重采样：指的是将时间序列从一个频率转化为另一个频率进行处理的过程，将高频率数据转化为低频率数据为降采样，低频率转化为高频率为升采样

> pandas提供了一个resample的方法来帮助我们实现频率转化

![在这里插入图片描述][73d2d95b474e4485b5b4b3f66c3f2751.png]

t=pd.DataFrame(np.random.uniform(10,50,(100,1)),index=pd.date_range("20170101",periods=100))
    a=t.resample("10D").mean()
    b=t.resample("QS-JAN").count()#每季度最后一月第一个日历日
    print(b)

DatetimeIndex可以理解为时间戳  
PeriodIndex可以理解为时间段

periods = pd.PeriodIndex(year=data["year"],month=data["month"],day=data["day"],hour=data["hour"],freq="H")

那么如果给这个时间段降采样呢？

data = df.set_index(periods).resample("10D").mean()

## 【案例】时间序列案例 ##

显示中文，输出大列表处理

plt.rcParams['font.sans-serif'] = 'SimHei'
    plt.rcParams['axes.unicode_minus'] = False ## 设置正常显示符号
    # 设置显示的最大列、宽等参数，消掉打印不完全中间的省略号
    # pd.set_option('display.max_columns', 1000)
    pd.set_option('display.width', 1000)#加了这一行那表格的一行就不会分段出现了
    # pd.set_option('display.max_colwidth', 1000)
    # pd.set_option('display.height', 1000)
    #显示所有列
    pd.set_option('display.max_columns', None)
    #显示所有行
    pd.set_option('display.max_rows', None)

### 案例1：911的紧急电话的数据 ###

现在我们有2015到2017年25万条911的紧急电话的数据，请统计出出这些数据中不同类型的紧急情况的次数，如果我们还想统计出不同月份不同类型紧急电话的次数的变化情况，应该怎么做呢？

#### 1）请统计出出这些数据中不同类型的紧急情况的次数 ####

我的方法：用时太长

import pandas as pd
    import matplotlib.pyplot as plt
    import numpy as np
    file_path = "./911.csv"
    df = pd.read_csv(file_path)
    # print(df.info())
    # print(df.head(10))
    
    #字符串转换成列表，取第一个字符串
    a=df["title"].str.split(":").tolist()
    type_list=[i[0] for i in a]
    # print(type_list)
    
    temp_list = type_list
    genre_list = list(set(type_list))
    
    #构造全为0的数组
    zeros_df = pd.DataFrame(np.zeros((df.shape[0],len(genre_list))),columns=genre_list)
    
    #给每个电影出现分类的位置赋值1
    for i in range(df.shape[0]):
        #zeros_df.loc[0,["Sci-fi","Mucical"]] = 1
        zeros_df.loc[i,temp_list[i]] = 1
    
    #统计每个分类的电影的数量和
    genre_count = zeros_df.sum(axis=0)
    print(genre_count)
    
    #排序
    genre_count = genre_count.sort_values()
    _x = genre_count.index
    _y = genre_count.values
    #画图
    plt.figure(figsize=(20,8),dpi=80)
    plt.bar(range(len(_x)),_y,width=0.4,color="orange")
    plt.xticks(range(len(_x)),_x)
    plt.show()

方法2：遍历次数减少，布尔索引赋值

# coding=utf-8
    import pandas as pd
    import numpy as np
    from matplotlib import pyplot as plt
    
    df = pd.read_csv("./911.csv")
    
    print(df.head(5))
    #获取分类
    # print()df["title"].str.split(": ")
    temp_list = df["title"].str.split(": ").tolist()
    cate_list = list(set([i[0] for i in temp_list]))
    print(cate_list)
    
    #构造全为0的数组
    zeros_df = pd.DataFrame(np.zeros((df.shape[0],len(cate_list))),columns=cate_list)
    
    #赋值
    for cate in cate_list:
        zeros_df[cate][df["title"].str.contains(cate)] = 1
        # break
    # print(zeros_df)
    
    sum_ret = zeros_df.sum(axis=0)
    print(sum_ret)

方法3：添加一列，按照该列进行分组

# coding=utf-8
    import pandas as pd
    import numpy as np
    from matplotlib import pyplot as plt
    
    df = pd.read_csv("./911.csv")
    
    print(df.head(5))
    #获取分类
    # print()df["title"].str.split(": ")
    temp_list = df["title"].str.split(": ").tolist()
    cate_list = [i[0] for i in temp_list]
    df["cate"] = pd.DataFrame(np.array(cate_list).reshape((df.shape[0],1)))
    
    # print(df.head(5))
    print(df.groupby(by="cate").count()["title"])

#### 2）不同月份不同类型 、不同月份电话次数 ####

第二问

1.  统计出911数据中不同月份电话次数的变化情况
2.  统计出911数据中不同月份不同类型的电话的次数的变化情况

重新定义时间格式，时间那一列更改

import pandas as pd
    import numpy as np
    from matplotlib import pyplot as plt
    
    df = pd.read_csv("./911.csv")
    df["timeStamp"] = pd.to_datetime(df["timeStamp"])
    df.set_index("timeStamp",inplace=True)#原地替换
    
    #统计出911数据中不同月份电话次数的
    count_by_month = df.resample("M").count()["title"]
    print(count_by_month)
    
    #画图
    _x = count_by_month.index
    _y = count_by_month.values
    
    # for i in _x:
    #     print(dir(i))
    #     break
    _x = [i.strftime("%Y%m%d") for i in _x] #重新定义时间的格式
    plt.figure(figsize=(20,8),dpi=80)
    plt.plot(range(len(_x)),_y)
    plt.xticks(range(len(_x)),_x,rotation=45)
    plt.show()

第二问我的

import pandas as pd
    import matplotlib.pyplot as plt
    import numpy as np
    
    file_path = "./911.csv"
    df = pd.read_csv(file_path)
    # print(df.info())
    df["timeStamp"] = pd.to_datetime(df["timeStamp"],format="")
    temp_list = df["title"].str.split(": ").tolist()
    cate_list = [i[0] for i in temp_list]
    df["cate"] = pd.DataFrame(np.array(cate_list).reshape((df.shape[0],1)))
    
    # print(df.info())
    
    data_mon=df.set_index("timeStamp")
    grouped=data_mon.groupby(by="cate")
    
    plt.figure(figsize=(20,8),dpi=80)
    
    for i,j in grouped:
        data1=j.resample("M").count()["title"]
        _x = data1.index
        _y = data1.values
        plt.plot(range(len(_x)),_y,label="i")
    _x = [i.strftime("%Y%m%d") for i in _x] #重新定义时间的格式
    plt.xticks(range(len(_x)),_x,rotation=45)
    plt.show()

第二问 分组后的遍历画图Group

# coding=utf-8
    #911数据中不同月份不同类型的电话的次数的变化情况
    import pandas as pd
    import numpy as np
    from matplotlib import pyplot as plt
    
    #把时间字符串转为时间类型设置为索引
    df = pd.read_csv("./911.csv")
    df["timeStamp"] = pd.to_datetime(df["timeStamp"])
    
    #添加列，表示分类
    temp_list = df["title"].str.split(": ").tolist()
    cate_list = [i[0] for i in temp_list]
    # print(np.array(cate_list).reshape((df.shape[0],1)))
    df["cate"] = pd.DataFrame(np.array(cate_list).reshape((df.shape[0],1)))
    df.set_index("timeStamp",inplace=True)
    print(df.head(1))
    plt.figure(figsize=(20, 8), dpi=80)
    
    #分组
    for group_name,group_data in df.groupby(by="cate"):
        #对不同的分类都进行绘图
        count_by_month = group_data.resample("M").count()["title"]
        # 画图
        _x = count_by_month.index
        print(_x)
        _y = count_by_month.values
        _x = [i.strftime("%Y%m%d") for i in _x]
    
        plt.plot(range(len(_x)), _y, label=group_name)
    plt.xticks(range(len(_x)), _x, rotation=45)
    plt.legend(loc="best")
    plt.show()

![在这里插入图片描述][56ec797d00fe44ff93af77c928dfcd61.png]

### 案例2：空气质量数据 ###

现在我们有北上广、深圳、和沈阳5个城市空气质量数据，请绘制出5个城市的PM2.5随时间的变化情况  
观察这组数据中的时间结构，并不是字符串，这个时候我们应该怎么办？  
数据来源： https://www.kaggle.com/uciml/pm25-data-for-five-chinese-cities  
请绘制出5个城市的PM2.5随时间的变化情况

分开的时间数据处理，时间格式重新定义

# coding=utf-8
    import pandas as pd
    from matplotlib import  pyplot as plt
    file_path = "./PM2.5/BeijingPM20100101_20151231.csv"
    
    df = pd.read_csv(file_path)
    
    #把分开的时间字符串通过periodIndex的方法转化为pandas的时间类型
    period = pd.PeriodIndex(year=df["year"],month=df["month"],day=df["day"],hour=df["hour"],freq="H")
    df["datetime"] = period
    # print(df.head(10))
    
    #把datetime 设置为索引
    df.set_index("datetime",inplace=True)
    #进行降采样
    df = df.resample("7D").mean()
    print(df.head())
    #处理缺失数据，删除缺失数据
    # print(df["PM_US Post"])
    
    data  =df["PM_US Post"]
    data_china = df["PM_Nongzhanguan"]
    print(data_china.head(100))
    #画图
    _x = data.index
    _x = [i.strftime("%Y%m%d") for i in _x]
    _x_china = [i.strftime("%Y%m%d") for i in data_china.index]
    print(len(_x_china),len(_x_china))
    _y = data.values
    _y_china = data_china.values
    
    plt.figure(figsize=(20,8),dpi=80)
    plt.plot(range(len(_x)),_y,label="US_POST",alpha=0.7)
    plt.plot(range(len(_x_china)),_y_china,label="CN_POST",alpha=0.7)
    plt.xticks(range(0,len(_x_china),10),list(_x_china)[::10],rotation=45)
    plt.legend(loc="best")
    plt.show()

### 案例3：简单的预测问题 ###

![在这里插入图片描述][33376e886cfb4d9aad6864b79d2df5ba.png]  
缩小数据，选取部分数据；删除数据，分组后逆向操作；isin操作

# 读取数据
    data = pd.read_csv("./data/FBlocation/train.csv")
    # print(data.head(10))
    # 处理数据
    # 1、缩小数据,查询数据晒讯
    data = data.query("x > 1.0 &  x < 1.25 & y > 2.5 & y < 2.75")
    # 处理时间的数据
    time_value = pd.to_datetime(data['time'], unit='s')
    print(time_value)
    
    # 把日期格式转换成 字典格式
    time_value = pd.DatetimeIndex(time_value)
    # 构造一些特征
    data['day'] = time_value.day
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday
    
    # 把时间戳特征删除
    data = data.drop(['time'], axis=1)#1表示列，0表示行
    print(data)#没有时间戳特征的数据
    # 把签到数量少于n个目标位置删除
    place_count = data.groupby('place_id').count()
    tf = place_count[place_count.row_id > 3].reset_index()#分组后逆操作，重新设置索引
    data = data[data['place_id'].isin(tf.place_id)]
    # 取出数据当中的特征值和目标值
    y = data['place_id']#取目标值
    x = data.drop(['place_id'], axis=1)#删除特征值就得到目标值

## 【案例】matplotlib绘图案例 ##

### 案例一：店铺总数排名前10的国家+中国每个城市的店铺数量 ###

使用matplotlib呈现出店铺总数排名前10的国家  
使用matplotlib呈现出中国每个城市的店铺数量

import pandas as pd
    import matplotlib.pyplot as plt
    
    file_path = "./starbucks_store_worldwide.csv"
    df = pd.read_csv(file_path)
    
    df1 = df[["Brand"]].groupby(by=[df["Country"]]).count()
    genre_count1 = df1.sort_values(by="Brand",ascending=False)[:10]
    
    _x = genre_count1.index
    _y = genre_count1.iloc[:,0]
    
    #画图
    plt.figure(figsize=(20,8),dpi=80)
    plt.bar(range(len(_x)),_y,width=0.4,color="orange")
    plt.xticks(range(len(_x)),_x)
    plt.show()

import pandas as pd
    from matplotlib import pyplot as plt
    
    file_path = "./starbucks_store_worldwide.csv"
    df = pd.read_csv(file_path)
    
    #使用matplotlib呈现出店铺总数排名前10的国家
    #准备数据
    data1 = df.groupby(by="Country").count()["Brand"].sort_values(ascending=False)[:10]
    
    _x = data1.index
    _y = data1.values
    
    #画图
    plt.figure(figsize=(20,8),dpi=80)
    plt.bar(range(len(_x)),_y)
    plt.xticks(range(len(_x)),_x)
    plt.show()

![在这里插入图片描述][6144677e99e44ac5bcdf9d87e491262c.png]

import pandas as pd
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = 'SimHei'
    plt.rcParams['axes.unicode_minus'] = False ## 设置正常显示符号
    pd.set_option('display.width', 1000)#加了这一行那表格的一行就不会分段出现了
    pd.set_option('display.max_columns', None)
    pd.set_option('display.max_rows', None)
    
    file_path = "./starbucks_store_worldwide.csv"
    df = pd.read_csv(file_path)
    china_data = df[df["Country"] =="CN"]
    grouped = china_data.groupby(by="City").count()["Brand"].sort_values(ascending=False)
    print(grouped)
    
    data1=grouped[:25]
    
    _x = data1.index
    _y = data1.values
    
    #画图
    plt.figure(figsize=(20,8),dpi=80)
    plt.bar(range(len(_x)),_y,width=0.3)
    plt.xticks(range(len(_x)),_x,rotation=45)
    plt.show()

### 案例二：全球排名靠前的10000本书的数据 ###

现在我们有全球排名靠前的10000本书的数据，那么请统计一下下面几个问题：

1.  不同年份书的数量
2.  不同年份书的平均评分情况

![在这里插入图片描述][e0c2a2d8c1d9485d81da51c4fd4771e2.png]

import pandas as pd
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = 'SimHei'
    plt.rcParams['axes.unicode_minus'] = False ## 设置正常显示符号
    pd.set_option('display.width', 1000)#加了这一行那表格的一行就不会分段出现了
    pd.set_option('display.max_columns', None)
    pd.set_option('display.max_rows', None)
    
    file_path = "books.csv"
    df = pd.read_csv(file_path)
    # print(df.info())
    # print(df.head(1))
    df1=df[pd.notnull(df["original_publication_year"])]#处理缺失值
    book_year_num=df1.groupby(by="original_publication_year").count()["id"].sort_values(ascending=False)
    
    #第二问：不同年份的书的平均评分
    book_mean_rates=df1["average_rating"].groupby(by=df1["original_publication_year"]).mean()
    #画图
    plt.figure(figsize=(20,10),dpi=80)
    _x=book_mean_rates.index
    _y=book_mean_rates.values
    plt.plot(range(len(_x)),_y)
    plt.xticks(list(range(len(_x)))[::10],_x[::10].astype(int))#rotation旋转90度
    plt.show()

[f7d443e5403748a984a8bc38642db95d.png]: https://img-blog.csdnimg.cn/f7d443e5403748a984a8bc38642db95d.png
[c5c8158b4940413393c3f722e13b142a.png]: https://img-blog.csdnimg.cn/c5c8158b4940413393c3f722e13b142a.png
[c26afa965ec74b15b785d20cb68716c1.png]: https://img-blog.csdnimg.cn/c26afa965ec74b15b785d20cb68716c1.png
[fc3c3120d9004796acd6070fa1c7a702.png]: https://img-blog.csdnimg.cn/fc3c3120d9004796acd6070fa1c7a702.png
[b482be2f6f2c40f9a72072b25d290e7d.png]: https://img-blog.csdnimg.cn/b482be2f6f2c40f9a72072b25d290e7d.png
[c9f5fa676de44807b2d562cddac2fe55.png]: https://img-blog.csdnimg.cn/c9f5fa676de44807b2d562cddac2fe55.png
[2aaaae19ea9b46168da5122312c360bb.png]: https://img-blog.csdnimg.cn/2aaaae19ea9b46168da5122312c360bb.png
[2cb76283a4404cbe815867c55a41f843.png]: https://img-blog.csdnimg.cn/2cb76283a4404cbe815867c55a41f843.png
[06f0a30169c9434787ebcd56ce1653b6.png]: https://img-blog.csdnimg.cn/06f0a30169c9434787ebcd56ce1653b6.png
[73d2d95b474e4485b5b4b3f66c3f2751.png]: https://img-blog.csdnimg.cn/73d2d95b474e4485b5b4b3f66c3f2751.png
[56ec797d00fe44ff93af77c928dfcd61.png]: https://img-blog.csdnimg.cn/56ec797d00fe44ff93af77c928dfcd61.png
[33376e886cfb4d9aad6864b79d2df5ba.png]: https://img-blog.csdnimg.cn/33376e886cfb4d9aad6864b79d2df5ba.png
[6144677e99e44ac5bcdf9d87e491262c.png]: https://img-blog.csdnimg.cn/6144677e99e44ac5bcdf9d87e491262c.png
[e0c2a2d8c1d9485d81da51c4fd4771e2.png]: https://img-blog.csdnimg.cn/e0c2a2d8c1d9485d81da51c4fd4771e2.png