Python数据分析:探索性分析

写在前面

如果你忘记了前面的文章，可以看看加深印象：

Python数据处理

Python数据分析实战（2）：缺失值处理

Python实战分析：获取数据

然后可以进入今天的正文

一、描述性统计分析

Excel里可以用【数据分析】功能里的【描述统计】功能来查看数据集常用的统计指标，但这里只能是对数值型的数据进行统计。

pandas里可以用describe方法对整个数据集做一个描述性统计分析，当然这里也只是对数值型数据才可以出结果，非数值型数据不在统计范围内。

# 描述性统计分析
df_list.describe()

得到结果如下，可以看到count（计数）、mean（均值）、std（标准差）、min（最小值）、max（最大值）、25%、50%、75%分别表示3/4位数、中位数和1/4位数。

行列转置

由于字段太多了，所以这里可以转置一下，方便查看，用.T转置

# 行列转置
df_list.describe().T

结果如图，更符合一个表格的习惯，可以看到能够被统计出来的只有数值型数据，字符型的数据是统计不出来的。

观察到最小入住天数（minimum_nights）这个字段最小值、1/4位数、中位数、3/4位数都是1，说明大部分房源对最小入住天数的要求都是1天。同样的结论适用于每月评论数（reviews_per_month）这个字段

二、分组分析

Excel里用数据透视表可以实现数据分组计算的功能。

看下neighborhood_new字段都有哪些值，用value_counts方法对出现次数计数

# 数值计数
df_list["neighborhood_new"].value_counts()

结果可以看到neighborhood_new字段下总共有多少个区县分类及其出现的次数按降序排列下来了，可以看到朝阳区的房源最多，平谷区的房源最少。

还可以用groupby方法实现分组计数

# 分组
df_list.groupby("neighborhood_new")["neighborhood_new"].count()

得到的结果是一样的

对room_type_new一列也可以分组看下结果

df_list["room_type_new"].value_counts()

可以看到房间类型上有3种分类，整套房源（Entire home）最多，合租型的房源（Shared room）最少。

三、交叉分析

分组

对区域分组，统计不同区域房价的水平，同样用groupby方法分组，但是可以用agg方法一次使用多种汇总方式。

df_list.groupby("neighborhood_new")["price"].agg(["max","min","mean","count"])

结果如图，对neighborhood_new字段分组，对分组后的价格求最大最小平均值并计数，可以看到怀柔区的房价平均值最高，丰台区最低。

对房间类型分组，并将结果按均值降序排列

r_p = df_list.groupby("room_type_new")["price"].agg(["max","min","mean","count"]).reset_index()
r_p.sort_values("mean",ascending = False)

结果如图，整租的房价均值最高，合租最低，很合理的结果。

透视

对房间类型和区域做一个透视，使用pivot_table方法，和Excel里的数据透视表是一种类型的操作，第一个参数是要透视的数据，values参数是Excel透视表中的值区域，即要进行汇总的字段，index参数是Excel透视表中的行区域，columns参数是列区域，aggfuc参数是要对values进行汇总的类型。

pd.pivot_table(df_list,values = "price",index = "neighborhood_new",
                columns = "room_type_new",aggfunc = "mean",margins = True)

结果如图，可以看到整租、合租、单间在各个区域中的价格分布。

四、相关性分析

相关性分析是用来描述变量之间相关关系的结果，用相关系数r来表示，r>0表示正相关，r<0表示负相关，r的绝对值越接近1，表示越高度相关。 Excel里用【数据分析】工具里的【相关系数】功能可以直接计算出各个字段的相关系数。

python里可以用corr函数计算数据间的相关系数，对整个数据表计算，并对结果取小数点后4位

# 计算相关系数
df_list.corr().round(4)

结果如下，就可以得到各个列之间的相关系数。

但是这里我们其实最关注的是他们同价格之间的相关性，也就是图中标红的部分，可以对这列的数值排个序。

数值排序

数值排序就是让整个数据表按照指定列升序或降序排列，用到sort_values方法。对求完相关系数后的数据框选择其price列进行降序，第一个参数是对哪一列进行排序，第二个参数ascending = False是降序排列，默认是True升序。

# 数值排序
corr_p = df_list.corr().round(4)
corr_p["price"].sort_values(ascending = False)

结果如下，可以看到，房价和经纬度（latitude、longitude）的相关性是最高的，除此以外相比其他变量，可预定天数（availability_365）和价格最正相关的，其次每月评论数量（reviews_per_month）和价格呈负相关。

@ 作者：可乐

@ 公众号/知乎专栏/头条/简书：可乐的数据分析之路

@ 个人微信：data_cola