一、天猫美妆数据清洗步骤概括
01 准备工作
# 导入数据
data=pd.read_csv('双十一淘宝美妆数据.csv')
02 检查数据
- 对数据进行初步的了解
- 查看数据的相关特征,对数据进一步分析
# 查看前五行数据
data.head()
# 查看数据集的特征
data.info()
# 查看数据量
data.shape
# 查看各数字类型特征的一些统计量
data.describe()
# 查看一列的基本统计信息
'''
一共27598条数据
唯一值:22条
排名第一:悦诗风吟
频率:3021 次
'''
data.店名.describe()
# 查看某列的前几行数据
data['店名'][:10]
# 查看多列的前几行数据
data[['title','店名']][:10]
# where 条件过滤
# 查看comment_count 列 评论数大于2000的数据
data[data['comment_count']>2000]
03 重复值处理
# 去除重复数据
data.drop_duplicates(inplace=False)
# 重置行索引
data.reset_index(inplace=True,drop = True)
data.shape
04 缺失值处理
'''
通过上面观察数据发现sale_count,comment_count 存在缺失值,先观察存在缺失值的行的基本情况
查看 sale_count列的空值
'''
data.loc[data['sale_count'].isnull()].head()
# 查看 comment_count 列的空值情况 后五条数据
data.loc[data['comment_count'].isnull()].tail()
# 填充缺失值,用0填充空的值
data=data.fillna(0)
# 查看是否还有空值
data.isnull().any()
05 数据挖掘寻找新特征
#使用jieba包对title进行分词,进一步了解每一个商品的特征
import jieba
subtitle=[]
for each in data['title']:
k=jieba.lcut_for_search(each) ##搜索引擎模式
subtitle.append(k)
data['subtitle']=subtitle
data[['title','subtitle']].head()
data.loc[data['sub_type'] == '其他'].count() ##查看分类为其他的有多少商品
# 计算销售总额并新增销售总额列
data['销售额'] = data.price * data.sale_count
二、数据的可视化
matplotib绘图
# 模块导入
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = [u'SimHei'] ##显示中文,设置字体
plt.rcParams['axes.unicode_minus'] = False ##显示符号
# 各店铺的商品数量
plt.subplot(2,2,1) # 创建一个2*2的矩阵图,位置在第一个
plt.tick_params(labelsize=15)# 标签字体的大小
# 对店名计数后,排序(默认升序)
data['店名'].value_counts().sort_values().plot.bar()
# 柱状图的标题
plt.title('各品牌商品数',fontsize = 20)
# y轴代表商品数量
plt.ylabel('商品数量',fontsize = 15)
# x轴代表店名
plt.xlabel('店名')
# 各店铺的销量
plt.subplot(2,2,2)
# 标签的大小
plt.tick_params(labelsize=15)
# 根据店名,对sale_count 求和,排序,生成柱状图
data.groupby('店名').sale_count.sum().sort_values().plot.bar()
plt.title('各品牌所有商品的销量',fontsize = 20 )
plt.ylabel('商品总销量',fontsize = 15)
#各店铺总销售额
plt.subplot(2,2,3)
# 标签的大小
plt.tick_params(labelsize=15)
# 根据店名对销售额求和,排序,生成柱状图
data.groupby('店名')['销售额'].sum().sort_values().plot.bar()
plt.title('各品牌总销售额', fontsize = 20)
plt.ylabel('商品总销售额' , fontsize = 15)
#旋转显示plt.xticks(rotation=45)
##补充绘图,挖掘数据,各品牌的平均每单单价,三个销量为0的品牌暂时不考虑
plt.subplot(2,2,4)
plt.tick_params(labelsize = 15)
# 对每个店名的销售额进行分组求和/每个店的销量,求出平均价格
avg_price=data.groupby('店名')['销售额'].sum()/data.groupby('店名').sale_count.sum()
# 对每个商品的平均价格排序,绘制图表
avg_price.sort_values().plot.bar()
plt.title('各品牌平均每单单价', fontsize = 20)
plt.ylabel('售出商品的平均单价' , fontsize = 15)
##自适应调整子图间距
plt.tight_layout()
三、函数总结
01 排序函数sort_values()
- 用法:
DataFrame.sort_values(by=‘##’,axis=0,ascending=True, inplace=False, na_position=‘last’)
- 参数说明
inplace |
是否用排序后的数据集替换原来的数据,默认为False,即不替换 |
参数 |
说明 |
by |
指定列名(axis=0或’index’)或索引值(axis=1或’columns’) |
axis |
若axis=0或’index’,则按照指定列中数据大小排序;若axis=1或’columns’,则按照指定索引中数据大小排序,默认axis=0 |
ascending |
是否按指定列的数组升序排列,默认为True,即升序排列 |
na_position |
{‘first’,‘last’},设定缺失值的显示位置 |
02 jieba分词工具的使用
特点
- 支持三种分词模式:
- 精确模式,试图将句子最精确地切开,适合文本分析;
- 全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
- 搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
- 支持繁体分词
- 支持自定义词典
- MIT 授权协议
主要功能
- 分词
-
jieba.cut
方法接受三个输入参数: 需要分词的字符串;cut_all 参数用来控制是否采用全模式;HMM 参数用来控制是否使用 HMM 模型
-
jieba.cut_for_search
方法接受两个参数:需要分词的字符串;是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细
- 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能无法预料地错误解码成 UTF-8
-
jieba.cut
以及 jieba.cut_for_search
返回的结构都是一个可迭代的 generator,可以使用 for 循环来获得分词后得到的每一个词语(unicode),或者用
-
jieba.lcut
以及 jieba.lcut_for_search
直接返回 list
-
jieba.Tokenizer(dictionary=DEFAULT_DICT)
新建自定义分词器,可用于同时使用不同词典。jieba.dt
为默认分词器,所有全局分词相关函数都是该分词器的映射。