【项目名称】  知乎数据清洗整理和结论研究

【项目要求】

1、数据清洗 - 去除空值 要求：创建函数

 

2、问题1：知友全国地域分布情况，分析出TOP20 要求： ① 按照地域统计 知友数量、知友密度（知友数量/城市常住人口） ② 知友数量，知友密度，标准化处理，取值0-100，要求创建函数 ③ 通过多系列柱状图，做图表可视化   提示： ① 标准化计算方法 = (X - Xmin) / (Xmax - Xmin) ② 可自行设置图表风格

 

3、问题2：知友全国地域分布情况，分析出TOP20 要求： ① 按照学校（教育经历字段） 统计粉丝数（‘关注者’）、关注人数（‘关注’），并筛选出粉丝数TOP20的学校，不要求创建函数 ② 通过散点图 → 横坐标为关注人数，纵坐标为粉丝数，做图表可视化 ③ 散点图中，标记出平均关注人数（x参考线），平均粉丝数（y参考线） 提示： ① 可自行设置图表风格  

【项目实现】

import pandas as pd
import numpy as np 
import matplotlib.pyplot as plt
plt.rc('font', family='SimHei', size=13)

数据读取及探索

# 数据读取

data_zhihu = pd.read_csv("./知乎数据.csv",engine = 'python')
data_zhihu.head()

 

数据清洗——去除空值

def data_cleaning(df):
    for col in df:
        if df[col].dtype == "object":
            df[col].fillna("缺失数据", inplace=True)
        else:
            df[col].fillna(0, inplace=True)
            
data_cleaning(data_zhihu)
data_zhihu.head()

 

# 问题1 知友全国地域分布情况，分析出TOP20
按照地域统计 知友数量、知友密度（知友数量/城市常住人口）

zhiyou_counts = data_zhihu["居住地"].value_counts().rename_axis('居住地').reset_index(name='知友数量')
zhiyou_counts

 

data_pop = pd.read_csv("./六普常住人口数据.csv", engine = 'python')
data_pop.head()

data_pop["结尾"].unique()

array(['省', '市', nan], dtype=object)

data_pop["地区"].replace(["省","市"], "", inplace=True, regex=True)
data_pop.head()

zhiyou = pd.merge(zhiyou_counts, data_pop, how="left", left_on="居住地", right_on="地区")
zhiyou["知友密度"] = zhiyou['知友数量'] / zhiyou['常住人口']
zhiyou.head()

 

 

 

# 数据标准化
# 创建函数，结果返回标准化取值，新列列名

def data_nor(df, *cols):
    for col in cols:
        colname = col + '_nor'
        df[colname] = (df[col]-df[col].min())/(df[col].max()-df[col].min()) * 100

 

data_nor(zhiyou,"知友数量", "知友密度")
zhiyou.head()

 

 

fig_counts = plt.figure(figsize=(12,4))
x_counts = [*range(20)]
y_counts = zhiyou["知友数量"][1:21]
plt.bar(x_counts, y_counts, tick_label=zhiyou["地区"][1:21])
plt.title("知友数量TOP20")
plt.grid(True, linestyle = "--", linewidth = "0.5", axis = 'y')

 

 

df = zhiyou.sort_values(by=["知友密度"], axis=0, ascending=False, inplace=False)

fig_desity = plt.figure(figsize=(12,4))
x_desity = [*range(20)]
y_desity = df["知友密度"][1:21]
plt.bar(x_desity, y_desity, tick_label=zhiyou["地区"][1:21])
plt.title("知友密度TOP20")
plt.grid(True, linestyle = "--", linewidth = "0.5", axis = 'y')

 

 

# 问题2 不同高校知友关注和被关注情况

# 按照学校分组，统计粉丝数总人数的前20名

df_school = data_zhihu.groupby("教育经历")[["关注者","关注"]].sum().sort_values("关注",ascending=False)[:30]
df_school

# 删除无用字段
no_use = ["缺失数据","本科","大学"]
df_school.drop(no_use, axis=0, inplace=True)
df_school[:20]

 

 

# 散点图

fig_school = plt.figure(figsize=(12,4))
x_school = df_school["关注"]
y_school = df_school["关注者"]

follow_mean = x_school.mean()
fans_mean = y_school.mean()

plt.scatter(x_school, y_school, s=100)

plt.axvline(follow_mean,label="平均关注人数：%i人" % follow_mean,color='r',linestyle="--")  # 添加x轴参考线
plt.axhline(fans_mean,label="平均粉丝数：%i人" % fans_mean,color='g',linestyle="--")   # 添加y轴参考线
plt.legend()
plt.grid()

for i,txt in enumerate(df_school.index):
    plt.annotate(txt,(x_school[i],y_school[i]))