這篇文章主要介紹了Python如何實現(xiàn)分布分析，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。
創(chuàng)新互聯(lián)是一家專業(yè)提供安國企業(yè)網(wǎng)站建設(shè),專注與成都做網(wǎng)站、網(wǎng)站設(shè)計、外貿(mào)營銷網(wǎng)站建設(shè)、HTML5建站、小程序制作等業(yè)務(wù)。10年已為安國眾多企業(yè)、政府機構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)的建站公司優(yōu)惠進(jìn)行中。
前言
分布分析法，一般是根據(jù)分析目的，將數(shù)據(jù)進(jìn)行分組，研究各組別分布規(guī)律的一種分析方法。數(shù)據(jù)分組方式有兩種：等距或不等距分組。
分布分析在實際的數(shù)據(jù)分析實踐中應(yīng)用非常廣泛，常見的有用戶性別分布，用戶年齡分布，用戶消費分布等等。
分布分析
1.導(dǎo)入相關(guān)庫包
import pandas as pd import matplotlib.pyplot as plt import math
2.數(shù)據(jù)處理
重慶分公司
重慶分公司
>>> df = pd.read_csv('UserInfo.csv')
>>> df.info()
RangeIndex: 1000000 entries, 0 to 999999
Data columns (total 4 columns):
UserId 1000000 non-null int64
CardId 1000000 non-null int64
LoginTime 1000000 non-null object
DeviceType 1000000 non-null object
dtypes: int64(2), object(2)
memory usage: 30.5+ MB 由于接下來我們需要做年齡分布分析，但是從源數(shù)據(jù)info()方法可知，并無年齡字段，需要自己生成。
# 查看年齡區(qū)間，進(jìn)行分區(qū) >>> df['Age'].max(),df['Age'].min() # (45, 18) >>> bins = [0,18,25,30,35,40,100] >>> labels = ['18歲及以下','19歲到25歲','26歲到30歲','31歲到35歲','36歲到40歲','41歲及以上'] >>> df['年齡分層'] = pd.cut(df['Age'],bins, labels = labels)
3.計算年齡
由于數(shù)據(jù)來源于線下，并未進(jìn)行數(shù)據(jù)有效性驗證，在進(jìn)行年齡計算前，先針對數(shù)據(jù)進(jìn)行識別，驗證。
# 提取出生日期：月和日
>>> df[['month','day']] = df['DateofBirth'].str.split('-',expand=True).loc[:,1:2]
# 提取小月，查看是否有31號
>>> df_small_month = df[df['month'].isin(['02','04','06','09','11'])]
# 無效數(shù)據(jù)，如圖所示
>>> df_small_month[df_small_month['day']=='31']
# 統(tǒng)統(tǒng)刪除，均為無效數(shù)據(jù)
>>> df.drop(df_small_month[df_small_month['day']=='31'].index,inplace=True)
# 同理，校驗2月
>>> df_2 = df[df['month']=='02']
# 2月份的校驗大家可以做的仔細(xì)點兒，先判斷是否潤年再進(jìn)行刪減
>>> df_2[df_2['day'].isin(['29','30','31'])]
# 統(tǒng)統(tǒng)刪除
>>> df.drop(df_2[df_2['day'].isin(['29','30','31'])].index,inplace=True)# 計算年齡 # 方法一 >>> df['Age'] = df['DateofBirth'].apply(lambda x : math.floor((pd.datetime.now() - pd.to_datetime(x)).days/365)) # 方法二 >>> df['DateofBirth'].apply(lambda x : pd.datetime.now().year - pd.to_datetime(x).year)
4.年齡分布
# 查看年齡區(qū)間，進(jìn)行分區(qū) >>> df['Age'].max(),df['Age'].min() # (45, 18) >>> bins = [0,18,25,30,35,40,100] >>> labels = ['18歲及以下','19歲到25歲','26歲到30歲','31歲到35歲','36歲到40歲','41歲及以上'] >>> df['年齡分層'] = pd.cut(df['Age'],bins, labels = labels)
由于該數(shù)據(jù)記錄的是用戶登錄信息，所以必定有重復(fù)數(shù)據(jù)。而Python如此強大，一個nunique()方法就可以進(jìn)行去重統(tǒng)計了。
# 查看是否有重復(fù)值
>>> df.duplicated('UserId').sum() #47681
# 數(shù)據(jù)總條目
>>> df.count() #980954
分組后用count()方法雖然也能夠計算分布情況，但是僅限于無重復(fù)數(shù)據(jù)的情況。而Python這么無敵，提供了nunique()方法可用于計算含重復(fù)值的情況
>> df.groupby('年齡分層')['UserId'].count()
年齡分層
18歲及以下 25262
19歲到25歲 254502
26歲到30歲 181751
31歲到35歲 181417
36歲到40歲 181589
41歲及以上 156433
Name: UserId, dtype: int64
# 通過求和，可知重復(fù)數(shù)據(jù)也被計算進(jìn)去
>>> df.groupby('年齡分層')['UserId'].count().sum()
# 980954
>>> df.groupby('年齡分層')['UserId'].nunique()
年齡分層
18歲及以下 24014
19歲到25歲 242199
26歲到30歲 172832
31歲到35歲 172608
36歲到40歲 172804
41歲及以上 148816
Name: UserId, dtype: int64
>>> df.groupby('年齡分層')['UserId'].nunique().sum()
# 933273 = 980954（總）-47681（重復(fù)）
# 計算年齡分布
>>> result = df.groupby('年齡分層')['UserId'].nunique()/df.groupby('年齡分層')['UserId'].nunique().sum()
>>> result
# 結(jié)果
年齡分層
18歲及以下 0.025731
19歲到25歲 0.259516
26歲到30歲 0.185189
31歲到35歲 0.184949
36歲到40歲 0.185159
41歲及以上 0.159456
Name: UserId, dtype: float64
# 格式化一下
>>> result = round(result,4)*100
>>> result.map("{:.2f}%".format)
年齡分層
18歲及以下 2.57%
19歲到25歲 25.95%
26歲到30歲 18.52%
31歲到35歲 18.49%
36歲到40歲 18.52%
41歲及以上 15.95%
Name: UserId, dtype: object感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“Python如何實現(xiàn)分布分析”這篇文章對大家有幫助，同時也希望大家多多支持創(chuàng)新互聯(lián)，關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，更多相關(guān)知識等著你來學(xué)習(xí)!
