◆?◆?◆ ?◆?◆

前言

分布分析法，一般是根據分析目的，將數據進行分組，研究各組別分布規律的一種分析方法。數據分組方式有兩種：等距或不等距分組。

分布分析在實際的數據分析實踐中應用非常廣泛，常見的有用戶性別分布，用戶年齡分布，用戶消費分布等等。

本文將進行如下知識點講解：

1.數據類型的修改

2.新字段生成方法

3.數據有效性校驗

4.性別與年齡分布

分布分析

1.導入相關庫包

import pandas as pd import matplotlib.pyplot as plt import math

2.數據處理

>>> df = pd.read_csv('UserInfo.csv') >>> df.info() <class 'pandas.core.frame.DataFrame'> 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，但是從源數據info()方法可知，并無年齡字段，需要自己生成。

#?提取出生日期需要先把身份證號碼轉換成字符串 >>>?df['CardId']?=?df['CardId'].astype('str')#?提取出生日期，并生成新字段 >>> df['DateofBirth'] = df.CardId.apply(lambda x : x[6:10]+"-"+x[10:12]+"-"+x[12:14])#?提取性別，待觀察性別分布 >>> df['Gender'] = df['CardId'].map(lambda x : 'Male' if int(x[-2]) % 2 else 'Female')>>> df.head()

3.計算年齡

由于數據來源于線下，并未進行數據有效性驗證，在進行年齡計算前，先針對數據進行識別，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'])]#?無效數據，如圖所示 >>> df_small_month[df_small_month['day']=='31']# 統統刪除，均為無效數據 >>> 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點兒，先判斷是否潤年再進行刪減 >>> df_2[df_2['day'].isin(['29','30','31'])]# 統統刪除 >>> 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

# 查看年齡區間，進行分區 >>> 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)

由于該數據記錄的是用戶登錄信息，所以必定有重復數據。而Python如此強大，一個nunique()方法就可以進行去重統計了。

#?查看是否有重復值 >>> df.duplicated('UserId').sum()????#47681#?數據總條目 >>> df.count() #980954

分組后用count()方法雖然也能夠計算分布情況，但是僅限于無重復數據的情況。而Python這么無敵，提供了nunique()方法可用于計算含重復值的情況

>>> 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，可知重復數據也被計算進去 >>> 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）#?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

通過以上結果及分布圖可以知道，19到25歲年齡段的用戶占比最高，為26%。

好了，就講解到這了~END！

覺得不錯的，記得點在看，如果可以轉發一下朋友圈就更好了！

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群請掃碼進群（如果是博士或者準備讀博士請說明）：

總結

以上是生活随笔為你收集整理的【Python基础】Python数据分析实战之分布分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。