前言

本文的文字及圖片來源于網絡,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯系我們以作處理。

作者：嚴小樣兒

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()

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。

# 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)

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%。

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python学生分布_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。