财经大数据分析——以Python为工具 课件 王彦超 第1--7章 数据创建、 数据查看---制作数据透视表和计算行业竞争度——应用数据分组.pptx

;;;1.1数据分析模块介绍;1.1数据分析模块介绍;;1.2DataFrame简介;;1.3DataFrame数据创建;1.3DataFrame数据创建;1.3DataFrame数据创建;1.3DataFrame数据创建;1.3DataFrame数据创建;1.3DataFrame数据创建;1.3DataFrame数据创建;;1.4读取本地存储的数据;1.4读取本地存储的数据;1.4读取本地存储的数据;1.4读取本地存储的数据;1.4读取本地存储的数据;1.4读取本地存储的数据;1.4读取本地存储的数据;1.4读取本地存储的数据;1.4读取本地存储的数据;1.4读取本地存储的数据;1.4读取本地存储的数据;;1.5实操练习题;;;数据处理过程中，原始数据可能存在着各种不利于分析及后续处理的因素，如数据缺失、异常值等。这些因素不仅会影响数据建模，更会影响数据分析的结果，故数据清洗尤为重要。

数据清洗的目的包括两点：第一，通过清洗使数据可用；第二，让数据变得更适合后续的分析过程。换句话说，“脏”的数据要洗，干净的数据也要洗。;;3.1数据标签重命名;3.1缺失值处理;;3.2缺失值处理;3.2缺失值处理;3.2缺失值处理;3.2缺失值处理;;3.3异常值处理;3.3异常值处理;3.3异常值处理;3.3异常值处理;3.3异常值处理;3.3异常值处理;3.3异常值处理;;3.4数据去重;3.4数据去重;3.4数据去重;;3.5数据替换;3.5数据替换;3.5数据替换;;3.6数据标准化;3.6数据标准化;3.6数据标准化;;3.6数据标准化;;;“转置”是一个数学名词，常用于矩阵的计算过程中。设A为m×n阶矩阵（即m行n列），第i行j列的元素为Aij，把A的行列互相交换从而得到一个新的矩阵AT，这一过程称为矩阵的转置。;在Python中，数据转置是将原数据的行列互换，以更符合研究逻辑，更方便地进行计算和分析，在数据预处理时经常使用，为之后的数据筛选、合并、统计操作提供方便。本章将介绍以下五个Pandas模块与数据转置有关的函数。;;4.1T转置;4.1T转置;;4.2行列互换;4.2行列互换;4.2行列互换;;4.3数据透视;4.3数据透视;4.3数据透视;4.3数据透视;;4.1数据转置;4.1数据转置;4.1数据转置;4.1数据转置;4.1数据转置;;4.5应用实践;;;索引概念：

当打开一本书，我们如何才能迅速的找到我们要找到知识点？索引（书的目录）为我们提供了便利。这类似于从庞杂的???系型数据库中找到需要的数据。

通过索引，我们可以很方便的从关系型数据库中定位数据、选择数据和筛选数据。

索引提供指向存储在表的指定列中的数据值的指针，数据库使用索引可以方便的找到特定值，然后顺指针找到包含该值的行。

DataFrame数据结构属于关系型数据对象，借助索引，我们可以实现数据的查询、切片与筛选等。;;5.1索引的基本类型

;5.1索引的基本类型;5.1索引的基本类型;5.1索引的基本类型;5.1索引的基本类型;5.1索引的基本类型;5.1索引的基本类型;5.1索引的基本类型;;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;5.2索引设定与获取;;5.3Series对象的索引与切片;;5.4DataFrame对象的索引与切片;5.4DataFrame对象的索引与切片;5.4DataFrame对象的索引与切片;5.4DataFrame对象的索引与切片;5.4DataFrame对象的索引与切片;5.4DataFrame对象的索引与切片;5.4DataFrame对象的索引与切片;5.4DataFrame对象的索引与切片;;5.5应用实践;;;数据合并种类：

1.上下拼接

（纵向合并）

2.左右拼接

（横向合并）;合并后的数据：

1.交集

2.并集

3.左对齐

4.右对齐;;6.1数据拼接：concat()与append();6.1数据拼接：concat()与append();6.1数据拼接：concat()与append();6.1数据拼接：concat()与append();;6.2数据合并：merge()与join();6.2数据合并：merge()与join();6.2数据合并：merge()与join();6.2