Dessinez un graphique en traitant avec Pandas groupby

introduction

Je commence à jouer avec Kaggle's Titanic, mais avant de compléter les valeurs manquantes ou de revoir les hyperparamètres, j'aimerais regarder de plus près les données et les regarder. Je voudrais regrouper rapidement les données lues par la valeur de `` Survived '' et dessiner un graphique, mais cela ne fonctionne pas très bien. Parce que "GroupBy" de Pandas n'est pas bien compris.

Il existe de nombreux exemples de dessin de graphes par nos prédécesseurs sur le net, mais j'ai écrit cet article en pensant qu'il pourrait être utile pour les débutants en décrivant le chemin de ma compréhension.

Objectif visé

Dessinez un graphique comme celui ci-dessous.

Dans ce graphique, l'axe horizontal est le symbole de Ticket '', l'axe vertical est la survie ( s ''), la mort ( d ''), inconnue ( na``). Le nombre de personnes dans ) est accumulé et trié par ordre décroissant en fonction du nombre total de personnes. Par exemple, le symbole de ticket `CA.2343 '' à l'extrême gauche est de 11 personnes au total, 4 personnes inconnues et le reste. 7 personnes sont décédées.

Je veux dessiner un tel graphique rapidement.

Lire les données

Lisez les données et vérifiez le numéro de chaque même symbole dans les données de `` Ticket ''.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

train_data = pd.read_csv("../train.csv")
test_data = pd.read_csv("../test.csv")
total_data = pd.concat([train_data, test_data]) # train_données et test_Concaténer les données

ticket_freq = total_data["Ticket"].value_counts()

CA. 2343        11
CA 2144          8
1601             8
S.O.C. 14879     7
3101295          7
                ..
350404           1
248706           1
367655           1
W./C. 14260      1
350047           1
Name: Ticket, Length: 929, dtype: int64

CA.2343 sont 11 personnes,8 CA 2144,Etc.

# Créer des données pour les graphiques
## Grouper par groupby

 Tout d'abord, groupez `` total_data '' par symbole de ticket.

```python
total_data_ticket = total_data.groupby("Ticket")

#production
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001F5A14327C8>

L'inconvénient de groupby est,Il n'affiche pas le contenu des données.ici, ***Groupé***Comprends dans ma tête,Aller au suivant.

## Extraire uniquement les informations de survie
 Ensuite, récupérez les informations de survie (`` Survived '').

```python
total_data_ticket = total_data.groupby("Ticket")["Survived"]
total_data_ticket

#production
<pandas.core.groupby.generic.SeriesGroupBy object at 0x000001F5A1437B48>

Les données ne sont pas affichées ici non plus.

Compte par survie, mort, inconnu

Continuez à utiliser value_counts () pour compter le nombre de chaque valeur de` Survived```. ..

total_data_ticket = total_data.groupby("Ticket")["Survived"].value_counts(dropna=False)
total_data_ticket

#production
Ticket       Survived
110152       1.0         3
110413       1.0         2
             0.0         1
110465       0.0         2
110469       NaN         1
                        ..
W.E.P. 5734  NaN         1
             0.0         1
W/C 14208    0.0         1
WE/P 5735    0.0         1
             1.0         1
Name: Survived, Length: 1093, dtype: int64

Changer la forme des données

Pour dessiner un graphique, modifiez les données telles que la survie, la mort et les données inconnues dans le sens d'une colonne.Utilisez `` unstack () ''.

total_data_ticket = total_data.groupby("Ticket")["Survived"].value_counts(dropna=False).unstack()
total_data_ticket

#production
Survived	NaN	0.0	1.0
Ticket			
110152	NaN	NaN	3.0
110413	NaN	1.0	2.0
110465	NaN	2.0	NaN
110469	1.0	NaN	NaN
110489	1.0	NaN	NaN
...	...	...	...
W./C. 6608	1.0	4.0	NaN
W./C. 6609	NaN	1.0	NaN
W.E.P. 5734	1.0	1.0	NaN
W/C 14208	NaN	1.0	NaN
WE/P 5735	NaN	1.0	1.0
929 rows × 3 columns

Dessinez un graphique

Remplacez N / A par un nombre

En regardant la sortie ci-dessus, la valeur a toujours NaN, alors définissez `` NaN sur 0.

total_data_ticket.fillna(0, inplace=True)
total_data_ticket

#production
Survived	NaN	0.0	1.0
Ticket			
110152	0.0	0.0	3.0
110413	0.0	1.0	2.0
110465	0.0	2.0	0.0
110469	1.0	0.0	0.0
110489	1.0	0.0	0.0
...	...	...	...
W./C. 6608	1.0	4.0	0.0
W./C. 6609	0.0	1.0	0.0
W.E.P. 5734	1.0	1.0	0.0
W/C 14208	0.0	1.0	0.0
WE/P 5735	0.0	1.0	1.0
929 rows × 3 columns

Changer le nom de la colonne

Les noms de colonne sont NaN, `` 0.0, `` 1.0```, mais c'est gênant, alors changez le nom de la colonne.

total_data_ticket.columns = ["nan", "d", "s"]
total_data_ticket

#production
	nan	d	s
Ticket			
110152	0.0	0.0	3.0
110413	0.0	1.0	2.0
110465	0.0	2.0	0.0
110469	1.0	0.0	0.0
110489	1.0	0.0	0.0
...	...	...	...
W./C. 6608	1.0	4.0	0.0
W./C. 6609	0.0	1.0	0.0
W.E.P. 5734	1.0	1.0	0.0
W/C 14208	0.0	1.0	0.0
WE/P 5735	0.0	1.0	1.0
929 rows × 3 columns

Calculez le nombre total de personnes par ligne

Je veux trier par nombre total de personnes dans l'ordre décroissant, donc je calcule le nombre total de personnes et l'enregistre dans une nouvelle colonne.Pour calculer le total, utilisez sum () '', mais comme il est calculé dans le sens de la colonne, somme (axe = 1) `` ''.

total_data_ticket["count"] = total_data_ticket.sum(axis=1)
total_data_ticket

#production
	nan	d	s	count
Ticket				
110152	0.0	0.0	3.0	3.0
110413	0.0	1.0	2.0	3.0
110465	0.0	2.0	0.0	2.0
110469	1.0	0.0	0.0	1.0
110489	1.0	0.0	0.0	1.0
...	...	...	...	...
W./C. 6608	1.0	4.0	0.0	5.0
W./C. 6609	0.0	1.0	0.0	1.0
W.E.P. 5734	1.0	1.0	0.0	2.0
W/C 14208	0.0	1.0	0.0	1.0
WE/P 5735	0.0	1.0	1.0	2.0
929 rows × 4 columns

Vous êtes maintenant prêt à dessiner le graphique.

Dessinez un graphique

Décidez de la superficie du nombre de personnes et triez par ordre décroissant

Le code est affiché en premier et expliqué dans l'ordre.

total_data_ticket[total_data_ticket["count"] > 3].sort_values("count", ascending=False)[["nan", "d", "s"]].plot.bar(figsize=(15,10),stacked=True)

Vous pouvez maintenant dessiner le graphique affiché au début.

En regardant cela, les personnes avec CA.2343 et `` `` CA 2144 peuvent imaginer Survived = 0``` ...

Code entier

Enfin, tout le code est affiché.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

train_data = pd.read_csv("../train.csv")
test_data = pd.read_csv("../test.csv")
total_data = pd.concat([train_data, test_data])

ticket_freq = total_data["Ticket"].value_counts()
ticket_freq

total_data_ticket = total_data.groupby("Ticket")["Survived"].value_counts(dropna=False).unstack()

total_data_ticket.fillna(0, inplace=True)
total_data_ticket.columns = ["nan", "d", "s"]
total_data_ticket["count"] = total_data_ticket.sum(axis=1)
total_data_ticket[total_data_ticket["count"] > 3].sort_values("count", ascending=False)[["nan", "d", "s"]].plot.bar(figsize=(15,10),stacked=True)

en conclusion

En utilisant cette technique, nous vérifierons également d'autres données non numériques telles que le nom et le titre de Embarqué '', Cabine '', `` Nom ''.

référence

• Comment utiliser Pandas groupby
• Créer un graphique avec la méthode plot des pandas et visualiser les données
• Présentation des données avec Pandas