案例分析：美国各州人口数据分析

需求：

• 导入文件，查看原始数据
• 将人口数据和各州简称数据进行合并
• 将合并的数据中重复的abbreviation列进行删除
• 查看存在缺失数据的列
• 找到有哪些state/region使得state的值为NaN，进行去重操作
• 为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN
• 合并各州面积数据areas
• 我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行
• 去除含有缺失数据的行
• 找出2010年的全民人口数据
• 计算各州的人口密度
• 排序，并找出人口密度最高的五个州 df.sort_values()

 

import numpy as np
from pandas import DataFrame,Series
import pandas as pd

 

 

abb = pd.read_csv('./data/state-abbrevs.csv')
pop = pd.read_csv('./data/state-population.csv')
area = pd.read_csv('./data/state-areas.csv')

 

 

 

#将人口数据和各州简称数据进行合并
display(abb.head(1),pop.head(1))
abb_pop = pd.merge(abb,pop,left_on='abbreviation',right_on='state/region',how='outer')
abb_pop.head()

 

 

	state	abbreviation
0	Alabama	AL

 

	state/region	ages	year	population
0	AL	under18	2012	1117489.0

 

	state	abbreviation	state/region	ages	year	population
0	Alabama	AL	AL	under18	2012	1117489.0
1	Alabama	AL	AL	total	2012	4817528.0
2	Alabama	AL	AL	under18	2010	1130966.0
3	Alabama	AL	AL	total	2010	4785570.0
4	Alabama	AL	AL	under18	2011	1125763.0

 

#将合并的数据中重复的abbreviation列进行删除
abb_pop.drop(labels='abbreviation',axis=1,inplace=True)
abb_pop.head()

 

 

	state	state/region	ages	year	population
0	Alabama	AL	under18	2012	1117489.0
1	Alabama	AL	total	2012	4817528.0
2	Alabama	AL	under18	2010	1130966.0
3	Alabama	AL	total	2010	4785570.0
4	Alabama	AL	under18	2011	1125763.0

 

 

#查看存在缺失数据的列
abb_pop.isnull().any(axis=0)

 

 

state            True
state/region    False
ages            False
year            False
population       True
dtype: bool

#找到有哪些state/region使得state的值为NaN，进行去重操作
#1.检测state列中的空值
abb_pop['state'].isnull()

 

#2.将1的返回值作用的state_region这一列中
abb_pop['state/region'][abb_pop['state'].isnull()]

 

#3.去重
abb_pop['state/region'][abb_pop['state'].isnull()].unique()

 

#为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN
abb_pop['state/region'] == 'USA'

 

indexs = abb_pop['state'][abb_pop['state/region'] == 'USA'].index
abb_pop.loc[indexs,'state'] = 'United State'
pr_index = abb_pop['state'][abb_pop['state/region'] == 'PR'].index
abb_pop.loc[pr_index,'state'] = 'PPPRRR'

合并各州面积数据areas 我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行 去除含有缺失数据的行 找出2010年的全民人口数据 计算各州的人口密度 排序，并找出人口密度最高的五个州 df.sort_values()

#合并各州面积数据areas
abb_pop_area = pd.merge(abb_pop,area,how='outer')
abb_pop_area.head()

 

#我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行
abb_pop_area['area (sq. mi)'].isnull()

 

a_index = abb_pop_area.loc[abb_pop_area['area (sq. mi)'].isnull()].index

 

#去除含有缺失数据的行
abb_pop_area.drop(labels=a_index,axis=0,inplace=True)

#找出2010年的全民人口数据
abb_pop_area.query('year == 2010 & ages == "total"')

#计算各州的人口密度
abb_pop_area['midu'] = abb_pop_area['population'] / abb_pop_area['area (sq. mi)']
abb_pop_area.head()

 

#排序，并找出人口密度最高的五个州 df.sort_values()
abb_pop_area.sort_values(by='midu',axis=0,ascending=False).head()