数据基本信息查看

在数据分析中，了解数据的基本信息是至关重要的一步。Pandas提供了多种方法来帮助我们快速查看数据的结构、统计信息、样本行以及列名和行索引。本章节将为你详细介绍这些方法，并通过示例代码演示如何使用。

引言

当我们加载或创建了一个Pandas DataFrame后，首先需要了解数据的基本情况，比如数据的大小、列的类型、是否有缺失值等。这有助于我们后续的数据清洗、分析和建模。本节将涵盖以下核心方法：

• shape 和 info 方法：查看数据结构和列信息。
• describe 方法：生成数据的统计描述。
• head 和 tail 方法：查看数据的前后几行。
• columns 和 index 属性：获取列名和行索引。

我们将使用一个简单的DataFrame作为示例，以便于理解。首先，导入Pandas并创建数据。

import pandas as pd

# 创建一个示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'Age': [25, 30, 35, 40, 45],
    'Salary': [50000, 60000, 70000, 80000, 90000],
    'City': ['Beijing', 'Shanghai', 'Guangzhou', 'Shenzhen', 'Hangzhou']
}
df = pd.DataFrame(data)
print("示例DataFrame:")
print(df)

输出：

示例DataFrame:
      Name  Age  Salary       City
0    Alice   25   50000    Beijing
1      Bob   30   60000   Shanghai
2  Charlie   35   70000  Guangzhou
3    David   40   80000   Shenzhen
4      Eve   45   90000   Hangzhou

1. 查看数据结构

shape 方法

shape 方法返回DataFrame的形状，即行数和列数。它以一个元组的形式输出，例如 (行数, 列数)。

# 使用shape查看数据结构
print("数据形状:")
print(df.shape)

输出：

数据形状:
(5, 4)

这表示DataFrame有5行和4列。

info 方法

info 方法提供关于DataFrame的详细信息，包括列名、数据类型、非空值数量以及内存使用情况。

# 使用info查看数据信息
print("数据信息:")
df.info()

输出：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   Name    5 non-null      object
 1   Age     5 non-null      int64 
 2   Salary  5 non-null      int64 
 3   City    5 non-null      object
dtypes: int64(2), object(2)
memory usage: 292.0+ bytes

• RangeIndex: 表示行索引范围是从0到4。
• 列信息: 每列显示了列名、非空值数量（这里都是5，没有缺失值）和数据类型（如object表示字符串，int64表示整数）。
• 内存使用: 显示了DataFrame占用的内存大小。

2. 查看数据统计描述

describe 方法

describe 方法生成数据的统计摘要，如计数、均值、标准差、最小值、四分位数和最大值。它会根据数据类型（数值型或对象型）自动调整输出。

# 使用describe查看统计描述
print("数值列的统计描述:")
print(df.describe())

print("\n所有列的统计描述（包括对象列）:")
print(df.describe(include='all'))

输出：

数值列的统计描述:
             Age        Salary
count   5.000000      5.000000
mean   35.000000  70000.000000
std     7.905694  15811.388301
min    25.000000  50000.000000
25%    30.000000  60000.000000
50%    35.000000  70000.000000
75%    40.000000  80000.000000
max    45.000000  90000.000000

所有列的统计描述（包括对象列）:
       Name         Age        Salary       City
count     5    5.000000      5.000000         5
unique    5         NaN           NaN         5
top   Alice         NaN           NaN   Beijing
freq      1         NaN           NaN         1
mean    NaN   35.000000  70000.000000       NaN
std     NaN    7.905694  15811.388301       NaN
min     NaN   25.000000  50000.000000       NaN
25%     NaN   30.000000  60000.000000       NaN
50%     NaN   35.000000  70000.000000       NaN
75%     NaN   40.000000  80000.000000       NaN
max     NaN   45.000000  90000.000000       NaN

• 默认情况下，describe 只处理数值列（如Age和Salary），显示计数、均值、标准差等统计量。
• 使用 include='all' 参数可以包括所有列，包括对象列（如Name和City），但对象列只会显示计数、唯一值数量、最常见值和频率。

3. 查看前/后N行数据

head 方法

head 方法返回DataFrame的前N行，默认为前5行。这有助于快速查看数据的前几行。

# 使用head查看前3行数据
print("前3行数据:")
print(df.head(3))

输出：

前3行数据:
      Name  Age  Salary       City
0    Alice   25   50000    Beijing
1      Bob   30   60000   Shanghai
2  Charlie   35   70000  Guangzhou

tail 方法

tail 方法返回DataFrame的后N行，默认为后5行。用于查看数据的末尾部分。

# 使用tail查看后2行数据
print("后2行数据:")
print(df.tail(2))

输出：

后2行数据:
    Name  Age  Salary      City
3  David   40   80000  Shenzhen
4    Eve   45   90000  Hangzhou

4. 查看列名与行索引

columns 属性

columns 属性返回DataFrame的列名，以一个Pandas Index对象的形式输出。

# 使用columns查看列名
print("列名:")
print(df.columns)

输出：

列名:
Index(['Name', 'Age', 'Salary', 'City'], dtype='object')

index 属性

index 属性返回DataFrame的行索引，同样以Index对象的形式输出。

# 使用index查看行索引
print("行索引:")
print(df.index)

输出：

行索引:
RangeIndex(start=0, stop=5, step=1)

这表示行索引是一个范围索引，从0开始，到4结束（共5个值）。

总结

通过本章节的学习，你应该已经掌握了Pandas中查看数据基本信息的核心方法：

• 使用 shape 获取数据形状，info 获取详细结构信息。
• 使用 describe 生成统计描述，支持按数据类型自定义输出。
• 使用 head 和 tail 查看数据的前后行。
• 使用 columns 和 index 查看列名和行索引。

这些方法在数据分析的初期阶段非常有用，能帮助你快速了解数据集，为后续的分析工作打下基础。在实际应用中，结合这些方法进行数据探索，可以有效提高数据分析的效率。