整理作业用的

# coding=utf-8

#第一步，导出相关函数库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import math
import scipy.stats as st
import statsmodels.api as sm
import seaborn as sns
from pylab import mpl
from matplotlib.font_manager import FontProperties

#中文显示
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定SimHei字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

第一步：导入函数库+中文显示

#第二步，加载数据
def loaddata():
    datapath=r'C:\Users\安航正\Desktop\athlete_events.csv'
    #路径datapath，编码方式gbk（用utf-8可能出现中文编码问题），允许空格
    athletedata=pd.read_csv(datapath,encoding='gbk', skipinitialspace=True)
    sex = {
    'F':'女性','M':'男性'}
    athletedata['Sex'] = athletedata.Sex.map(sex)
    #因为原数据中的性别用“F”和“M”表示，不好看，用sex表示对应关系，将athletedata中的Sex中的W和M替换为中文，替换关系为sex，为方便理解特此用sex和Sex区别
    return athletedata

第二步骤：将csv文件导入到python中并用athletedata表示（并将性别替换为中文）

def datadescirbe():
    #读取数据（可以取一样的名字athletedata）
    athletedata=loaddata()
    #打印数据的列的名字
    print(athletedata.columns)
    #打印各列数据个数/是否有空缺值/字段类型
    print(athletedata.info())
    #打印前五行数据
    print(athletedata.head())

    #数据描述各个变量
    #这一列中一共有多少个数据，这些数据中出现了多少类，出现最多的类别是什么，出现了多少次
    print(athletedata['Sex'].describe())
    print(athletedata['Age'].describe())
    print(athletedata['Height'].describe())
    print(athletedata['Weight'].describe())
    print(athletedata['Team'].describe())
    print(athletedata['Sport'].describe())
    
    #分析具体某一项数据
    #譬如身高
    height=athletedata['Height']
    median=height.median()
    print("中位数为%f"%median)
    mean=height.mean()
    print("均值为%f"%mean)
    #标准差
    std=height.std()
    print("标准差为%f"%std)
    #偏度
    skew=height.skew()
    print("偏差为%f"%skew)
    #峰度
    kurt=height.kurt()
    print("峰度为%f"%kurt)
	#其实可以一段代码如下显示出来
    agglomeration=height.agg(['mean','median','sum','std','skew','kurt'])
    print(agglomeration)

第三步：简单的预览一下数据，进行数据分析

Index([‘ID’, ‘Name’, ‘Sex’, ‘Age’, ‘Height’, ‘Weight’, ‘Team’, ‘NOC’, ‘Games’,
‘Year’, ‘Season’, ‘City’, ‘Sport’, ‘Event’, ‘Medal’],
dtype=‘object’)

打印列的名字columns输出结果

<class ‘pandas.core.frame.DataFrame’>
RangeIndex: 271116 entries, 0 to 271115
Data columns (total 15 columns):
ID 271116 non-null int64
Name 271116 non-null object
Sex 271116 non-null object
Age 261642 non-null float64
Height 210945 non-null float64
Weight 208241 non-null float64
Team 271116 non-null object
NOC 271116 non-null object
Games 271116 non-null object
Year 271116 non-null int64
Season 271116 non-null object
City 271116 non-null object
Sport 271116 non-null object
Event 271116 non-null object
Medal 39783 non-null object
dtypes: float64(3), int64(2), object(10)
memory usage: 31.0+ MB
None

athletedata.info()打印各列数据个数/是否有空缺值/字段类型

ID Name Sex Age Height Weight Team
0 1 A Dijiang 男性 24.0 180.0 80.0 China
1 2 A Lamusi 男性 23.0 170.0 60.0 China
2 3 Gunnar Nielsen Aaby 男性 24.0 NaN NaN Denmark
3 4 Edgar Lindenau Aabye 男性 34.0 NaN NaN Denmark/Sweden
4 5 Christine Jacoba Aaftink 女性 21.0 185.0 82.0 Netherlands
NOC Games Year Season City Sport
0 CHN 1992 Summer 1992 Summer Barcelona Basketball
1 CHN 2012 Summer 2012 Summer London Judo
2 DEN 1920 Summer 1920 Summer Antwerpen Football
3 DEN 1900 Summer 1900 Summer Paris Tug-Of-War
4 NED 1988 Winter 1988 Winter Calgary Speed Skating
Event Medal
0 Basketball Men’s Basketball NaN
1 Judo Men’s Extra-Lightweight NaN
2 Football Men’s Football NaN
3 Tug-Of-War Men’s Tug-Of-War Gold
4 Speed Skating Women’s 500 metres NaN

athletedata.head()打印前五行数据

count 271116
unique 2
top 男性
freq 196594
Name: Sex, dtype: object
count 261642.000000
mean 25.556898
std 6.393561
min 10.000000
25% 21.000000
50% 24.000000
75% 28.000000
max 97.000000
Name: Age, dtype: float64
count 210945.000000
mean 175.338970
std 10.518462
min 127.000000
25% 168.000000
50% 175.000000
75% 183.000000
max 226.000000
Name: Height, dtype: float64
count 208241.000000
mean 70.702393
std 14.348020
min 25.000000
25% 60.000000
50% 70.000000
75% 79.000000
max 214.000000
Name: Weight, dtype: float64
count 271116
unique 1184
top United States
freq 17847
Name: Team, dtype: object
count 271116
unique 66
top Athletics
freq 38624
Name: Sport, dtype: object

.describe()函数对object类型和float类型的数据的描述

中位数为175.000000
均值为175.338970
标准差为10.518462
偏差为0.018477
峰度为0.177728
/#或者是
mean 1.753390e+02
median 1.750000e+02
sum 3.698688e+07
std 1.051846e+01
skew 1.847730e-02
kurt 1.777280e-01
Name: Height, dtype: float64

中位数均值标准差偏差峰度的输出

def dataplot():
    plot=loaddata()

    #获得金牌的人员中年龄的分布//条形图
    #将获得金牌筛选出来
    goldMedals=plot[(plot.Medal=='Gold')]
    #print(goldMedals.head()) //调试用
    #定义画布和布局
    ##将年龄中空缺值去掉
    ageGoldMedals=goldMedals[(goldMedals['Age']).notnull()]
    plt.figure(figsize=(30,10))  #画布大小
    plt.tight_layout()  #紧凑型布局
    sns.countplot(ageGoldMedals['Age'])  #绘制分布图
    plt.title('获得金牌人员的年龄分布')   #显示出来

    #获得金牌的身高和体重的分布//散点图
    #将身高和体重的空缺值去掉
    HWGoldMedals=goldMedals[(goldMedals['Height']).notnull()&(goldMedals['Weight'].notnull())]
    #print(HWGoldMedals.head())//调试用
    #绘制散点图
    plt.figure(figsize=(30,10)) #画布大小
    sns.scatterplot(x="Height",y="Weight",data=HWGoldMedals)
    plt.title('金牌获得者的身高体重分布')
    plt.show()

    #金牌运动员不同性别的平均年龄变化//折线图
    ##筛选出得过金牌的对应性别，并且求出每一年的对应性别的年龄平均值，平均值分配在average_age列中去
    Wgold = goldMedals[(goldMedals['Sex'] == '女性')]
    NWgold=Wgold.groupby(by = ['Year']).Age.agg('mean').reset_index(name = "average_age")
    Mgold = goldMedals[(goldMedals['Sex'] == '男性')]
    NMgold=Mgold.groupby(by = ['Year']).Age.agg('mean').reset_index(name = "average_age")
    #print(NWgold)//调试
    #print(NMgold)

    #两部分数据生成两个表//有格子好看一点QWQ
    NWgold.plot(x='Year',y='average_age')
    plt.grid(True)
    NMgold.plot(x='Year',y='average_age')
    plt.grid(True)
    plt.title('金牌运动员不同性别的平均年龄变化')
    plt.show()

    #两部分数据生成一个表进行对比
    sns.lineplot(x = 'Year', y = 'average_age', data = NMgold)
    sns.lineplot(x = 'Year', y = 'average_age', data = NWgold)
    plt.title('金牌运动员不同性别的平均年龄变化')
    plt.show()




    #参与者不同性别的年龄箱线图&提琴图
    #将年份和性别中的空缺值去除
    year_sex=plot[(plot['Sex']).notnull()&(plot['Year'].notnull())]
    #箱线图
    sns.boxplot(x = 'Sex', y = 'Age', data = year_sex)
    plt.title('运动员不同性别的年龄箱线图')
    plt.show()
    #提琴图
    sns.violinplot(x = 'Sex', y = 'Age', data = year_sex)
    plt.title('运动员不同性别的年龄提琴图')
    plt.show()

    #男女运动员的身高和体重分布//散点图
    #将性别和身高和体重的空缺值去除
    sex_hw=plot[(plot['Sex']).notnull()&(plot['Height']).notnull()&(plot['Weight']).notnull()]
    #print(sex_hw)//调试
    #x轴对应身高，y轴对应体重，不同性别用点的颜色来区分
    sns.scatterplot(x='Height', y='Weight', data=sex_hw, hue='Sex')
    plt.show()

    #绘制男运动员的身高体重分布//点状图
    #用上一个图表中已经去除空缺值的数据选择男性单一性别
    M_hw=sex_hw[(sex_hw['Sex']=='男性')]
    plt.figure(figsize=(40,10))
    #x轴身高，y轴体重
    sns.pointplot('Height','Weight',data=M_hw)
    plt.title('男运动员的身高体重变化')
    plt.show()

第三步：数据可视化
以下是生成的数据可视化

    
if __name__ == '__main__':
    datadescirbe()
    dataplot()

第四步：写个main函数，将数据分析函数和数据可视化函数引入

此外
还写了个身高的qq图，但是感觉不太得劲的样子，而且没什么实际作用