问题标签 [exploratory-data-analysis]

假设我们有一些具有以下变量的人口普查数据：

性别、婚姻状况、教育程度、种族、职业、收入

除了收入是连续变量之外，每个变量都是分类变量。

上述 5 个分类变量为 5 个维度，第一个目标是找出这 5 个维度中的哪些段的人口规模最大？例如，细分 [男性、未婚、大学、西班牙裔、IT] 的人口规模最大。

下一个目标是找出 5 个维度中哪个部分的收入总和最高。

对于一维，直方图将起作用；二维，二维直方图也可以；3维，可能是数据立方体？但是我对3+维度一无所知，有人可以解释一下吗？

给定数据

我需要这种格式

如果频率为 1 日期以 1 年递增，且不应超过 2018 年。如果频率为 2 日期以 6 个月递增，且不应超过 2018 年。

给定数据：

所需数据集

需要删除 2016 年 10 月之前的日期，接下来将填充删除的日期单元格。

我的代码在 2,00,000 行上很耗时，有没有简单的方法？

我有一个名为 train 的数据框，包含以下列： 行数约为 9800

我们在 pandas 中使用 groupby 来做这样的事情：

当我们打印 dt 时，我们会输出如下内容：

有没有办法从 dt 数据帧的第二行中提取平均平均值并将其添加到训练数据集中？我对 csv 和数据帧相当陌生，如果这听起来很愚蠢，我很抱歉。

如何单独创建只有突出显示行的数据框或 excel？在这种情况下，只有第 1、2 行将出现在单独的 excel 或数据框中。

提前致谢！

我是使用 python 的新手。我正在查看一个数据框，其中包含有关逮捕的信息这是我的部分数据框的屏幕截图。在这些数据中，提供了个人的种族和收费描述——这两列都是。

我想将每个种族（黑人、白人、西班牙裔）分成他们自己的列并创建一个新的数据框，但现在不同的种族都在一个名为“RACE”的列下——我该怎么做？

我还想要前 5 项收费说明，它们是签发保修单、家用电池 - 身体伤害、PCS - 拥有 - POSS AMT CON SUB 除了 (A)(D)、家用电池 - 物理接触和零售盗窃/DISP MERCH/< 300 美元。有超过 13,000 种不同的收费说明，所以我只想要前 5 名。

我希望使用每个收费描述来计算每个种族的计数，以调查是否存在关于描述和给定种族的模式。更清楚地说，我想看看是否有针对特定种族的最常见的收费描述。我的预感是，黑人个人最多会签发逮捕令，因为他们占数据集中的大部分人口，而签发逮捕令是最重要的指控描述。

关于如何做到这一点的任何提示或想法？我真的很感激。到目前为止，这是我所能得到的： 比赛和收费描述的价值计数图像

[尝试用收费描述计算个人比赛，但不需要前 5 名][2]

我想创建这样的东西： 这是我要创建的新数据框

我正在尝试对分类列进行编码。在名为 data 的列中有 4 个分类值

我使用 category_encoders 像这样转换

import category_encoders as ce

encoder= ce.BinaryEncoder(cols=['Technology'],return_df=True)

#Fit and Transform Data

data_encoded=encoder.fit_transform(data)

但是，结果显示只有 3 列而不是 4 列。

有谁知道如何解决这个问题？TIA