Analyzing data with Python使用 Python 进行数据分析

欢迎观看本视频，了解如何使用 Python 进行数据分析。

观看本视频后，您将能够：

• 使用 Pandas 执行探索性数据分析 (EDA)。
• 利用 Python 搭配 SQLite 3 进行数据存储和检索。
• 使用 Seaborn 进行数据可视化，以发现洞察和模式。

---

数据集介绍：麦当劳菜单营养成分

在本视频中，我们将使用关于麦当劳热门菜单项目的营养成分数据，并利用 Python 进行基本的探索性分析。

📌 麦当劳简介

麦当劳是一家美国快餐公司，也是全球收入最高的连锁餐厅。

尽管麦当劳以汉堡包、薯条、软饮料、奶昔和甜点等快餐食品闻名，但该公司也在菜单中添加了沙拉、鱼、冰沙和水果等。

麦当劳提供其菜单项目的营养分析，以帮助消费者平衡在麦当劳的用餐与其他食物的摄入。

本课程中使用的数据集来源于 Kaggle 上的麦当劳菜单营养成分数据。

---

数据库的创建与数据导入

我们需要在 SQL 服务器上创建一个数据库表，用于存储将使用的麦当劳菜单营养成分数据集。

1. 使用SQLite 3

我们可以使用 SQLite 3，它是一个进程内（in-process）的 Python 库，实现了自包含、无服务器、零配置的事务性 SQL 数据库引擎。

2. 数据导入步骤

1. 使用 pandas.read_csv 函数将数据库 CSV 文件读取到一个变量（例如 data）。
2. 使用 SQLite3.connect 函数建立与数据库 mcdonalds.db 的连接，并将连接对象保存到一个变量（例如 conn）。
3. 利用 Pandas 变量 data 的 to_sql 属性方法，将 data 变量的内容作为一个表加载到 mcdonalds.db 数据库中。

💡 示例：CSV 文件中的内容现在可以作为表 mcdonalds_nutrition，可根据需要进行查询。

---

使用 Pandas 检索数据与探索性分析

现在，我们来看看如何使用 Pandas 从数据库表中检索数据。

1. 数据检索

• 通过 read_sql 方法，我们将数据从 mcdonalds_nutrition 表加载到数据框 df 中。
• 将 SQL SELECT 查询和连接对象作为参数传递给 read_sql 方法。
• 我们可以使用 .head() 方法查看创建的数据框 df 的前几行。

2. 数据概览与描述性统计

是时候了解您的数据了！ Pandas 方法配备了一套常见的数学和统计方法。

• 使用 .describe() 方法查看数据框的摘要统计信息。
• 探索 .describe() 的输出结果：
  • 数据框中有 260 个观察值（或食物项目）。
  • 食物项目有 9 个独特的类别。
  • 可以看到包括频率 (frequency)、平均值 (mean)、中位数 (median)、标准差 (standard deviation) 等统计信息。
  • 例如，总脂肪 (Total Fat) 的最大值为 118。

---

案例分析：最大钠含量食物项目

让我们进一步调查这些数据，尝试理解食物项目中的一种营养素：钠 (Sodium)。

1. 钠的重要性与健康建议

2. 数据分析：哪个食物项目的钠含量最高？

现在，利用麦当劳的营养数据集，进行一些基本的数据分析来回答这个问题。

阶段一：可视化探索（Swarm Plot）

• 使用 Seaborn 包提供的 swarmplot 方法创建分类散点图。
• 输入参数：x 轴为类别 (Category)，y 轴为钠 (Sodium)，数据源为数据框 df。
• 图表显示了不同类别食物项目的钠含量值。
• 注意：散点图上有一个约为 3600 的高钠值。

阶段二：使用代码找出最大值

代码 1：查看钠的摘要统计信息

使用 .describe() 方法来理解与钠 (Sodium) 相关的摘要统计信息。

🔎 观察结果：钠的最大值显示为 3600。

代码 2：查找最大钠含量值的索引

使用 idxmax 方法计算数据框中钠达到最大值时的索引值。

➡️ 输出结果：82。

代码 3：找出对应食物名称

使用 .at 方法，通过传递索引 82 和列名 Item，找到第 82 行对应的项目名称。

🏆 最终结果：菜单上钠含量最高的食物项目是：Chicken McNuggets (40 piece)（40 块麦乐鸡）。

---

数据可视化：模式、关系与异常值

可视化对于初始数据探索非常有用。它们可以帮助我们理解数据中的关系、模式和异常值 (outliers)。

1. 散点图 (Scatter Plot)

目的：探索蛋白质和总脂肪之间的关系。

• 工具：使用 Seaborn 包提供的 jointplot 函数。
• 输入：x 轴为蛋白质 (Protein)，y 轴为总脂肪 (Total Fat)。
• 图表分析：
  • 图表显示了两个变量之间的相关性。相关性是衡量两个变量关联程度的指标，其值在 $-1$ 和 $+1$ 之间。
  • 散点图上的点更接近正向的直线，表明两个变量之间存在正相关。
  • 图表右上角显示 Pearson 相关系数为 0.81，表明变量确实高度相关。
  • 图表还显示了蛋白质和总脂肪的两个直方图。
  • 异常值：图表上有一个点偏离了一般模式，可能是一个异常值。

2. 箱线图 (Box Plot)

目的：可视化糖分的分布情况。

• 概念：箱线图显示一个或多个变量的分布。箱子捕获了数据的中间 50%，线条和点表示可能的偏斜和异常值。
• 工具：使用 Seaborn 包的 boxplot 函数。
• 输入：列名 Sugars。
• 图表分析：
  • 箱线图显示食物项目中的糖分平均值约为 30 克。
  • 异常值：也观察到一些异常值，表明食物项目的糖分含量极高，例如某些食物的糖分含量约为 128 克。菜单上的糖果类产品可能属于这些高糖分食物项目。

---

总结回顾

• SQLite 3 是一个进程内 Python 库，实现了自包含、无服务器、零配置的事务性 SQL 数据库引擎。
• pandas.read_csv 函数用于读取 CSV 文件。
• SQLite3.connect 函数用于连接到数据库。
• 使用 Pandas 的 read_sql 方法和 SQL SELECT 查询，可以从数据库表中检索数据。
• 使用 Seaborn 包的 swarmplot 方法可以创建分类散点图。