笨办法学分析[01]数据导入

这里我们以一个市场调研问卷的数据作为例子，一步步的实现使用Python进行数据分析的目的。

环境设置：

• 数据来源：点击查看
• 平台环境：Windows10 (64-bit)
• Python环境：Python 3.5.1 |Anaconda 4.0.0 (64-bit)
• 编辑环境：Anaconda自带的Spyder
• 其他说明：由于只有数据，没有该项目的问卷，选项是根据文档中的分析部分反推的，所以可能不准确，所有的分析结果仅做数据分析学习使用，不可当真。另外侵删（我说说而已，作者不会介意吧）。

01.看数据情况

原始数据

这里我们可以观察到，原始数据的格式是比较不规范的。
第一是标题中有很多合并单元格，第二是选项以ABCD的方式列出。一般情况下市场调研的问卷会将多选题（合并单元格）列为5.1/5.2/5.3的形式，方便分析；而选项则更多以1234的数字或者01形式的二分法录入为录入基准（录数字比录字母容易且不容易出错，另外一个好处就是方便使用SPSS做分析）。
为了标题的完整性，我们稍微处理一下数据，使数据显示成这样：

调整后数据

调整后的数据就是拆分了合并单元格，并填充了标题（注意，这里填充的标题并不符合规范，不过who care，我们还有Python呢，留给它来处理吧，顺便练练手）。将文件存储为"贵州学生网购数据.csv"。

02.利用Python导入数据

# -*- coding: utf-8 -*-
"""
Created on Mon Apr 25 19:00:16 2016

@author: shanlin
"""

#导入数据分析所需要的两个库
import numpy as np 
import pandas as pd


#导入数据
int_data=pd.read_csv("贵州学生网购数据.csv", 
                     encoding='gb2312', 
                     index_col="问卷编号")

这里值得强调的三件事：

1. 开头的utf-8，是表示文本编辑中可以用中文的，以免出现乱码。
2. 使用pd.read_csv读取数据中的encoding='gb2312'也是避免导入的数据中含有中文出现乱码的。当然，有时候或许需要使用utf-8或者gbk。
3. index_col="问卷编号"，是制定问卷编号为列索引。如果需要指定层次化索引（简单理解就是多列作为索引），只需将index_col的参数传入为一个列表即可，如：index_col=['问卷编号', '访问员编号']，就将问卷编号和访问员编号设置成了索引。

03.输出数据结果

#查看导入的数据，默认输出前5条数据
int_data.head()

Python的输出结果

这里我们观察到两点（实际上是pandas的处理结果）：

1. 我们那些重复的列标题，已经被Python处理过了，如5已经变成了“5/5.1/5.2/5.3……”
2. 那些空白值已经变成了NaN(not a number)，即缺失值。
   我们可以用type函数查看当前的数据类型。

#查看数据类型
type(int_data)

数据类型是pandas的DataFrame