[譯] 使用 Python 的 Pandas 和 Seaborn 框架從 Kaggle 數據集中提取信息

• 原文地址：EXTRACTING INSIGHTS FROM A KAGGLE DATASET USING PYTHON’S PANDAS AND SEABORN
• 原文做者：Strikingloo
• 譯文出自：掘金翻譯計劃
• 本文永久連接：github.com/xitu/gold-m…
• 譯者：haiyang-tju
• 校對者：rocheers leviding

好奇心和直覺是數據科學家最強大的兩個工具。第三個可能就是 Pandas 了。

我在 上一篇文章 中，展現瞭如何瞭解一個數據集的完整性，並繪製一些變量，以及查看隨時間變化的趨勢和傾向。

爲此，我在 Jupyter Notebook 上使用了 Python 的 Pandas 框架 進行數據分析和處理，並使用Seaborn 框架進行可視化。

和本文同樣，前一篇文章中咱們使用了 Kaggle 上 120 年奧運會數據集，研究了女性運動員隨時間推動的參與狀況、運動員的體重和身高分佈以及其它一些變量的分析，但沒有使用到每一位運動員參與運動項目的數據。

這一次，咱們將關注數據集的體育運動欄數據，並獲取一些關於它的信息。

我能想到的幾個問題是：

• 哪項運動更有利於身材魁梧的人？個子高的人呢？
• 哪些運動項目較新，哪些較舊？有沒有什麼運動項目是因爲失去了奧運會的青睞而中止了比賽呢？
• 有沒有在某些運動項目中，老是一樣的隊伍獲勝嗎？那最多樣化的運動呢，獲勝者是否是來自於不一樣的地區？

與前面同樣，咱們分析中使用的項目放在 這個 Github 項目 中，你能夠對其進行 fork（複製），並添加本身的分析和理解。 讓咱們開始吧！

體重與身材分析

在咱們的第一個分析中，咱們想要分析看看哪些運動項目擁有最重和最高的運動員，哪些運動項目擁有最輕或最矮的運動員。

正如咱們在前一篇文章中看到的，身高和體重都很大程度上取決於性別，數據集中男性運動員的數據比女性運動員的數據要多。因此咱們會對男性作分析，但一樣的代碼對任何一種性別都是適用的，只須要切換性別過濾器便可。

male_df = df[df.Sex=='M']
sport_weight_height_metrics = male_df.groupby(['Sport'])['Weight','Height'].agg(
  ['min','max','mean'])

sport_weight_height_metrics.Weight.dropna().sort_values('mean', ascending=False)[:5]
複製代碼

正如你所看見的那樣，若是我按運動進行分組，就能夠計算每一個運動運動員體重和身高的最小、最大和平均值。

而後我查看了排名前五的擁有體重最重運動員的運動，發現（以公斤爲單位）：

Sport            min  max  average
Tug-Of-War       75.0 118.0  95.61
Basketball       59.0 156.0  91.68
Rugby Sevens     65.0 113.0  91.00
Bobsleigh        55.0 145.0  90.38
Beach Volleyball 62.0 110.0  89.51
複製代碼

不是很意外對吧？拔河運動員、籃球運動員和橄欖球運動員體重都很重。有趣的是，籃球和橄欖球運動員的體重變化很大，從 59 公斤到 156 公斤，而大多數拔河運動員的體重都超過了 80 公斤。

而後我畫出了每種運動的平均體重圖，發現它服從一個很好的正態分佈：

sns.distplot(sport_weight_height_metrics.Weight.dropna()['mean'])
複製代碼

運動員的平均體重是服從正態分佈的。

運動員的身高具備類似的正態分佈，但其方差很小，高度集中在均值附近：

運動員的身高是呈正態分佈的。

接下來，我開始繪製全部的個體平均值，在有序的散點圖中，看看是否有異常值出現。

means = list(sport_weight_height_metrics.Weight.dropna()['mean'])
sports = list(sport_weight_height_metrics.Weight.dropna().index)
plot_data = sorted(zip(sports, means), key = lambda x:x[1])
plot_data_dict = {
    'x' : [i for i, _ in enumerate(plot_data)],
    'y' : [v[1] for i, v in enumerate(plot_data)],
    'group' :  [v[0] for i, v in enumerate(plot_data)]
}
sns.scatterplot(data = plot_data_dict, x = 'x' , y = 'y')
複製代碼

每一個奧林匹克運動員的平均身高分佈。

實際上，擁有最重運動員的運動相對於圖表的其他部分來講是很是離羣的，而擁有最輕運動員的運動也是如此。若是咱們在觀察一下身高，儘管方差明顯更小，但圖中顯示的「離羣值」和接近均值的人之間的差別更大，更明顯的是大多數人並無偏離均值太多。

每項運動的運動員平均體重。

對於運動員體重最輕的運動，可使用以前生成的變量 plot_data 來獲取結果。

print('lightest:')
for sport,weight in plot_data[:5]:
    print(sport + ': ' + str(weight))

print('\nheaviest:')    
for sport,weight in plot_data[-5:]:
    print(sport + ': ' + str(weight))
複製代碼

結果（省略了最重的，由於咱們已經在上面看過了）以下：

lightest:
Gymnastics:      63.3436047592
Ski Jumping:     65.2458805355
Boxing:          65.2962797951
Trampolining:    65.8378378378
Nordic Combined: 66.9095595127
複製代碼

體操運動員中甚至是男性運動員，都是迄今爲止體重最輕的運動員！緊隨其後的是跳臺滑雪、拳擊（這個讓我有點吃驚）和蹦牀，這其實很合理。

若是咱們尋找身高最高和最矮的運動員，結果就不會那麼使人驚訝了。我猜咱們都指望與想象中一樣的運動可以在榜首，不出所料，確實如此。至少咱們如今能夠說這不是刻板印象。

shortest (cm):
Gymnastics:    167.644438396
Weightlifting: 169.153061224
Trampolining:  171.368421053
Diving:        171.555352242
Wrestling:     172.870686236
複製代碼

tallest (cm):
Rowing:           186.882697947
Handball:         188.778373113
Volleyball:       193.265659955
Beach Volleyball: 193.290909091
Basketball:       194.872623574
複製代碼

咱們能夠看到體操運動員通常是很輕、很矮的。可是，身高排名中的一些運動項目並無出如今體重排名中。我想知道每種運動都有着什麼樣的「體型」（即重量 / 高度）？

mean_heights = sport_weight_height_metrics.Height.dropna()['mean']
mean_weights = sport_weight_height_metrics.Weight.dropna()['mean']
avg_build = mean_weights/mean_heights
avg_build.sort_values(ascending = True)
builds = list(avg_build.sort_values(ascending = True))

plot_dict = {'x':[i for i,_ in enumerate(builds)],'y':builds}
sns.lineplot(data=plot_dict, x='x', y='y')
複製代碼

這幅圖看上去是線性的，直到咱們到達大多數離羣點落下來的頂端：

奧林匹克運動員的體型（重量/高度）分佈

如下是具備體型最小值和最大值的運動項目：

Smallest Build (Kg/centimeters)
Alpine Skiing    0.441989
Archery          0.431801
Art Competitions 0.430488
Athletics        0.410746
Badminton        0.413997
Heaviest Build
Tug-Of-War     0.523977
Rugby Sevens   0.497754
Bobsleigh      0.496656
Weightlifting  0.474433
Handball       0.473507
複製代碼

橄欖球和拔河比賽是具備最大值體型的運動項目。此次高山滑雪的運動員則是擁有最小值體型中的一個，緊隨其後的是射箭和藝術比賽（這個是我剛知道的一項奧林匹克運動，須要進一步研究）。

隨時間推移的體育運動變化

如今咱們已經作了全部能想到的關於這三列的有趣的事情，我想開始觀察一下時間變量。特別是今年。我想看看奧運會是否引進了新的運動項目，何時引進。一樣也要觀察一下被廢棄的體育項目。

咱們想要看一下一個東西第一次是何時出現的，下面這段代碼通常會頗有用，特別是當咱們想看一下某個變量的異常增加時。

from collections import Counter

sport_min_year = male_df.groupby('Sport').Year.agg(['min','max'])['min'].sort_values('index')
year_count = Counter(sport_min_year)
year = list(year_count.keys())
new_sports = list(year_count.values())

data = {'x':year, 'y':new_sports}
sns.scatterplot(data=data, x = 'x', y='y')
複製代碼

結果

這張圖表向咱們展現了每一年有多少體育項目首次在奧運會上進行。或者，換句話說，每一年有多少運動被引進：

Quantity of Sports introduced each year.

因此儘管在 1910 年以前就已經有不少運動項目，而且大多數的運動項目是在 1920 年以前引進的，但仍是有不少新引進的。看着這些數據，咱們就會發現 1936 年引進了不少新的運動項目，以後的每一年引進的新項目就不多了（少於 5 個運動項目） 從 1936 年到 1960 年的這段時間裏沒有什麼新的運動項目引進，直到冬季兩項運動項目的出現，以後就按期地增長新項目：

Sport           introduced
Biathlon           1960
Luge               1964
Volleyball         1964
Judo               1964
Table Tennis       1988
Baseball           1992
Short Track Speed Skating 1992
Badminton           1992
Freestyle Skiing    1992
Beach Volleyball    1996
Snowboarding        1998
Taekwondo           2000
Trampolining        2000
Triathlon           2000
Rugby Sevens        2016
複製代碼

對廢棄運動（最大的年份並不在最近）進行的類比分析，結果顯示這張運動列表中，其中大部分我從未據說過（儘管這毫不是衡量一項運動是不是流行的好指標！）

Basque Pelota    1900
Croquet          1900
Cricket          1900
Roque            1904
Jeu De Paume     1908
Racquets         1908
Motorboating     1908
Lacrosse         1908
Tug-Of-War       1920
Rugby            1924
Military Ski Patrol 1924
Polo             1936
Aeronautics      1936
Alpinism         1936
Art Competitions 1948
複製代碼

咱們看到藝術比賽在 1948 年被取消，馬球自 1936 年以來就沒有在奧運會上出現過，飛行比賽也是如此。若是有人知道飛行比賽究竟是什麼，請告知我。我能夠想到是在飛機上進行，但不知道比賽會是什麼樣子。也許是飛機飛行比賽？讓它們再回到賽場上吧！

今天就到這裏，夥計們！我但願你能喜歡這個教程，或許你已經獲得了一個新的有趣的想法，能夠在你的下次家庭晚餐中聊一聊。 和以往同樣，你能夠隨意從該分析中 fork（複製）代碼並添加本身的觀點。後續工做我正在考慮使用基於運動、體重和身高列的數據來 訓練一個小型的機器學習模型來預測運動員的性別，告訴我你會用什麼模型呢？ 若是你以爲本文有什麼地方表述不正確，或者有一些簡單錯誤，請讓我知道，讓咱們共同窗習！

繼續訪問網站以獲取更多數據分析文章、Python 技術教程和其它數據相關內容。若是你喜歡這篇文章，請在 twitter 上與你的朋友分享。

能夠在 Twitter 或者 Medium 上關注我獲取更多新內容。

若是發現譯文存在錯誤或其餘須要改進的地方，歡迎到 掘金翻譯計劃 對譯文進行修改並 PR，也可得到相應獎勵積分。文章開頭的 本文永久連接 即爲本文在 GitHub 上的 MarkDown 連接。

---

掘金翻譯計劃 是一個翻譯優質互聯網技術文章的社區，文章來源爲 掘金 上的英文分享文章。內容覆蓋 Android、iOS、前端、後端、區塊鏈、產品、設計、人工智能等領域，想要查看更多優質譯文請持續關注 掘金翻譯計劃、官方微博、知乎專欄。