上一篇文章爬取了58同城网的二手车数据，但是只用Excel进行了简单的分析，现在开始使用Python的第三方科学计算库Pandas、Numpy来分析一下数据，并绘出图标进行展示，先看一看之前爬虫保存的数据成果：
- brand：品牌
- model：型号
- year：首次上牌时间
- mileage：里程数，单位为万公里
- volume：油箱容量
- type：自动挡还是手动挡
- price：价格，单位为万。
数据结构大体如此，现在开始用Python分析它，首先电脑需要安装有Pandas、Numpy，如果使用Pandas打开表格文件(.xlsx)，还需要安装一个 xlrd，绘画图表需要 matplotlib 库。如果现在还没有安装，使用 pip 安装它们也非常简单。
pip install pandas numpy xlrd matplotlib现在就可以导入模块，读取我们的58同城二手车的表格数据 cars_info.xlsx，由于我们的表格中含有中文，所以开始应该先声明编码。
# -*- conding: utf-8 -*-
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import xlrd
from pandas import DataFrame,Series
cars_info = pd.read_excel('car_info.xlsx')OK，已经成功读取了我们的数据，就像之前用Excel分析的那样，我们先来统计一下自动档和手动挡各有多少。
type_rank = cars_info['type'].value_counts()
>>> type_rank
自动 1063
手动 533
Name: type, dtype: int64便捷快速的计算出了两个档型各有多少个，接着使用 matplotlib 把数据绘画成图表。
plt.show(type_rank.plot.pie(labels=['Automatic','Manual'],autopct='%0.2f%%',shadow=True))
plt.show()方法可以直接显示图片type_rank.plot.pie()，pandas对象有个plot方法可以绘图，pie可以绘画饼状图- labels=[‘Automatic’,’Manual’]，标签名称，默认原本应该是显示自动、手动，但是其本身对中文支持并不良好，可以通过一定的方法实现中文支持，但是在这里直接改成英文更加简单一些。解决中文支持问题也是必要的，也可以查看我原先的博文解决这个问题：matplotlib解决中文支持。
- autopct=’%0.2f%%’，饼状图内的文本格式，
%0.2f%%意味着浮点数保留两位小数，并且格式化为百分号的形式。第一个零表示不控制总长度（无论整个数字有多长），第二个 2f 表示小数点后保留两位，后面的一个百分号表示格式化为百分比。 - shadow=True，饼状图的阴影显示，只影响图表外观。
暂时拉回数据分析话题本身，实际上自动挡车比手动挡车数量多那么多，这是让我有些意外的，那么自动挡的车和手动挡的车的数量随时间变化时什么关系呢？继续分析自动挡和手动挡车随着时间的变化，这里就用到了groupby()方法来分组：
cars_info.groupby(['year','type']).size().unstack().plot(kind='bar')size()方法用于计算组(groupby)的数量，在这里正好用到了统计数量方面，unstack() 解开了多层索引，把 type 从索引转移到列上。kind 参数用于指定图表的类型，而 plot 默认生成是曲线图，可以通过设定 kind 参数生成其他的图形，可选的值为：line, bar, barh, kde, density, scatter。接着看看我们生成的结果：
图表显示的结果一目了然，从2000年开始自动挡车的数量就开始增加，和手动挡差距越来越大直到2012年不断减少和手动挡车数量比。从图中可以看到这些含义，抛开图表我们也需要想一想，我们的数据本身是否存在什么问题。第一，我们的数据源是从网上获取的，抛开数据本身的真实性不谈（真实性影响因素很多），单单是车主在互联网上卖二手车这一点，是否会存在一种反向选择的倾向呢？我是说，喜欢用互联网的人更倾向于在互联网上卖二手车，那么喜欢互联网的人是否更倾向于购买自动挡车呢？
好了~继续回到 Pandas 时间~到了这里，我们还想比较一下相关性，和价格相关的因素有哪些呢？或者说和价格相关因素哪个相关性更强呢？DataFrame 对象有个 corr() 方法可以用来计算相关性，来画个图看看~
咳咳~准确的说，里面有一些重复部分，你会发现第一个、第三个分别是第二个、四四个的对称版，并且有些信息是不必要的，比如时间 year 当然和时间本身具有完全的相关性，所以值为 1。除了这些槽点，我们会发现油箱容量和二手车价格相关性达到了 0.6，具有很强的相关性，而里程数和价格也具有相关性却不明显，难道不是车开的越多折旧越多吗？这可能是禀赋效应在作怪~然后就是首次上牌日期和价格的相关性，首次上牌日期越晚，那么车就越新，然后价格就越贵，这个没毛病。
上列的相关性是所有车型一起统计的，一些方面太不严谨了，这里选择数据最多的车型为雅阁，再次分析一下相关性：
这次的相关性数据就没啥说的了~全部符合常识，最后再看一看售卖的二手车最多的品牌和型号是什么？
完~~~
发表回复