import pandas as pd
import numpy as np
from collections import Counter
from sklearn import preprocessing
from matplotlib import pyplot as plt
%matplotlib inline
import seaborn as sns 
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文字體設置-黑體
plt.rcParams['axes.unicode_minus'] = False # 解決保存圖像是負號'-'顯示為方塊的問題
sns.set(font='SimHei') # 解決Seaborn中文顯示問題

data=pd.read_excel('dummy.xlsx')

data.head() #查看長啥樣
data.shape #查看數據的行列大小
data.describe()

#列級別的判斷,但凡某一列有null值或空的，則為真
data.isnull().any()

#將列中為空或者null的個數統計出來，并將缺失值最多的排前
total = data.isnull().sum().sort_values(ascending=False)
print(total)


#輸出百分比：
percent =(data.isnull().sum()/data.isnull().count()).sort_values(ascending=False)
missing_data = pd.concat([total, percent], axis=1, keys=['Total', 'Percent'])
missing_data.head(20)

import missingno
missingno.matrix(data)
data=data.dropna(thresh=data.shape[0]*0.5,axis=1) #至少有一半以上是非空的列篩選出來

#如果某一行全部都是na才刪除：
data.dropna(axis=0,how='all') 

#默認情況下是只保留沒有空值的行
data=data.dropna(axis=0) 

#統計重復記錄數
data.duplicated().sum()
data.drop_duplicates()

data.columns
#第一步，將整個data的連續型字段和離散型字段進行歸類
id_col=['姓名']
cat_col=['學歷','學校'] #這里是離散型無序，如果有序，請參考map用法，一些博客上有寫
cont_col=['成績','能力'] #這里是數值型
print (data[cat_col]) #這里是離散型的數據部分
print (data[cont_col])#這里是連續性數據部分

#計算出現的頻次
for i in cat_col:
  print (pd.Series(data[i]).value_counts())
  plt.plot(data[i])

#對于離散型數據，對其獲取啞變量
dummies=pd.get_dummies(data[cat_col])
dummies

#對于連續型數據的大概統計：
data[cont_col].describe()

#對于連續型數據，看偏度，一般大于0.75的數值做一個log轉化，使之盡量符合正態分布，因為很多模型的假設數據是服從正態分布的
skewed_feats = data[cont_col].apply(lambda x: (x.dropna()).skew() )#compute skewness
skewed_feats = skewed_feats[skewed_feats > 0.75]
skewed_feats = skewed_feats.index
data[skewed_feats] = np.log1p(data[skewed_feats])
skewed_feats

#對于連續型數據，對其進行標準化
scaled=preprocessing.scale(data[cont_col])
scaled=pd.DataFrame(scaled,columns=cont_col)
scaled

m=dummies.join(scaled)
data_cleaned=data[id_col].join(m)
data_cleaned

data_cleaned.corr()

#以下是相關性的熱力圖，方便肉眼看
def corr_heat(df):
  dfData = abs(df.corr())
  plt.subplots(figsize=(9, 9)) # 設置畫面大小
  sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Blues")
  # plt.savefig('./BluesStateRelation.png')
  plt.show()
corr_heat(data_cleaned)

#取出與某個變量（這里指能力）相關性最大的前四個，做出熱點圖表示
k = 4 #number of variables for heatmap
cols = corrmat.nlargest(k, '能力')['能力'].index
cm = np.corrcoef(data_cleaned[cols].values.T)
sns.set(font_scale=1.25)
hm = sns.heatmap(cm, cbar=True, annot=True, square=True, fmt='.2f',   annot_kws={'size': 10}, yticklabels=cols.values,  xticklabels=cols.values)
plt.show()