import?numpy?as?np
import?pandas?as?pd
data?=?pd.read_csv（‘directory.csv‘）#?讀取數(shù)據(jù)，將文件轉(zhuǎn)換為Dataframe格式
data.head（）

data.describe（）#?用于查看數(shù)值型數(shù)據(jù)的分布情況
data.info（）#?用于查看各字段的數(shù)據(jù)類型，以及缺失情況
data[‘Brand‘].unique（）#?查看唯一品牌的類型
data?=?data[data[‘Brand‘]?==?‘Starbucks‘]#?只獲取品牌為Starbucks
data[‘Brand‘].unique（）
data.isnull（）.sum（）#?各個字段缺失值的數(shù)量
data[data[‘City‘].isnull（）]#?查看缺失城市是哪些


#?用國家字段填充到城市字段上
def?fill_na（x）:
????return?x
data[‘City‘]?=?data[‘City‘].fillna（fill_na（data[‘State/Province‘]））
data[data[‘Country‘]?==?‘EG‘]
#臺灣被美國當(dāng)成一個國家，把他重新賦值到中國來
data[‘Country‘][data[‘Country‘]?==?‘TW‘]?=?‘CN‘
country_count?=?data[‘Country‘].value_counts（）[0:10]



import?matplotlib.pyplot?as?plt
#import?matplotlib
#matplotlib.matplotlib_fname（）??#?將會獲得matplotlib包所在文件夾
plt.rcParams[‘font.sans-serif‘]?=?[‘simhei‘]#?指定默認(rèn)字體
plt.rcParams[‘a(chǎn)xes.unicode_minus‘]?=?False#?用來正常顯示坐標(biāo)軸上的負(fù)號（‘-’）


plt.title（‘全球星巴克數(shù)量前十的國家‘）
country_count.plot（kind?=?‘bar‘）


country_city_count?=?data[‘City‘].value_counts（）[0:10]
plt.title（‘全球星巴克數(shù)量前十的城市‘）
country_city_count.plot（kind?=?‘barh‘）


china_data?=?data[data[‘Country‘]?==?‘CN‘]
china_data.head（）
city_count?=?china_data[‘City‘].value_counts（）[0:10]


plt.title（‘中國星巴克數(shù)量前十的城市‘）
city_count.plot（kind?=?‘barh‘）

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????文件?????4111462??2017-02-14?07:05??星巴克數(shù)據(jù)分析案例及數(shù)據(jù)集\directory.csv
?????文件????????1447??2019-11-07?13:52??星巴克數(shù)據(jù)分析案例及數(shù)據(jù)集\星巴克數(shù)據(jù)分析.py
?????目錄???????????0??2019-11-07?13:52??星巴克數(shù)據(jù)分析案例及數(shù)據(jù)集\