複習：在前面我們已經學習了Pandas基礎，第二章我們開始進入資料分析的業務部分，在第二章第一節的內容中，我們學習了資料的清洗，這一部分十分重要，只有資料變得相對乾淨，我們之後對資料的分析才可以更有力。而這一節，我們要做的是資料重構，資料重構依舊屬於資料理解（準備）的範圍。

開始之前，匯入numpy、pandas包和資料

# 匯入基本庫
import numpy as np
import pandas as pd
# 載入data檔案中的:train-left-up.csv
df = pd.read_csv('./data/train-left-up.csv')
df.head()

2.4 資料的合併

2.4.1 任務一：將data資料夾裡面的所有資料都載入，觀察資料的之間的關係

text_left_up = pd.read_csv("./data/train-left-up.csv")
text_left_down = pd.read_csv("./data/train-left-down.csv")
text_right_up = pd.read_csv("./data/train-right-up.csv")
text_right_down = pd.read_csv("./data/train-right-down.csv
 
")

2.4.2：任務二：使用concat方法：將資料train-left-up.csv和train-right-up.csv橫向合併為一張表，並儲存這張表為result_up

up_list = [text_left_up,text_right_up]
result_up = pd.concat(up_list, axis=1)
result_up.head()

2.4.3 任務三：使用concat方法：將train-left-down和train-right-down橫向合併為一張表，並儲存這張表為result_down。然後將上邊的result_up和result_down縱向合併為result。

down_list = [text_left_down,text_right_down]
result_down = pd.concat(down_list,axis=1)
result = pd.concat([result_up,result_down])
result.head()

2.4.4 任務四：使用DataFrame自帶的方法join方法和append：完成任務二和任務三的任務

result_up = text_left_up.join(text_right_up)
result_down = text_left_down.join(text_right_down)
result = result_up.append(result_down)
result.head()

2.4.5 任務五：使用Panads的merge方法和DataFrame的append方法：完成任務二和任務三的任務

result_up = pd.merge(text_left_up,text_right_up,left_index=True,right_index=True)
result_down = pd.merge(text_left_down,text_right_down,left_index=True,right_index=True)
result = result_up.append(result_down)
result.head()

2.4.6 任務六：完成的資料儲存為result.csv

result.to_csv('result.csv')

2.5 換一種角度看資料

2.5.1 任務一：將我們的資料變為Series型別的資料

df = pd.read_csv('result.csv')
df.head()
unit_result = df.stack()
unit_result.head()

unit_result.to_csv('unit_result.csv')
test = pd.read_csv('unit_result.csv')
test.head()

2.6 資料運用：資料聚合與運算

# 載入上一個任務人儲存的檔案中:result.csv，並檢視這個檔案
df = pd.read_csv('result.csv')
df.head()

2.6.1 任務一：通過教材《Python for Data Analysis》P303、Google or anything來學習瞭解GroupBy機制

groupby的操作可以被分為3部分：
第一步，儲存於series或DataFrame中的資料，根據不同的keys會被split（分割）為多個組。（這個分組可以按照不同的軸進行劃分，axis=0按照行；axis=1按照列）
第二步，我們可以把函式例如mean等，apply在每一個組上，產生一個新的值。
第三步，函式產生的結果被combine(結合)為一個結果物件（result object）。

2.4.2：任務二：計算泰坦尼克號男性與女性的平均票價

df1  = df['Fare'].groupby(df['Sex'])
means = df1.mean()
means

2.4.3：任務三：統計泰坦尼克號中男女的存活人數

survived_nums = df['Survived'].groupby(df['Sex']).sum()
survived_nums.head()

2.4.4：任務四：計算客艙不同等級的存活人數

survived_pclass_nums = df['Survived'].groupby(df['Pclass']).sum()
survived_pclass_nums.head()

【思考】從任務二到任務三中，這些運算可以通過agg()函式來同時計算。並且可以使用rename函式修改列名。

df.groupby('Sex').agg({'Fare': 'mean', 'Pclass': 'count'}).rename(columns=
                            {'Fare': 'mean_fare', 'Pclass': 'count_pclass'})

2.4.5：任務五：統計在不同等級的票中的不同年齡的船票花費的平均值

df.groupby(['Pclass','Age'])['Fare'].mean().head()

2.4.6：任務六：將任務二和任務三的資料合併，並儲存到sex_fare_survived.csv

result = pd.merge(means,survived_nums,on='Sex')
result

2.4.7：任務七：得出不同年齡的總的存活人數，然後找出存活人數的最高的年齡，最後計算存活人數最高的存活率（存活人數/總人數）

#不同年齡的存活人數
survived_age = df['Survived'].groupby(df['Age']).sum()
survived_age.head()
#找出最大值的年齡段
survived_age[survived_age.values==survived_age.max()]

survived_sum = df['Survived'].sum()
print(f"sum of person:{str(survived_sum)}")

percent =survived_age.max()/survived_sum
print(f"最大存活率：{str(percent)}")