pandas用法

#pandas用法| 来源: 网络整理| 查看: 265

一、生成数据表

各位读者朋友们，由于更新blog不易，如果觉得这篇blog对你有用的话，麻烦关注，点赞，收藏一下哈，十分感谢。

1、首先导入pandas库，一般都会用到numpy库，所以我们先导入备用： import numpy as np import pandas as pd 2、导入CSV或者xlsx文件： df = pd.DataFrame(pd.read_csv('name.csv',header=1)) df = pd.DataFrame(pd.read_excel('name.xlsx'))

或者

import pandas as pd from collections import namedtuple Item = namedtuple('Item', 'reply pv') items = [] with codecs.open('reply.pv.07', 'r', 'utf-8') as f: for line in f: line_split = line.strip().split('\t') items.append(Item(line_split[0].strip(), line_split[1].strip())) df = pd.DataFrame.from_records(items, columns=['reply', 'pv']) 3、用pandas创建数据表： df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], "date":pd.date_range('20130102', periods=6), "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], "age":[23,44,54,32,34,32], "category":['100-A','100-B','110-A','110-C','210-A','130-F'], "price":[1200,np.nan,2133,5433,np.nan,4432]}, columns =['id','date','city','category','age','price']) 二、数据表信息查看 1、维度查看： df.shape 2、数据表基本信息（维度、列名称、数据格式、所占空间等）： df.info() 3、每一列数据的格式： df.dtypes 4、某一列格式： df['B'].dtype 5、空值： df.isnull() 6、查看某一列空值： df['B'].isnull() 7、查看某一列的唯一值： df['B'].unique() 8、查看数据表的值： df.values 9、查看列名称： df.columns 10、查看前5行数据、后5行数据： df.head() #默认前5行数据 df.tail() #默认后5行数据三、数据表清洗 1、用数字0填充空值： df.fillna(value=0) 2、使用列prince的均值对NA进行填充： df['prince'].fillna(df['prince'].mean()) 3、清除city字段的字符空格： df['city']=df['city'].map(str.strip) 4、大小写转换： df['city']=df['city'].str.lower() 5、更改数据格式： df['price'].astype('int') 6、更改列名称： df.rename(columns={'category': 'category-size'}) 7、删除后出现的重复值： df['city'].drop_duplicates() 8 、删除先出现的重复值： df['city'].drop_duplicates(keep='last') 9、数据替换： df['city'].replace('sh', 'shanghai') 四、数据预处理 df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], "gender":['male','female','male','female','male','female','male','female'], "pay":['Y','N','Y','Y','N','Y','N','Y',], "m-point":[10,12,20,40,40,40,30,20]}) 1、数据表合并 1.1 merge df_inner=pd.merge(df,df1,how='inner') # 匹配合并，交集 df_left=pd.merge(df,df1,how='left') # df_right=pd.merge(df,df1,how='right') df_outer=pd.merge(df,df1,how='outer') #并集 1.2 append result = df1.append(df2)

这里写图片描述

1.3 join result = left.join(right, on='key')

这里写图片描述

1.4 concat pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True) objs︰一个序列或系列、综合或面板对象的映射。如果字典中传递，将作为键参数，使用排序的键，除非它传递，在这种情况下的值将会选择（见下文）。任何没有任何反对将默默地被丢弃，除非他们都没有在这种情况下将引发 ValueError。axis: {0，1，…}，默认值为 0。要连接沿轴。join: {‘内部’、 ‘外’}，默认 ‘外’。如何处理其他 axis(es) 上的索引。联盟内、外的交叉口。ignore_index︰布尔值、默认 False。如果为 True，则不要串联轴上使用的索引值。由此产生的轴将标记 0，…，n-1。这是有用的如果你串联串联轴没有有意义的索引信息的对象。请注意在联接中仍然受到尊重的其他轴上的索引值。join_axes︰索引对象的列表。具体的指标，用于其他 n-1 轴而不是执行内部/外部设置逻辑。 keys︰序列，默认为无。构建分层索引使用通过的键作为最外面的级别。如果多个级别获得通过，应包含元组。levels︰列表的序列，默认为无。具体水平（唯一值）用于构建多重。否则，他们将推断钥匙。names︰列表中，默认为无。由此产生的分层索引中的级的名称。verify_integrity︰布尔值、默认 False。检查是否新的串联的轴包含重复项。这可以是相对于实际数据串联非常昂贵。副本︰布尔值、默认 True。如果为 False，请不要，不必要地复制数据。例子：1.frames = [df1, df2, df3] 2.result = pd.concat(frames)

这里写图片描述

2、设置索引列 df_inner.set_index('id') 3、按照特定列的值排序： df_inner.sort_values(by=['age']) 4、按照索引列排序： df_inner.sort_index() 5、如果prince列的值>3000，group列显示high，否则显示low： df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low') 6、对复合多个条件的数据进行分组标记 df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1 7、对category字段的值依次进行分列，并创建数据表，索引值为df_inner的索引列，列名称为category和size pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']) 8、将完成分裂后的数据表和原df_inner数据表进行匹配 df_inner=pd.merge(df_inner,split,right_index=True, left_index=True) 五、数据提取

主要用到的三个函数：loc,iloc和ix，loc函数按标签值进行提取，iloc按位置进行提取，ix可以同时按标签和位置进行提取。

1、按索引提取单行的数值 df_inner.loc[3] 2、按索引提取区域行数值 df_inner.iloc[0:5] 3、重设索引 df_inner.reset_index() 4、设置日期为索引 df_inner=df_inner.set_index('date') 5、提取4日之前的所有数据 df_inner[:'2013-01-04'] 6、使用iloc按位置区域提取数据 df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。 7、适应iloc按位置单独提起数据 df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列 8、使用ix按索引标签和位置混合提取数据 df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前，前四列数据 9、判断city列的值是否为北京 df_inner['city'].isin(['beijing']) 10、判断city列里是否包含beijing和shanghai，然后将符合条件的数据提取出来 df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])] 11、提取前三个字符，并生成数据表 pd.DataFrame(df_inner['category'].str[:3]) 六、数据筛选

使用与、或、非三个条件配合大于、小于、等于对数据进行筛选，并进行计数和求和。

1、使用“与”进行筛选 df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']] 2、使用“或”进行筛选 df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age']) 3、使用“非”条件进行筛选 df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 4、对筛选后的数据按city列进行计数 df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count() 5、使用query函数进行筛选 df_inner.query('city == ["beijing", "shanghai"]') 6、对筛选后的结果按prince进行求和 df_inner.query('city == ["beijing", "shanghai"]').price.sum() 七、数据汇总

主要函数是groupby和pivote_table

1、对所有的列进行计数汇总 df_inner.groupby('city').count() 2、按城市对id字段进行计数 df_inner.groupby('city')['id'].count() 3、对两个字段进行汇总计数 df_inner.groupby(['city','size'])['id'].count() 4、对city字段进行汇总，并分别计算prince的合计和均值 df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) 八、数据统计

数据采样，计算标准差，协方差和相关系数

1、简单的数据采样 df_inner.sample(n=3) 2、手动设置采样权重 weights = [0, 0, 0, 0, 0.5, 0.5] df_inner.sample(n=2, weights=weights) 3、采样后不放回 df_inner.sample(n=6, replace=False) 4、采样后放回 df_inner.sample(n=6, replace=True) 5、数据表描述性统计 df_inner.describe().round(2).T #round函数设置显示小数位，T表示转置 6、计算列的标准差 df_inner['price'].std() 7、计算两个字段间的协方差 df_inner['price'].cov(df_inner['m-point']) 8、数据表中所有字段间的协方差 df_inner.cov() 9、两个字段的相关性分析 df_inner['price'].corr(df_inner['m-point']) #相关系数在-1到1之间，接近1为正相关，接近-1为负相关，0为不相关 10、数据表的相关性分析 df_inner.corr() 九、数据输出

分析后的数据可以输出为xlsx格式和csv格式

1、写入Excel df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc') 2、写入到CSV df_inner.to_csv('excel_to_python.csv')

【本文地址】

公司简介

联系我们