Pandas使用DataFrame进行数据分析比赛进阶之路（一）

浅浅的花香味﹌ 2022-05-29 13:51 196阅读 0赞

这篇文章中使用的数据集是一个足球球员各项技能及其身价的csv表，包含了60多个字段。数据集下载链接：[数据集][Link 1]

**1、DataFrame.info()**

这个函数可以输出读入表格的一些具体信息。这对于加快数据预处理非常有帮助。

import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv('dataset/soccer/train.csv')
    print(data.info())

<class 'pandas.core.frame.DataFrame'>
    RangeIndex: 10441 entries, 0 to 10440
    Data columns (total 65 columns):
    id                          10441 non-null int64
    club                        10441 non-null int64
    league                      10441 non-null int64
    birth_date                  10441 non-null object
    height_cm                   10441 non-null int64
    weight_kg                   10441 non-null int64
    nationality                 10441 non-null int64
    potential                   10441 non-null int64
                       ...
    dtypes: float64(12), int64(50), object(3)
    memory usage: 5.2+ MB
    None

**2、DataFrame.query()**

import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv('dataset/soccer/train.csv')
    print(data.query('lw>cf')) # 这两个方法是等价的
    print(data[data.lw > data.cf]) # 这两个方法是等价的

**3、DataFrame.value\_counts()**

这个函数可以统计某一列中不同值出现的频率。

import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv('dataset/soccer/train.csv')
    print(data.work_rate_att.value_counts())

Medium    7155
    High      2762
    Low        524
    Name: work_rate_att, dtype: int64

**4、DataFrame.sort\_values()**

按照某一列的数值进行排序后输出。

import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv('dataset/soccer/train.csv')
    print(data.sort_values(['sho']).head(5))

**5、DataFrame.groupby()**

*  根据国籍（nationality）这一列的属性进行分组，然后分别计算相同国籍的潜力（potential）的平均值。

import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv('dataset/soccer/train.csv')
    potential_mean = data['potential'].groupby(data['nationality']).mean().head(5)
    print(potential_mean)

nationality
    1    74.945338
    2    72.914286
    3    67.892857
    4    69.000000
    5    70.024242
    Name: potential, dtype: float64

*  根据国籍（nationality），俱乐部（club）这两列的属性进行分组，然后分别计算球员潜力（potential）的平均值。

import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv('dataset/soccer/train.csv')
    potential_mean = data['potential'].head(20).groupby([data['nationality'], data['club']]).mean()
    print(potential_mean)

nationality  club
    1            148     76
                 461     72
    5            83      64
    29           593     68
    43           213     67
    51           258     62
    52           112     68
    54           604     81
    63           415     70
    64           359     74
    78           293     73
    90           221     70
    96           80      72
    101          458     67
    111          365     64
                 379     83
                 584     65
    138          9       72
    155          543     72
    163          188     71
    Name: potential, dtype: int64

值得注意的是，在分组函数后面**使用一个size（）**函数可以返回带有分组大小的结果。

potential_mean = data['potential'].head(200).groupby([data['nationality'], data['club']]).size()

nationality  club
    1            148     1
    43           213     1
    51           258     1
    52           112     1
    54           604     1
    78           293     1
    96           80      1
    101          458     1
    155          543     1
    163          188     1
    Name: potential, dtype: int64

**6、DataFrame.agg()**

这个函数一般在groupby函数之后使用。

import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv('dataset/soccer/train.csv')
    potential_mean = data['potential'].head(10).groupby(data['nationality']).agg(['max', 'min'])
    print(potential_mean)

max  min
    nationality          
    1             76   76
    43            67   67
    51            62   62
    52            68   68
    54            81   81
    78            73   73
    96            72   72
    101           67   67
    155           72   72
    163           71   71

**7、DataFrame.apply()**

将某一个函数应用到某一列或者某一行上，可以极大加快处理速度。

import pandas as pd
    import matplotlib.pyplot as plt
    
    
    # 返回球员出生日期中的年份
    def birth_date_deal(birth_date):
        year = birth_date.split('/')[2]
        return year
    
    data = pd.read_csv('dataset/soccer/train.csv')
    result = data['birth_date'].apply(birth_date_deal).head() 
    print(result)

0    96
    1    84
    2    99
    3    88
    4    80
    Name: birth_date, dtype: object

当然如果使用lambda函数的话，代码会更加简洁：

data = pd.read_csv('dataset/soccer/train.csv')
    result = data['birth_date'].apply(lambda x: x.split('/')[2]).head()
    print(result)

[Link 1]: http://sofasofa.io/competition.php?id=7#c2