pandas介绍以及数据清洗使用

比眉伴天荒 2022-10-02 15:52 180阅读 0赞

**一、Pandas概要介绍**

pandas是一个开源的，BSD许可的库，为Python编程语言提供高性能，易于使用的数据结构和数据分析工具。可以用于对CSV和文本文件、Microsoft Excel、SQL数据库数据的读写。

能够帮助数据清洗，数据分析和数据建模。

**二、主要的两种数据结构**

# 序列(Series)：**一*维标记数组，能够保存任何数据类型，有索引。*** #

s = pd.Series([1,2,3],index=['a','b','c'])
    print(s)

# 数据帧（dataframe）：二维标记数据结构，可以传递行索引和列索引。 #

d = pd.DataFrame([[1,2,3],[4,5,6]], columns=['a','b','c'])
    print(d)

**三、使用pandas读取csv文件存入mysql**

import pymysql
    import numpy as np
    import pandas as pd
    from pandas import DataFrame
    import datetime
    import sys
    import pymysql
    import csv
    
    
    db = pymysql.connect('localhost', 'root', '123456', 'languid')
    
    if __name__ == '__main__':
        filepath= sys.argv[1]
        f = pd.read_csv(filepath,engine='python',sep=',',index_col=[0],header=[0])#去掉索引
        q=f.drop(['abc','deg'],axis=1)#去掉列abc deg
        qq= q['APZWMC'].str.split('-',expand=True)#拆分
        qqq=pd.merge(q,qq,on='APMAC',how='right')#拼接dataframe 以APMAC列为关键组合列
        qqq['sum']=qqq['APGLDMC']+qqq['APJWD']#这两列都是数字 把他们相加并生成新的一列负在后面
        new_qqq=qqq.rename(columns={0: 'A', 1: 'B'}, inplace=False)
        data=[]
        for row in new_qqq.itertuples():#按顺序遍历，将DataFrame迭代为元祖
            row_tuple= [row.Index, row.APMC, row.APZWMC, row.APGLDDM, row.APGLDMC, row.APJWD, row.A,row.B,row.sum]
            data.append(row_tuple)
            print(row)
        cursor = db.cursor()
        sql = 'INSERT INTO SJJH_APXXB2 (APMAC,APMC,APZWMC,APGLDDM,APGLDMC,APJWD,A,B,sum) values (%s,%s,%s,%s,%s,%s,%s,%s,%s)'#表在mysql中已经建好了 直接插入
        cursor.executemany(sql,data)
        db.commit()
        db.close()

第二种
    import numpy as np
    import pandas as pd
    from pandas import DataFrame
    import datetime
    import sys
    import pymysql
    import csv
    
    from sqlalchemy import create_engine
    from sqlalchemy.orm import scoped_session, sessionmaker
    
    
    engine = create_engine('mysql+pymysql://root:123456@localhost/languid?charset=utf8')
    db = scoped_session(sessionmaker(bind=engine))
    
    aa=[]
    
    if __name__ == '__main__':
        f = pd.read_csv('c://百度网盘//xingqiu.csv',engine='python',sep=',',index_col=[0],header=[0])
        q=f.drop(['abc','deg'],axis=1)
        qq= q['APZWMC'].str.split('-',expand=True)
        qqq=pd.merge(q,qq,on='APMAC',how='right')
        qqq['sum']=qqq['APGLDMC']+qqq['APJWD']
        new_qqq=qqq.rename(columns={0: 'A', 1: 'B'}, inplace=False)
        pd.pivot_table(qqq,index=['APMAC'],values=['APZWMC'],aggfunc='count')
        for iii in pd.pivot_table:
            print(iii)
       
        pd.io.sql.to_sql(b, 'sjjh_apxxb', engine, schema='languid', if_exists='append')#append：如果表存在，则将数据添加到这个表的后面fail：如果表存在就不操作replace：如果存在表，删了，重建
        db.commit()
        db.close()

**四、用pandas清洗数据的一些操作**

import pandas as pd
    data = pd.read_csv('c://百度网盘//movie_metadata.csv',engine='python',sep=',')
    # print(data.head())
    print(data.genres.describe())
    # print(data['genres'])
    
    #删除不完整的行
    data.country=data.country.fillna('')#用空字符串代替NAN值
    data.dropna()#删除任何包含NA值的行
    data.dropna(how='all')#删除一整行的值都为NA
    data.drop(theresh=5)#在行数据有至少5个为非na的数据
    data.dropna(subset=['title_year'])#去掉上映时间这个数据
    
    
    #删除不完整的列
    data.drop(axis=1,how='all')#删除一整列为na的列
    data.drop(axis=1,how='any')#删除任何包含空值的列
    
    #必要的变换
    data['movie_title'].str.upper() #将title大写
    data['movei_title'].str.strip()#去掉末尾空格
    
    #重命名列名
    data.rename(columns={
        'title_year':'release_dae','move_facebook_likes':'facebook_likes'})
    
    #保存结果
    data.to_csv('cleanfile.csv',encoding='utf-8')

import pandas as pd
    # data = pd.read_csv('c://百度网盘//movie_metadata.csv',engine='python',sep=',')
    
    #没有列头
    column_names= ['id', 'name', 'age', 'weight','m0006','m0612','m1218','f0006','f0612','f1218']
    df = pd.read_csv('../data/patient_heart_rate.csv', names = column_names)
    
    #一个列有多个参数
    df['first_name','last_name']=df['name'].str.split(expand=True)
    df.drop('name',axis=1,inplace=True)
    
    #列数据的单位不统一
    rows_with_lbs = df['weight'].str.contains('lbs').fillna(False)
    df[rows_with_lbs]
    for i,lbs_row in df[rows_with_lbs].iterrows():
        weight=int(float(lbs_row['wieght'][:-3])/2.2)
    df.at[i,'weight']='{}kgs'.format(weight)
    
    #空行
    df.dropna(how='all',inplace=True)#删除全空的行
    
    #重复数据
    df.drop_duplicates(['first_name','last_name'],inpalec=True)
    
    #非ASCII字符
    df['first_name'].replace({r'[^\x00-\x7F]+':''}, regex=True, inplace=True)
    
    #有些列头应该是数据，而不是列名参数

import pandas as pd
    
    
    df =pd.read_csv('C://百度网盘//Artworks.csv').head(100)
    #时间范围变成时间
    row_with_dashes= df['Data'].str.contains('-').fillna(False)
    for i,dash in df[row_with_dashes].iterrows():
        df.at[i,'data'] = dash['Data'][0:4]
    df['Date'].value_counts
    
    #c.1971变成时间 后四位
    row_with_cs=df['Data'].str.contains('c').fillna(False)
    for i,row in df[row_with_cs].iterrrows():
        df.at[i,'Data'] = row['Date'][-4:]
    df[row_with_cs]
    
    #问题数据赋值为0
    df['Data'] = df['Date'].replace('Unknown','0',regex=True)
    df['Data'] = df['Date'].replace('n.d','0',regex=True)
    
    #选择指定单元格
    #选取 windspeed 整列数据
    print(type(df.loc[:,['windspeed']]))
    #选区列索引为1，2的整行数据
    print(type(df.iloc[:,[1,2]]))
    #选区索引为1和2的整行数据
    print(type(df.loc[1,2]))
    #选择windspeed 整列数据
    print(type(df['windspeed']))

pandas中文文档：https://www.pypandas.cn/document/merging.html

其他参考链接：https://www.cnblogs.com/BoyceYang/p/8182053.html

转载于:https://www.cnblogs.com/languid/p/10923300.html