pandas详细介绍

川长思鸟来 2023-09-26 09:04 16阅读 0赞

## 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
    
      
      
       
      
      
       
        1 
        2

### 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'))
    
      
      
       
      
      
       
        1 
        2

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=\[‘reply’, ‘pv’\])

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11
 *  12

### 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'])
    
     
     
      
     
     
      
       1 
       2 
       3 
       4 
       5 
       6 
       7

## 二、数据表信息查看 ##

### 1、维度查看： ###

df.shape
    
     
     
      
     
     
      
       1

### 2、数据表基本信息（维度、列名称、数据格式、所占空间等）： ###

df.info()
    
     
     
      
     
     
      
       1

### 3、每一列数据的格式： ###

df.dtypes
    
     
     
      
     
     
      
       1

### 4、某一列格式： ###

df['B'].dtype
    
     
     
      
     
     
      
       1

### 5、空值： ###

df.isnull()
    
     
     
      
     
     
      
       1

### 6、查看某一列空值： ###

df['B'].isnull()
    
     
     
      
     
     
      
       1

### 7、查看某一列的唯一值： ###

df['B'].unique()
    
     
     
      
     
     
      
       1

### 8、查看数据表的值： ###

df.values 
    
     
     
      
     
     
      
       1

### 9、查看列名称： ###

df.columns
    
     
     
      
     
     
      
       1

### 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
    
     
     
      
     
     
      
       1 
       2

## 三、数据表清洗 ##

### 1、用数字0填充空值： ###

df.fillna(value=0)
    
     
     
      
     
     
      
       1

### 2、使用列prince的均值对NA进行填充： ###

df['prince'].fillna(df['prince'].mean())
    
     
     
      
     
     
      
       1

### 3、清除city字段的字符空格： ###

df['city']=df['city'].map(str.strip)
    
     
     
      
     
     
      
       1

### 4、大小写转换： ###

df['city']=df['city'].str.lower()
    
     
     
      
     
     
      
       1

### 5、更改数据格式： ###

df['price'].astype('int')       
    
     
     
      
     
     
      
       1

### 6、更改列名称： ###

df.rename(columns={
        'category': 'category-size'}) 
    
     
     
      
     
     
      
       1

### 7、删除后出现的重复值： ###

df['city'].drop_duplicates()
    
     
     
      
     
     
      
       1

### 8 、删除先出现的重复值： ###

df['city'].drop_duplicates(keep='last')
    
     
     
      
     
     
      
       1

### 9、数据替换： ###

df['city'].replace('sh', 'shanghai')
    
     
     
      
     
     
      
       1

## 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 
       2 
       3 
       4

### 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 
       3 
       4

#### 1.2 append ####

result = df1.append(df2)
    
     
     
      
     
     
      
       1

![这里写图片描述][70]

#### 1.3 join ####

result = left.join(right, on='key')
    
     
     
      
     
     
      
       1

![这里写图片描述][70 1]

#### 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)
    
     
     
      
     
     
      
       1 
       2 
       3

*  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)
    
     
     
      
     
     
      
       1 
       2

![这里写图片描述][70 2]

### 2、设置索引列 ###

df_inner.set_index('id')
    
     
     
      
     
     
      
       1

### 3、按照特定列的值排序： ###

df_inner.sort_values(by=['age'])
    
     
     
      
     
     
      
       1

### 4、按照索引列排序： ###

df_inner.sort_index()
    
     
     
      
     
     
      
       1

### 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')
    
     
     
      
     
     
      
       1

### 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
    
     
     
      
     
     
      
       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'])
    
     
     
      
     
     
      
       1

### 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)
    
     
     
      
     
     
      
       1

## 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]
    
     
     
      
     
     
      
       1

### 2、按索引提取区域行数值 ###

df_inner.iloc[0:5]
    
     
     
      
     
     
      
       1

### 3、重设索引 ###

df_inner.reset_index()
    
     
     
      
     
     
      
       1

### 4、设置日期为索引 ###

df_inner=df_inner.set_index('date') 
    
     
     
      
     
     
      
       1

### 5、提取4日之前的所有数据 ###

df_inner[:'2013-01-04']
    
     
     
      
     
     
      
       1

### 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。
    
     
     
      
     
     
      
       1

### 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
    
     
     
      
     
     
      
       1

### 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
    
     
     
      
     
     
      
       1

### 9、判断city列的值是否为北京 ###

df_inner['city'].isin(['beijing'])
    
     
     
      
     
     
      
       1

### 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'])] 
    
     
     
      
     
     
      
       1

### 11、提取前三个字符，并生成数据表 ###

pd.DataFrame(df_inner['category'].str[:3])
    
     
     
      
     
     
      
       1

## 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']]
    
     
     
      
     
     
      
       1

### 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']) 
    
     
     
      
     
     
      
       1

### 3、使用“非”条件进行筛选 ###

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 
    
     
     
      
     
     
      
       1

### 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()
    
     
     
      
     
     
      
       1

### 5、使用query函数进行筛选 ###

df_inner.query('city == ["beijing", "shanghai"]')
    
     
     
      
     
     
      
       1

### 6、对筛选后的结果按prince进行求和 ###

df_inner.query('city == ["beijing", "shanghai"]').price.sum()
    
     
     
      
     
     
      
       1

## 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()
    
     
     
      
     
     
      
       1

### 2、按城市对id字段进行计数 ###

df_inner.groupby('city')['id'].count()
    
     
     
      
     
     
      
       1

### 3、对两个字段进行汇总计数 ###

df_inner.groupby(['city','size'])['id'].count()
    
     
     
      
     
     
      
       1

### 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]) 
    
     
     
      
     
     
      
       1

## 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) 
    
     
     
      
     
     
      
       1

### 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) 
    
     
     
      
     
     
      
       1 
       2

### 3、采样后不放回 ###

df_inner.sample(n=6, replace=False) 
    
     
     
      
     
     
      
       1

### 4、采样后放回 ###

df_inner.sample(n=6, replace=True)
    
     
     
      
     
     
      
       1

### 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
    
     
     
      
     
     
      
       1

### 6、计算列的标准差 ###

df_inner['price'].std()
    
     
     
      
     
     
      
       1

### 7、计算两个字段间的协方差 ###

df_inner['price'].cov(df_inner['m-point']) 
    
     
     
      
     
     
      
       1

### 8、数据表中所有字段间的协方差 ###

df_inner.cov()
    
     
     
      
     
     
      
       1

### 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
    
     
     
      
     
     
      
       1

### 10、数据表的相关性分析 ###

df_inner.corr()
    
     
     
      
     
     
      
       1

## 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') 
    
     
     
      
     
     
      
       1

### 2、写入到CSV ###

df_inner.to_csv('excel_to_python.csv') 
    
     
     
      
     
     
      
       1

[pandas]: https://so.csdn.net/so/search?q=pandas&spm=1001.2101.3001.7020
[70]: https://img-blog.csdn.net/20180611091024579?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lpeWVsZQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[70 1]: https://img-blog.csdn.net/20180611091253685?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lpeWVsZQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[70 2]: https://img-blog.csdn.net/20180611091426153?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lpeWVsZQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70