更新时间: 2018 年 03 月 13 日 15:02:28 投稿: wdc 我要评论
本文讲解了 python 的 pandas 基本用法, 大家可以参考下
一, 生成数据表
1, 首先导入 pandas 库, 一般都会用到 numpy 库, 所以我们先导入备用:
- ?
- 1
- 2
- import numpy as np
- import pandas as pd
2, 导入 CSV 或者 xlsx 文件:
- ?
- 1
- 2
- df = pd.DataFrame(pd.read_csv('name.csv',header=1))
- df = pd.DataFrame(pd.read_excel('name.xlsx'))
3, 用 pandas 创建数据表:
- ?
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 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:
?
1
df.shape
2, 数据表基本信息 (维度, 列名称, 数据格式, 所占空间等):
?
1
df.info()
3, 每一列数据的格式:
?
1
df.dtypes
4, 某一列格式:
- ?
- 1
- df['B'].dtype
5, 空值:
?
1
df.isnull()
6, 查看某一列空值:
?
1
df.isnull()
7, 查看某一列的唯一值:
- ?
- 1
- df['B'].unique()
8, 查看数据表的值:
?
1
df.values
9, 查看列名称:
?
1
df.columns
10, 查看前 10 行数据, 后 10 行数据:
- ?
- 1
- 2
- df.head() #默认前 10 行数据
- df.tail() #默认后 10 行数据
三, 数据表清洗
1, 用数字 0 填充空值:
- ?
- 1
- df.fillna(value=0)
2, 使用列 prince 的均值对 NA 进行填充:
- ?
- 1
- df['prince'].fillna(df['prince'].mean())
3, 清楚 city 字段的字符空格:
- ?
- 1
- df['city']=df['city'].map(str.strip)
4, 大小写转换:
- ?
- 1
- df['city']=df['city'].str.lower()
5, 更改数据格式:
- ?
- 1
- df['price'].astype('int')
6, 更改列名称:
- ?
- 1
- df.rename(columns={
- 'category': 'category-size'
- })
7, 删除后出现的重复值:
- ?
- 1
- df['city'].drop_duplicates()
8, 删除先出现的重复值:
- ?
- 1
- df['city'].drop_duplicates(keep='last')
9, 数据替换:
- ?
- 1
- df['city'].replace('sh', 'shanghai')
四, 数据预处理
- ?
- 1
- 2
- 3
- 4
- 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
- 2
- 3
- 4
- 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
2, 设置索引列
- ?
- 1
- df_inner.set_index('id')
3, 按照特定列的值排序:
- ?
- 1
- df_inner.sort_values(by=['age'])
4, 按照索引列排序:
- ?
- 1
- df_inner.sort_index()
5, 如果 prince 列的值 > 3000,group 列显示 high, 否则显示 low:
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- df_inner.loc[3]
2, 按索引提取区域行数值
- ?
- 1
- df_inner.iloc[0:5]
3, 重设索引
- ?
- 1
- df_inner.reset_index()
4, 设置日期为索引
- ?
- 1
- df_inner=df_inner.set_index('date')
5, 提取 4 日之前的所有数据
- ?
- 1
- df_inner[:'2013-01-04']
6, 使用 iloc 按位置区域提取数据
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]
11, 提取前三个字符, 并生成数据表
- ?
- 1
- pd.DataFrame(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
- ?
- 1
- df_inner.loc[(df_inner['age']> 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]
2, 使用 "或" 进行筛选
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- df_inner.query('city == ["beijing","shanghai"]')
6, 对筛选后的结果按 prince 进行求和
- ?
- 1
- 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
- ?
- 1
- df_inner.groupby('city').count()
2, 按城市对 id 字段进行计数
- ?
- 1
- df_inner.groupby('city')['id'].count()
3, 对两个字段进行汇总计数
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- df_inner.sample(n=3)
2, 手动设置采样权重
- ?
- 1
- 2
- weights = [0, 0, 0, 0, 0.5, 0.5]
- df_inner.sample(n=2, weights=weights)
3, 采样后不放回
- ?
- 1
- df_inner.sample(n=6, replace=False)
4, 采样后放回
- ?
- 1
- df_inner.sample(n=6, replace=True)
5, 数据表描述性统计
- ?
- 1
- 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
- ?
- 1
- df_inner['price'].std()
7, 计算两个字段间的协方差
- ?
- 1
- df_inner['price'].cov(df_inner['m-point'])
8, 数据表中所有字段间的协方差
- ?
- 1
- df_inner.cov()
9, 两个字段的相关性分析
- ?
- 1
- 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
- ?
- 1
- 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
- ?
- 1
- df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
2, 写入到 CSV
- ?
- 1
- df_inner.to_csv('excel_to_python.csv')
以上就是关于 pandas 的基本用法, 大家可以参考下
来源: http://www.bubuko.com/infodetail-2814432.html