Pandas 用法汇总
一、生成数据表
1、首先导入pandas 库,一般会用到 numpy 库,所以我们先导入备用:
import numpy as np import pandas as pd
2、生成 CSV 或者 xlsx 文件:
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:
import numpy as np
import pandas as pd
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'])
print(df)
id date city category age price 0 1001 2013-01-02 Beijing 100-A 23 1200.0 1 1002 2013-01-03 SH 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN 5 1006 2013-01-07 BEIJING 130-F 32 4432.0
二、数据表信息查看
1、维度查看:
df.shape
( 6, 6 )
2、数据表基本信息(维度,列名称,数据格式, 所占空间):
df.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 6 entries, 0 to 5 Data columns (total 6 columns): id 6 non-null int64 date 6 non-null datetime64[ns] city 6 non-null object category 6 non-null object age 6 non-null int64 price 4 non-null float64 dtypes: datetime64[ns](1), float64(1), int64(2), object(2) memory usage: 368.0+ bytes
3、每一列的数据格式:
df.dtypes
id int64 date datetime64[ns] city object category object age int64 price float64 dtype: object
4、某一列格式:
df[ 'id' ].dtype
dtype('int64')
5、空值:
df.isnull()
id date city category age price 0 False False False False False False 1 False False False False False True 2 False False False False False False 3 False False False False False False 4 False False False False False True 5 False False False False False False
6、查看某一列的空值:
df['price'].isnull()
0 False 1 True 2 False 3 False 4 True 5 False Name: price, dtype: bool
7、查看某一列的唯一值:
df['id'].unique()
array([1001, 1002, 1003, 1004, 1005, 1006], dtype=int64)
8、查看数据表的值:
df.values
array([[1001, Timestamp('2013-01-02 00:00:00'), 'Beijing ', '100-A', 23, 1200.0], [1002, Timestamp('2013-01-03 00:00:00'), 'SH', '100-B', 44, nan], [1003, Timestamp('2013-01-04 00:00:00'), ' guangzhou ', '110-A', 54, 2133.0], [1004, Timestamp('2013-01-05 00:00:00'), 'Shenzhen', '110-C', 32, 5433.0], [1005, Timestamp('2013-01-06 00:00:00'), 'shanghai', '210-A', 34, nan], [1006, Timestamp('2013-01-07 00:00:00'), 'BEIJING ', '130-F', 32, 4432.0]], dtype=object)
9、查看列名称:
df.columns
Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')
10、查看前10列数据、后10行数据:
df.head() // 默认前10行数据
id date city category age price 0 1001 2013-01-02 Beijing 100-A 23 1200.0 1 1002 2013-01-03 SH 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN
df.tail() // 默认后10行数据
id date city category age price 1 1002 2013-01-03 SH 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN 5 1006 2013-01-07 BEIJING 130-F 32 4432.0
三、数据表清洗
1、用数字 0 填充空值:
df.fillna(value = 0)
id date city category age price 0 1001 2013-01-02 Beijing 100-A 23 1200.0 1 1002 2013-01-03 SH 100-B 44 0.0 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 0.0 5 1006 2013-01-07 BEIJING 130-F 32 4432.0
2、使用列 price 的均值对 NA 进行填充:
df[ 'price' ].fillna(df['price'].mean())
0 1200.0 1 3299.5 2 2133.0 3 5433.0 4 3299.5 5 4432.0 Name: price, dtype: float64
3、清楚 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()
id date city category age price 0 1001 2013-01-02 beijing 100-A 23 1200.0 1 1002 2013-01-03 sh 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN 5 1006 2013-01-07 beijing 130-F 32 4432.0
5、更改数据格式:
df[ 'price' ].astype( 'int' )
6、更改列名称:
df.rename(columns = { 'category' : 'category-size' })
id date city category-size age price 0 1001 2013-01-02 Beijing 100-A 23 1200.0 1 1002 2013-01-03 SH 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN 5 1006 2013-01-07 BEIJING 130-F 32 4432.0
7、删除后出现的重复值:
df[ 'city' ].drop_duplicates()
0 Beijing 1 SH 2 guangzhou 3 Shenzhen 4 shanghai 5 BEIJING Name: city, dtype: object
8、删除先出现的重复值:
df[ 'city' ].drop_duplicates(keep = 'last' )
0 Beijing 1 SH 2 guangzhou 3 Shenzhen 4 shanghai 5 BEIJING Name: city, dtype: object
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:
1.1merge
df_inner = pd.merge(df, df1, how = 'inner') # 匹配合并 交集
id date city category age price gender pay m-point 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40
df_left = pd.merge(df, df1, how = 'left') id date city category age price gender pay m-point 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40
df_right = pd.merge(df, df1, how = 'right') df_outer = pd.merge(df, df1, how = 'outer') # 并集
输出结构同上
1.2 append
result = df1.append(df2)
1.3 join
reault = left.join( right, on='key' )
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,使用序的键,除非它传递,在这种情况下的值将会选择(见上下文)。任何没有任何反对将默默的的丢弃,除非他妈嗯都没有在这种情况下将引发 VslueError。
axis:{0,1,2,...},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)
2、设置索引列
df_inner.set_index('id')
date city category age price gender pay m-point id 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 1002 2013-01-03 SH 100-B 44 NaN female N 12 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40
3、按照特定列的值排序:
df_inner.sort_values(by = [‘age’])
id date city category age price gender pay m-point 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20
4、按照索引排序:
df_inner.sort_index()
id date city category age price gender pay m-point 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40
5、如果price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')
id date city category age price gender pay m-point group 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 low 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 low 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 low 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 high 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 low 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40 high
6、对符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
id date city category age price gender pay m-point group sign 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 low NaN 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 low NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 low NaN 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 high NaN 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 low NaN 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40 high NaN
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]
id 1004 date 2013-01-05 00:00:00 city Shenzhen category 110-C age 32 price 5433 gender female pay Y m-point 40 group high sign NaN Name: 3, dtype: object
2、按索引提取区域行数值
df_inner.iloc[0:3]
id date city category age price gender pay m-point group sign 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 low NaN 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 low NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 low NaN
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] # 冒号前后的数字不在是索引的标签名称,而是数据所在的位置,从0 开始,前三行,前两行。
7、适应 iloc 按位置单独提起数据:
df_inner.iloc[[0, 2, 5], [4, 5]] # 提取 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[: '2013-01-03', :4] # 2013-01-03 好之前,前四列的数据
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bejing 和 shanghai,然后将符合条件的数据提取出来
df_inner.loc[df_inner[ 'city' ].isin([ 'beijing' , 'sahnghai' ] )]
11、提取前三个字符,并生成数据表
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
df_inner.loc(df_inner['age'] > 25)&(df_inner['city'] == 'beijing'),['id','city','age','category','gender'] ]
2、使用 “或”进行删选
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price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price 的合计和均值
df_inner.groupby('city')['price'].agg([len, np.su, np.mean])
八、数据统计
数据采样,计算标准差、协方和相关系数
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 = 6, replace = False)
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 = False)
5、数据表描述性统计
df_inner.describe().round(2).T # round 函数是设置小数位,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、数据表中所有的字段间的协方差
df_inner.cov()
9、两个字段间的相关性分析
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')
posted on 2019-05-05 13:18 海纳百川_有容乃大 阅读(1751) 评论(0) 编辑 收藏 举报