python数据处理的常用操作
python数据处理
1.生成数据2.数据表检查3.数据表清洗4.数据预处理5.数据提取6.数据筛选7.数据汇总8.数据统计9.数据输出
1.生成数据
1.导入数据表
df = pd.read_excel('C:/Users/Admin/Desktop/types/output.xlsx')
df1 = pd.read_csv('C:/Users/Admin/Desktop/types/output.csv')
2.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]}))
2.数据表检查
1.查看维度（行列）
df.shape
(6, 6)
2.数据表信息
df.info()
3.查看数据格式
# 查看数据表各列格式
print(df.dtypes)
# 查看数据表单列格式
print(df['city'].dtype)
4.查看空值
# 检查数据是否为空值
print(df.isnull())
# 检查特定列是否为空值
print(df['price'].isnull())
5.查看唯一值
# 查看city列中的唯一值
print(df['city'].unique())
['Beijing ' 'SH' ' guangzhou ' 'Shenzhen' 'shanghai' 'BEIJING ']
6.查看数据表数据
print(df.values)
7.查看列名称
print(df.columns)
Index(['id', 'date', 'city', 'age', 'category', 'price'], dtype='object')
8.查看前多少行数据
# 不设置值时，默认为5行
print(df.head(3))
9.查看前多少行数据
# 不设置值时，默认为5行
print(df.tail(3))
3.数据表清洗
1.处理空值(删除或填充)
# 删除数据表中含有空值的行
print(df)
df.dropna(how='any')
# 使用数据0填空数据表中空值
df.fillna(value=0)
# 使用price均值对NA进行填充
print(df['price'].fillna(df['price'].mean()))
2.清理空格
# 清除city字段中的字符空格
df['city'] = df['city'].map(str.strip)
3.大小写转换
# city列大小写转换
df['city'] = df['city'].str.lower()
4.更改数据格式
# 更改数据格式
df['age'] = df['age'].astype(int)
5.更改列名称
df.rename(columns={'category': 'category-size'})
6.删除重复值
print(df['city'])
# 删除后出现的重复值（第一次的beijing被保留，最后出现的beijing被删除）
print(df['city'].drop_duplicates())
# 设置keep='list'参数后，与之前删除重复值的结果相反，第一位出现的beijing被删除，保留最后一位出现的beijing
print(df['city'].drop_duplicates(keep='last'))
7.数值修改及替换
# 数据替换
print(df['city'].replace('sh', 'shanghai'))
4.数据预处理
1.数据表合并
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]})
# 数据表匹配合并
# 内连接
df_inner = pd.merge(df, df1, how='inner')
# 左连接
df_left = pd.merge(df, df1, how='left')
# 右连接
df_right = pd.merge(df, df1, how='right')
# 外连接
df_out = pd.merge(df, df1, how='outer')
2.设置索引列
print(df_inner.set_index('id'))
3.排序（按索引，按数值）
# 按特定列的值排序
print(df_inner.sort_values(by=['age'])) # 默认升序，降序ascending=False
# 按索引列排序
print(df_inner.set_index(keys='date')) # 行索引进行排序
4.数据分组
# 如果price列的值>3000,group列显示high,否则显示为low
df_inner['group'] = np.where(df_inner['price'] > 3000, 'high', 'low')
# 对复合多个条件的数据进行分组标记
# 对city列等于beijing并且price列大于等于4000的数据标记为1
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign'] = 1
5.数据分列
# 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
split = pd.DataFrame((x.split('-') for x in df_inner['category']), index=df_inner.index, columns=['category', 'size'])
print(split)
# 将完成分列后的数据表与原df_inner数据表进行匹配
df_inner = pd.merge(df_inner, split, right_index=True, left_index=True)
print(df_inner)
5.数据提取
1.按标签提取(loc)
# 按索引提取单行的数据
print(df_inner.loc[3])
# 按索引提取区域行数值
print(df_inner.loc[0:5]) # 提取0到5的数据行
# 设置日期为索引
df_inner = df_inner.set_index('date')
# 重设索引
print(df_inner.reset_index()) # 恢复索引
# 提取4日之前的所有数据
print(df_inner[:'2013-01-04']) # 从开始提取到这个日期
2.按位置提取(iloc)
# 使用iloc按位置区域提取数据
print(df_inner.iloc[:3, :2]) # 行列
# 使用iloc按位置单独提取数据
print(df_inner.iloc[[0, 2, 5], [4, 5]])
3.按标签和位置提取(ix)
# 使用ix按索引标签的位置混合提取数据
print(df_inner.ix[:'2013-01-03', :4])
4.按条件提取(区域和条件值)
# 判断city列的值是否为beijing
print(df_inner['city'].isin(['beijing']))
# 先判断city列里是否包含beijing和shanghai,然后将复合条件的数据提取出来
print(df_inner.loc[df_inner['city'].isin(['beijing', 'shanghai'])])
category = df_inner['category_x']
print(category)
# 提取前三个字符，并生成数据表
print(pd.DataFrame(category.str[:3]))
6.数据筛选
使用‘与’条件进行筛选
# 筛选大于25岁并且城市为北京的这些列['id', 'city', 'age', 'category_x', 'gender']的值
print(df_inner.loc[
(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category_x', 'gender']])
使用‘或’条件筛选
# 筛选大于25岁或城市为北京的这些列['id', 'city', 'age', 'category_x', 'gender']的值,并按照年龄对其进行排序
print(df_inner.loc[
(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category_x',
'gender']].sort_values(by='age'))
print(df_inner.loc[
(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category_x',
'gender']].sort_values(by='id').city.count())
使用query函数进行筛选
# 筛选出city列等于beijing或者shanghai的
print(df_inner.query('city == ["beijing","shanghai"]'))
print(df_inner.query('city == ["beijing","shanghai"]').price.sum())
7.数据汇总
1.分类汇总
# 对所有列进行计数汇总
print(df_inner.groupby('city').count())
# 按照城市对id字段进行汇总计数
print(df_inner.groupby('city')['id'].count())
# 对两个字段进行汇总计数
print(df_inner.groupby(['city', 'size'])['id'].count())
# 对city字段进行汇总并计算price的合计和均值
print(df_inner.groupby('city')['price'].agg([len, np.sum, np.mean]))
2.数据透视
# 数据透视表
# 设置city为行字段，size为列字段，price为值字段
print(pd.pivot_table(df_inner, index=["city"], values=["price"], columns=["size"],
aggfunc=[len, np.sum], fill_value=0, margins=True))
8.数据统计
1.数据采样
# 简单的数据采样（随机抽取3条数据）
print(df_inner.sample(n=3))
# 手动设置采样权重
weights = [0, 0, 0, 0, 0.5, 0.5]
print(df_inner.sample(n=2, weight=weights))
# sample函数中的参数replace,用于设置采样数是否放回
# 采样后不放回
print(df_inner.sample(n=6, replace=False))
# 采样后放回
print(df_inner.sample(n=6, replace=True))
2.描述统计
# 数据表描述性统计
print(df_inner.describe(),round(2).T)
3.标准差
print(df_inner['price'].std())
4.协方差
# 两个字段间的协方差
print(df_inner['price'].cov(df_inner['m-point']))
# 数据表中所有字段间的协方差
print(df_inner.cov())
5.相关分析
print(df_inner['price'].corr(df_inner['m-point']))
# 数据表相关性分析
print(df_inner.corr())
9.数据输出
1.写入Excel
# 输出到Excel格式
df_inner.to_Excel('excel_to_python.xlsx',sheet_name='bluewhale')
2.写入csv
# 输出到CSV格式
df_inner.to_csv('excel_to_python.csv')
