pandas包的應用

pandas用法總結

 

 

1、生成數據表

一、首先導入pandas庫，通常都會用到numpy庫，因此咱們先導入備用：

import numpy as np
import pandas as pd

二、導入CSV或者xlsx文件：

df = pd.DataFrame(pd.read_csv(‘name.csv’,header=1))
df = pd.DataFrame(pd.read_excel(‘name.xlsx’))

三、用pandas建立數據表：

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

2、數據表信息查看

一、維度查看：

df.shape

二、數據表基本信息（維度、列名稱、數據格式、所佔空間等）：

df.info()

三、每一列數據的格式：

df.dtypes

四、某一列格式：

df[‘B’].dtype

五、空值：

df.isnull()

六、查看某一列空值：

df.isnull()

七、查看某一列的惟一值：

df[‘B’].unique()

八、查看數據表的值：

df.values

九、查看列名稱：

df.columns

十、查看前10行數據、後10行數據：

df.head() #默認前10行數據
df.tail() #默認後10 行數據

3、數據表清洗

一、用數字0填充空值：

df.fillna(value=0)

二、使用列prince的均值對NA進行填充：

df[‘prince’].fillna(df[‘prince’].mean())

三、清楚city字段的字符空格：

df[‘city’]=df[‘city’].map(str.strip)

四、大小寫轉換：

df[‘city’]=df[‘city’].str.lower()

五、更改數據格式：

df[‘price’].astype(‘int’)

六、更改列名稱：

df.rename(columns={‘category’: ‘category-size’})

七、刪除後出現的重複值：

df[‘city’].drop_duplicates()

八、刪除先出現的重複值：

df[‘city’].drop_duplicates(keep=’last’)

九、數據替換：

df[‘city’].replace(‘sh’, ‘shanghai’)

4、數據預處理

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

一、數據表合併

1.1 merge

df_inner=pd.merge(df,df1,how='inner')  # 匹配合並，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')  #並集

• 1
• 2
• 3
• 4

1.2 append

result = df1.append(df2)

• 1

1.3 join

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

• 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︰ 一個序列或系列、 綜合或面板對象的映射。若是字典中傳遞，將做爲鍵參數，使用排序的鍵，除非它傳遞，在這種狀況下的值將會選擇 （見下文）。任何沒有任何反對將默默地被丟棄，除非他們都沒有在這種狀況下將引起 ValueError。
axis: {0，1，…}，默認值爲 0。要鏈接沿軸。
join: {‘內部’、 ‘外’}，默認 ‘外’。如何處理其餘 axis(es) 上的索引。聯盟內、 外的交叉口。
ignore_index︰ 布爾值、 默認 False。若是爲 True，則不要串聯軸上使用的索引值。由此產生的軸將標記 0，…，n-1。這是有用的若是你串聯串聯軸沒有有意義的索引信息的對象。請注意在聯接中仍然受到尊重的其餘軸上的索引值。
join_axes︰ 索引對象的列表。具體的指標，用於其餘 n-1 軸而不是執行內部/外部設置邏輯。
keys︰ 序列，默認爲無。構建分層索引使用經過的鍵做爲最外面的級別。若是多個級別得到經過，應包含元組。
levels︰ 列表的序列，默認爲無。具體水平 （惟一值） 用於構建多重。不然，他們將推斷鑰匙。
names︰ 列表中，默認爲無。由此產生的分層索引中的級的名稱。
verify_integrity︰ 布爾值、 默認 False。檢查是否新的串聯的軸包含重複項。這能夠是相對於實際數據串聯很是昂貴。
副本︰ 布爾值、 默認 True。若是爲 False，請不要，沒必要要地複製數據。

例子：1.frames = [df1, df2, df3]
2.result = pd.concat(frames)

二、設置索引列

df_inner.set_index(‘id’)

三、按照特定列的值排序：

df_inner.sort_values(by=[‘age’])

四、按照索引列排序：

df_inner.sort_index()

五、若是prince列的值>3000，group列顯示high，不然顯示low：

df_inner[‘group’] = np.where(df_inner[‘price’] > 3000,’high’,’low’)

六、對複合多個條件的數據進行分組標記

df_inner.loc[(df_inner[‘city’] == ‘beijing’) & (df_inner[‘price’] >= 4000), ‘sign’]=1

七、對category字段的值依次進行分列，並建立數據表，索引值爲df_inner的索引列，列名稱爲category和size

pd.DataFrame((x.split(‘-‘) for x in df_inner[‘category’]),index=df_inner.index,columns=[‘category’,’size’]))

八、將完成分裂後的數據表和原df_inner數據表進行匹配

df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

5、數據提取

主要用到的三個函數：loc,iloc和ix，loc函數按標籤值進行提取，iloc按位置進行提取，ix能夠同時按標籤和位置進行提取。

一、按索引提取單行的數值

df_inner.loc[3]

二、按索引提取區域行數值

df_inner.iloc[0:5]

三、重設索引

df_inner.reset_index()

四、設置日期爲索引

df_inner=df_inner.set_index(‘date’)

五、提取4日以前的全部數據

df_inner[:’2013-01-04’]

六、使用iloc按位置區域提取數據

df_inner.iloc[:3,:2] #冒號先後的數字再也不是索引的標籤名稱，而是數據所在的位置，從0開始，前三行，前兩列。

七、適應iloc按位置單獨提起數據

df_inner.iloc[[0,2,5],[4,5]] #提取第0、二、5行，四、5列

八、使用ix按索引標籤和位置混合提取數據

df_inner.ix[:’2013-01-03’,:4] #2013-01-03號以前，前四列數據

九、判斷city列的值是否爲北京

df_inner[‘city’].isin([‘beijing’])

十、判斷city列裏是否包含beijing和shanghai，而後將符合條件的數據提取出來

df_inner.loc[df_inner[‘city’].isin([‘beijing’,’shanghai’])]

十一、提取前三個字符，並生成數據表

pd.DataFrame(category.str[:3])

6、數據篩選

使用與、或、非三個條件配合大於、小於、等於對數據進行篩選，並進行計數和求和。

一、使用「與」進行篩選

df_inner.loc[(df_inner[‘age’] > 25) & (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]]

二、使用「或」進行篩選

df_inner.loc[(df_inner[‘age’] > 25) | (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘age’])

三、使用「非」條件進行篩選

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

四、對篩選後的數據按city列進行計數

df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’]).city.count()

五、使用query函數進行篩選

df_inner.query(‘city == [「beijing」, 「shanghai」]’)

六、對篩選後的結果按prince進行求和

df_inner.query(‘city == [「beijing」, 「shanghai」]’).price.sum()

7、數據彙總

主要函數是groupby和pivote_table

一、對全部的列進行計數彙總

df_inner.groupby(‘city’).count()

二、按城市對id字段進行計數

df_inner.groupby(‘city’)[‘id’].count()

三、對兩個字段進行彙總計數

df_inner.groupby([‘city’,’size’])[‘id’].count()

四、對city字段進行彙總，並分別計算prince的合計和均值

df_inner.groupby(‘city’)[‘price’].agg([len,np.sum, np.mean])

8、數據統計

數據採樣，計算標準差，協方差和相關係數

一、簡單的數據採樣

df_inner.sample(n=3)

二、手動設置採樣權重

weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)

三、採樣後不放回

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

四、採樣後放回

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

五、 數據表描述性統計

df_inner.describe().round(2).T #round函數設置顯示小數位，T表示轉置

六、計算列的標準差

df_inner[‘price’].std()

七、計算兩個字段間的協方差

df_inner[‘price’].cov(df_inner[‘m-point’])

八、數據表中全部字段間的協方差

df_inner.cov()

九、兩個字段的相關性分析

df_inner[‘price’].corr(df_inner[‘m-point’]) #相關係數在-1到1之間，接近1爲正相關，接近-1爲負相關，0爲不相關

十、數據表的相關性分析

df_inner.corr()

9、數據輸出

分析後的數據能夠輸出爲xlsx格式和csv格式

一、寫入Excel

df_inner.to_excel(‘excel_to_python.xlsx’, sheet_name=’bluewhale_cc’)

二、寫入到CSV

df_inner.to_csv(‘excel_to_python.csv’)