pandas庫介紹之DataFrame基本操做

怎樣刪除list中空字符？
最簡單的方法：new_list = [ x for x in li if x != '' ]

---

今天是5.1號。

這一部分主要學習pandas中基於前面兩種數據結構的基本操做。

設有DataFrame結果的數據a以下所示：    
       a  b  c
one    4  1  1
two    6  2  0
three  6  1  6

---

1、查看數據（查看對象的方法對於Series來講一樣適用）

1.查看DataFrame前xx行或後xx行
a=DataFrame(data);
a.head(6)表示顯示前6行數據，若head()中不帶參數則會顯示所有數據。
a.tail(6)表示顯示後6行數據，若tail()中不帶參數則也會顯示所有數據。

2.查看DataFrame的index，columns以及values
a.index ; a.columns ; a.values 便可

3.describe()函數對於數據的快速統計彙總
a.describe()對每一列數據進行統計，包括計數，均值，std，各個分位數等。

4.對數據的轉置
a.T

5.對軸進行排序
a.sort_index(axis=1,ascending=False)；
其中axis=1表示對全部的columns進行排序，下面的數也跟着發生移動。後面的ascending=False表示按降序排列，參數缺失時默認升序。

6.對DataFrame中的值排序
a.sort(columns='x')
即對a中的x這一列，從小到大進行排序。注意僅僅是x這一列，而上面的按軸進行排序時會對全部的columns進行操做。

2、選擇對象

1.選擇特定列和行的數據
a['x'] 那麼將會返回columns爲x的列，注意這種方式一次只能返回一個列。a.x與a['x']意思同樣。

取行數據，經過切片[]來選擇
如：a[0:3] 則會返回前三行的數據。

2.loc是經過標籤來選擇數據
a.loc['one']則會默認表示選取行爲'one'的行；

a.loc[:,['a','b'] ] 表示選取全部的行以及columns爲a,b的列；

a.loc[['one','two'],['a','b']] 表示選取'one'和'two'這兩行以及columns爲a,b的列；

a.loc['one','a']與a.loc[['one'],['a']]做用是同樣的，不過前者只顯示對應的值，然後者會顯示對應的行和列標籤。

3.iloc則是直接經過位置來選擇數據
這與經過標籤選擇相似
a.iloc[1:2,1:2] 則會顯示第一行第一列的數據;(切片後面的值取不到)

a.iloc[1:2] 即後面表示列的值沒有時，默認選取行位置爲1的數據;

a.iloc[[0,2],[1,2]] 便可以自由選取行位置，和列位置對應的數據。

4.使用條件來選擇
使用單獨的列來選擇數據
a[a.c>0] 表示選擇c列中大於0的數據

使用where來選擇數據
a[a>0] 表直接選擇a中全部大於0的數據

使用isin()選出特定列中包含特定值的行
a1=a.copy()
a1[a1['one'].isin(['2','3'])] 表顯示知足條件：列one中的值包含'2','3'的全部行。

3、設置值（賦值）

賦值操做在上述選擇操做的基礎上直接賦值便可。
例a.loc[:,['a','c']]=9 即將a和c列的全部行中的值設置爲9
a.iloc[:,[1,3]]=9 也表示將a和c列的全部行中的值設置爲9

同時也依然能夠用條件來直接賦值
a[a>0]=-a 表示將a中全部大於0的數轉化爲負值

4、缺失值處理

在pandas中，使用np.nan來代替缺失值，這些值將默認不會包含在計算中。

1.reindex()方法
用來對指定軸上的索引進行改變/增長/刪除操做，這將返回原始數據的一個拷貝。
a.reindex(index=list(a.index)+['five'],columns=list(a.columns)+['d'])

a.reindex(index=['one','five'],columns=list(a.columns)+['d'])

即用index=[]表示對index進行操做，columns表對列進行操做。

** 2.對缺失值進行填充**
a.fillna(value=x)
表示用值爲x的數來對缺失值進行填充

** 3.去掉包含缺失值的行**
a.dropna(how='any')
表示去掉全部包含缺失值的行

5、合併

1.contact
contact(a1,axis=0/1，keys=['xx','xx','xx',...])，其中a1表示要進行進行鏈接的列表數據,axis=1時表橫着對數據進行鏈接。axis=0或不指定時，表將數據豎着進行鏈接。a1中要鏈接的數據有幾個則對應幾個keys，設置keys是爲了在數據鏈接之後區分每個原始a1中的數據。

例：a1=[b['a'],b['c']]
result=pd.concat(a1,axis=1，keys=['1','2'])

2.Append 將一行或多行數據鏈接到一個DataFrame上
a.append(a[2:],ignore_index=True)
表示將a中的第三行之後的數據所有添加到a中，若不指定ignore_index參數，則會把添加的數據的index保留下來，若ignore_index=Ture則會對全部的行從新自動創建索引。

3.merge相似於SQL中的join
設a1,a2爲兩個dataframe,兩者中存在相同的鍵值，兩個對象鏈接的方式有下面幾種：
(1)內鏈接，pd.merge(a1, a2, on='key')
(2)左鏈接，pd.merge(a1, a2, on='key', how='left')
(3)右鏈接，pd.merge(a1, a2, on='key', how='right')
(4)外鏈接， pd.merge(a1, a2, on='key', how='outer')
至於四者的具體差異，具體學習參考sql中相應的語法。

6、分組（groupby）

用pd.date_range函數生成連續指定天數的的日期
pd.date_range('20000101',periods=10)

def shuju(): data={ 'date':pd.date_range('20000101',periods=10), 'gender':np.random.randint(0,2,size=10), 'height':np.random.randint(40,50,size=10), 'weight':np.random.randint(150,180,size=10) } a=DataFrame(data) print(a) date gender height weight 0 2000-01-01 0 47 165 1 2000-01-02 0 46 179 2 2000-01-03 1 48 172 3 2000-01-04 0 45 173 4 2000-01-05 1 47 151 5 2000-01-06 0 45 172 6 2000-01-07 0 48 167 7 2000-01-08 0 45 157 8 2000-01-09 1 42 157 9 2000-01-10 1 42 164 用a.groupby('gender').sum()獲得的結果爲： #注意在python中groupby(''xx)後要加sum()，否則顯示 不了數據對象。 gender height weight 0 256 989 1 170 643 

此外用a.groupby('gender').size()能夠對各個gender下的數目進行計數。

因此能夠看到groupby的做用至關於：
按gender對gender進行分類，對應爲數字的列會自動求和，而爲字符串類型的列則不顯示；固然也能夠同時groupby(['x1','x2',...])多個字段，其做用與上面相似。

7、Categorical按某一列從新編碼分類

如六中要對a中的gender進行從新編碼分類，將對應的0，1轉化爲male，female，過程以下：

a['gender1']=a['gender'].astype('category') a['gender1'].cat.categories=['male','female'] #即將0，1先轉化爲category類型再進行編碼。 print(a)獲得的結果爲： date gender height weight gender1 0 2000-01-01 1 40 163 female 1 2000-01-02 0 44 177 male 2 2000-01-03 1 40 167 female 3 2000-01-04 0 41 161 male 4 2000-01-05 0 48 177 male 5 2000-01-06 1 46 179 female 6 2000-01-07 1 42 154 female 7 2000-01-08 1 43 170 female 8 2000-01-09 0 46 158 male 9 2000-01-10 1 44 168 female 

因此能夠看出從新編碼後的編碼會自動增長到dataframe最後做爲一列。

8、相關操做

描述性統計：
1.a.mean() 默認對每一列的數據求平均值；若加上參數a.mean(1)則對每一行求平均值；

2.統計某一列x中各個值出現的次數：a['x'].value_counts()；

3.對數據應用函數
a.apply(lambda x:x.max()-x.min())
表示返回全部列中最大值-最小值的差。

4.字符串相關操做
a['gender1'].str.lower() 將gender1中全部的英文大寫轉化爲小寫，注意dataframe沒有str屬性，只有series有，因此要選取a中的gender1字段。

9、時間序列

在六中用pd.date_range('xxxx',periods=xx,freq='D/M/Y....')函數生成連續指定天數的的日期列表。
例如pd.date_range('20000101',periods=10),其中periods表示持續頻數；
pd.date_range('20000201','20000210',freq='D')也能夠不指定頻數，只指定起始日期。

此外若是不指定freq，則默認從起始日期開始，頻率爲day。其餘頻率表示以下：

1.png

10、畫圖(plot)

在pycharm中首先要：import matplotlib.pyplot as plt a=Series(np.random.randn(1000),index=pd.date_range('20100101',periods=1000)) b=a.cumsum() b.plot() plt.show() #最後必定要加這個plt.show()，否則不會顯示出圖來。 

2.PNG

也可使用下面的代碼來生成多條時間序列圖：

a=DataFrame(np.random.randn(1000，4),index=pd.date_range('20100101',periods=1000),columns=list('ABCD')) b=a.cumsum() b.plot() plt.show() 

3.png

11、導入和導出文件

寫入和讀取excel文件
雖然寫入excel表時有兩種寫入xls和csv，但建議少使用csv，否則在表中調整數據格式時，保存時一直詢問你是否保存新格式，很麻煩。而在讀取數據時，若是指定了哪一張sheet，則在pycharm又會出現格式不對齊。

還有將數據寫入表格中時，excel會自動給你在表格最前面增長一個字段，對數據行進行編號。

a.to_excel(r'C:\\Users\\guohuaiqi\\Desktop\\2.xls',sheet_name='Sheet1') a=pd.read_excel(r'C:\\Users\\guohuaiqi\\Desktop\\2.xls','Sheet1',na_values=['NA']) 注意sheet_name後面的Sheet1中的首字母大寫；讀取數據時，能夠指定讀取哪一張表中的數據，而 且對缺失值補上NA。 最後再附上寫入和讀取csv格式的代碼： a.to_csv(r'C:\\Users\\guohuaiqi\\Desktop\\1.csv'，sheet_name='Sheet1') a=pd.read_csv(r'C:\\Users\\guohuaiqi\\Desktop\\1.csv',na_values=['NA'])

做者：是藍先生連接：https://www.jianshu.com/p/682c24aef525來源：簡書著做權歸做者全部。商業轉載請聯繫做者得到受權，非商業轉載請註明出處。