Pandas笔记

Series(一维数据)

import numpy as np

import pandas as pd

p = print

#通过numpy数组创建

arr = np.arange(2, 6)

arr = pd.Series(arr)

p(arr)

#通过Python数组创建---此种方式允许索引重复

arr = pd.Series([10,20,30],index=['01','01','03'])

p(arr)

#通过Python字典创建

arr = pd.Series({"001":100,"002":200,"003":300})

p(arr)

DataFrame(多特征数据,既有行索引,又有列索引)

# 创建一个DataFrame类型数据

data_3_4 = pd.DataFrame(np.arange(12).reshape(3, 4))

# 打印数据

p(data_3_4)

p('\n')

# 打印第一行数据

p(data_3_4[:1])

p('\n')

# 打印第一列数据

p(data_3_4[:][0])

# 读取数据

result = pd.read_csv("./data.csv")

# 数据的形状

result.shape

# 每列数据的 类型信息

result.dtypes

# 数据的维数

result.ndim

# 数据的索引(起/始/步长)

result.index

# 打印每一列 属性的名称

result.columns

# 将数据放到数组中显示

result.values

# 打印前5个

p("-->前5个:")

p(result.head(5))

# 打印后5个

p("-->后5个:")

p(result.tail(5))

# 打印描述信息(实验中好用)

p("-->描述信息:")

p(result.describe())

Panda读取文件数据

pandas.read_csv(filepath_or_buffer, sep=",", names=None, usecols = None)

filepath_or_buffer : 文件路径(本地路径或url路径)

sep: 分隔符

names: 列索引的名字

usecols: 指定读取的列名

返回的类型: DataFrame

----------------------------

转换分组聚合等功能后续使用补充

---------------------------------------

[转]https://blog.csdn.net/liufang0001/article/details/77856255/

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：

importnumpyasnpimportpandasaspd

1

2

2、导入CSV或者xlsx文件：

df = pd.DataFrame(pd.read_csv('name.csv',header=1))

df = pd.DataFrame(pd.read_excel('name.xlsx'))

1

2

3、用pandas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]},

  columns =['id','date','city','category','age','price'])

1

2

3

4

5

6

7

2、数据表信息查看 

1、维度查看：

df.shape

1

2、数据表基本信息（维度、列名称、数据格式、所占空间等）：

df.info()

1

3、每一列数据的格式：

df.dtypes

1

4、某一列格式：

df['B'].dtype

1

5、空值：

df.isnull()

1

6、查看某一列空值：

df.isnull()

1

7、查看某一列的唯一值：

df['B'].unique()

1

8、查看数据表的值： 

df.values 

9、查看列名称：

df.columns

1

10、查看前10行数据、后10行数据：

df.head() #默认前10行数据

df.tail()    #默认后10 行数据

1

2

三、数据表清洗 

1、用数字0填充空值：

df.fillna(value=0)

1

2、使用列prince的均值对NA进行填充：

df['prince'].fillna(df['prince'].mean())

1

3、清楚city字段的字符空格：

df['city']=df['city'].map(str.strip)

1

4、大小写转换：

df['city']=df['city'].str.lower()

1

5、更改数据格式：

df['price'].astype('int')     

1

6、更改列名称：

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

1

7、删除后出现的重复值：

df['city'].drop_duplicates()

1

8、删除先出现的重复值：

df['city'].drop_duplicates(keep='last')

1

9、数据替换：

df['city'].replace('sh', 'shanghai')

1

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

2

3

4

1、数据表合并

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

1

2

3

4

2、设置索引列

df_inner.set_index('id')

1

3、按照特定列的值排序：

df_inner.sort_values(by=['age'])

1

4、按照索引列排序：

df_inner.sort_index()

1

5、如果prince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')

1

6、对复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

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

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

1

8、将完成分裂后的数据表和原df_inner数据表进行匹配

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

1

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

df_inner.loc[3]

1

2、按索引提取区域行数值

df_inner.iloc[0:5]

1

3、重设索引

df_inner.reset_index()

1

4、设置日期为索引

df_inner=df_inner.set_index('date')

1

5、提取4日之前的所有数据

df_inner[:'2013-01-04']

1

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。

1

7、适应iloc按位置单独提起数据

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

1

8、使用ix按索引标签和位置混合提取数据

df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前，前四列数据

1

9、判断city列的值是否为北京

df_inner['city'].isin(['beijing'])

1

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

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

1

11、提取前三个字符，并生成数据表

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

1

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']]

1

2、使用“或”进行筛选

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

1

3、使用“非”条件进行筛选

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

1

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()

1

5、使用query函数进行筛选

df_inner.query('city == ["beijing", "shanghai"]')

1

6、对筛选后的结果按prince进行求和

df_inner.query('city == ["beijing", "shanghai"]').price.sum()

1

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()

1

2、按城市对id字段进行计数

df_inner.groupby('city')['id'].count()

1

3、对两个字段进行汇总计数

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

1

4、对city字段进行汇总，并分别计算prince的合计和均值

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

1

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

df_inner.sample(n=3)

1

2、手动设置采样权重

weights = [0, 0, 0, 0, 0.5, 0.5]

df_inner.sample(n=2, weights=weights)

1

2

3、采样后不放回

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

1

4、采样后放回

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

1

5、 数据表描述性统计

df_inner.describe().round(2).T #round函数设置显示小数位，T表示转置

1

6、计算列的标准差

df_inner['price'].std()

1

7、计算两个字段间的协方差

df_inner['price'].cov(df_inner['m-point'])

1

8、数据表中所有字段间的协方差

df_inner.cov()

1

9、两个字段的相关性分析

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

1

10、数据表的相关性分析

df_inner.corr()

1

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')

1

2、写入到CSV

-------------

顺带转一个matplotlib：https://www.cnblogs.com/nxld/p/7435930.html