成都大数据分析师培训：数据分析的常用的23个代码

      给数据分析师的23个Pandas代码，可以帮助大家更好地理解数据！Pandas这是一个开源的，BSD许可的库，为Python编程语言提供高性能，易于使用的数据结构和数据分析工具，一起了解一下。

基础数据集信息

1.读入 CSV 数据集，pd.DataFrame.from_csv(“csv_file”)

2.读入 Excel 数据集，pd.read_excel("excel_file")

3.直接把数据写入 CSV如数据以逗号分隔，且没有索引：df.to_csv("data.csv", sep=",", index=False)

4.基础数据集特征信息，df.info()

5.基础数据集统计结果print(df.describe())

6.以表格形式打印数据，print(tabulate(print_table, headers=headers))其中“print_table”是一列list，“headers”是一7.列字符串抬头，列出列名称,df.columns

基本数据处理 

8．删除缺失的数据，df.dropna(axis=0, how='any')，返回给定轴上标签的对象，逐个丢掉相应数据。

9.替换丢失的数据，df.replace(to_replace=None, value=None)用“value”的值替换“to_replace”中给出的值。

10.检查 NAN，pd.isnull(object)，检测缺失值（有数值数组中的NaN，对象数组中的None和NaN）

11.删除特征，df.drop('feature_variable_name', axis=1)，轴为 0 代表行，1 代表列

12.将对象类型转换为 float，pd.to_numeric(df["feature_name"], errors='coerce')，将对象类型转换为数字型以便计算（如果它们是字符串的话）

13.将数据转换为 Numpy 数组，df.as_matrix()

14．获取数据的头“n”行，df.head(n)

15.按特征名称获取数据，df.loc[feature_name]

操作数据

16.将函数应用于数据，这个函数将数据里“height”一列中的所有值乘以2，df["height"].apply(lambda height: 2 height)或：def multiply(x): return x 2df["height"].apply(multiply) 17.重命名数据列，这里我们将数据的第3列重命名为“size” df.rename(columns = {df.columns[2]:'size'}, inplace=True)

18.单独提取某一列，这里我们单独得到“name”一列，df["name"].unique()

......

原文 ：数据分析常用的23个代码    

成都加米谷教育，专注于大数据人才培养，9月下旬数据分析与挖掘培训班新课正在火热咨询报名中，大数据开发新课咨询中，双节特惠，活动好礼可叠加使用！