Pandas之DataFrame练习笔记
2016-11-15 本文已影响813人
treelake
在 Matplotlib 和 NumPy 之外最流行的数据科学库就是 Pandas了。
在线尝试 Pandas Tutorial: DataFrames in Python。
最好的入门是10 Minutes to pandas，Pandas让数据操作更为便捷，从读取到保存都十分的简洁。比如看
读取文件
- 读取CSV
import pandas as pd
pd.read_csv('myDataFrame.csv')
- 读取Excel
pd.read_excel('myDataFrame.xlsx', 'Sheet1', index_col=None, na_values=['NA'])
存储到文件
df.to_csv('myDataFrame.csv', sep='\t', encoding='utf-8')
df.to_excel('myDataFrame.xlsx', sheet_name='Sheet1')
Pandas logo
引入库
import pandas as pd
import numpy as np
numpy重温
-
np.ndarray是实际的数据类型，而np.array()是一个从其他数据结构创建numpy数组的函数。 -
结构化数组允许用户通过命名字段操作数据：在下面的示例中，创建了一个包含两个元组的结构化数组。每个元组的第一个元素称为“x”，为浮点类型，而第二个元素被命名为“y”，并且设置为整型。
此外，利用record array我们还可以对数组中的字段进行属性访问。
x = np.array([(1.0, 2), (3.0, 4)], dtype=[('x', float), ('y', int)])
# array([(1.0, 2), (3.0, 4)],
# dtype=[('x', '<f8'), ('y', '<i4')])
type(x)
# numpy.ndarray
x['x']
# array([ 1., 3.])
# View the array as a record array:
x = x.view(np.recarray)
x.x
# array([ 1., 3.])
x.y
# array([2, 4])
生成Pandas DataFrame
- 对于DataFrame我们可以自由地指定行索引(index )名称和列(column)名。行索引名指示行的差异，列名指示列的差异。
# 从np.array 转换为 pd.DataFrame
data = np.array([['','Col1','Col2'],
['Row1',1,2],
['Row2',3,4]])
# array([['', 'Col1', 'Col2'],
# ['Row1', '1', '2'],
# ['Row2', '3', '4']],
# dtype='<U4')
pd.DataFrame(data=data[1:,1:],
index=data[1:,0],
columns=data[0,1:])
# Col1 Col2
# Row1 1 2
# Row2 3 4
### 此外还有多种方式
# 直接采用字典做参数
my_dict = {1: ['1', '3'], 2: ['1', '2'], 3: ['2', '4']}
print(pd.DataFrame(my_dict))
# 1 2 3
# 0 1 1 2
# 1 3 2 4
# 用一个DataFrame做输入参数
my_df = pd.DataFrame(data=[4,5,6,7], index=range(0,4), columns=['A'])
print(pd.DataFrame(my_df))
# A
# 0 4
# 1 5
# 2 6
# 3 7
# 输入一个Series
my_series = pd.Series({"United Kingdom":"London", "India":"New Delhi", "United States":"Washington", "Belgium":"Brussels"})
print(pd.DataFrame(my_series))
# 0
# Belgium Brussels
# India New Delhi
# United Kingdom London
# United States Washington
如何选取元素
a = np.array([['' ,'A','B','C'],
['x' , 1 , 2 , 3],
['y' , 4 , 5 , 6],
['z' , 7 , 8 , 9]])
df = pd.DataFrame(data=a[1:,1:], index=a[1:,0], columns=a[0,1:])
# A B C
# x 1 2 3
# y 4 5 6
# z 7 8 9
# 选取index='x', column='A'的值为1的元素，
df.iloc[0][0]
df.loc['x']['A']
df.at['x','A']
df.iat[0,0]
df.get_value('x', 'A')
# 选取第一行
df.iloc[0]
# 选取A列
df.loc[:,'A']
df['A']
# 如果不指定行名，则有所区别
df2 = pd.DataFrame(data=a[1:,1:], columns=a[0,1:])
# A B C
# 0 1 2 3
# 1 4 5 6
# 2 7 8 9
# 以字符串索引的改为以数字索引
df2.loc[0]['A']
df2.at[0,'A']
df2.get_value(0, 'A')
# 此外 df.ix() 的选取方式更为灵活
元素替换
df = pd.DataFrame({'Student1':['OK', 'Awful', 'Acceptable'],
'Student2':['Perfect', 'Awful', 'OK'],
'Student3':['Acceptable', 'Perfect', 'Poor']})
# Student1 Student2 Student3
# 0 OK Perfect Acceptable
# 1 Awful Awful Perfect
# 2 Acceptable OK Poor
df.replace(['Awful', 'Poor', 'OK', 'Acceptable', 'Perfect'], [0, 30, 60, 80, 100])
# Student1 Student2 Student3
# 0 60 100 80
# 1 0 0 100
# 2 80 60 30
行列名重命名
a = np.array([['' ,'A','B','C'],
['x' , 1 , 2 , 3],
['y' , 4 , 5 , 6],
['z' , 7 , 8 , 9]])
df = pd.DataFrame(data=a[1:,1:], index=a[1:,0], columns=a[0,1:])
# 定义旧名称到新名称的映射字典
newcols = {
'A': 'new_column_1',
'B': 'new_column_2',
'C': 'new_column_3'
}
# 使用rename()函数重命名列
df.rename(columns=newcols, inplace=True)
# 重命名行标
df.rename(index={'x': 'a'})
# new_column_1 new_column_2 new_column_3
# a 1 2 3
# y 4 5 6
# z 7 8 9
删除行
df
# A B C
# x 1 2 3
# y 4 5 6
# z 7 8 9
df.drop(df.index[1])
# A B C
# x 1 2 3
# z 7 8 9
删除列
df
# A B C
# x 1 2 3
# y 4 5 6
# z 7 8 9
# Drop the column with label 'A'
df.drop('A', axis=1, inplace=True)
# B C
# x 2 3
# y 5 6
# z 8 9
# Drop the column at position 1
df.drop(df.columns[[1]], axis=1)
# B
# x 2
# y 5
# z 8
去重行
# 48 49 50 50
# 2.5 1 2 3 4
# 12.6 4 5 6 5
# 4.8 7 8 9 6
# 4.8 23 50 60 7
# 2.5 23 35 37 23
df.drop_duplicates([48], keep='last')
# 48 49 50 50
# 2.5 1 2 3 4
# 12.6 4 5 6 5
# 4.8 7 8 9 6
# 2.5 23 35 37 23
去重行二
df = pd.DataFrame(data=np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [40, 50, 60], [23, 35, 37]]),
index= [2.5, 12.6, 4.8, 4.8, 2.5],
columns=[48, 49, 50])
# 48 49 50
# 2.5 1 2 3
# 12.6 4 5 6
# 4.8 7 8 9
# 4.8 40 50 60
# 2.5 23 35 37
df.reset_index().drop_duplicates(subset='index', keep='last').set_index('index')
# 48 49 50
# index
# 12.6 4 5 6
# 4.8 40 50 60
# 2.5 23 35 37
按行迭代处理
a = np.array([['' ,'A','B','C'],
['x' , 1 , 2 , 3],
['y' , 4 , 5 , 6],
['z' , 7 , 8 , 9]])
df = pd.DataFrame(data=a[1:,1:], index=a[1:,0], columns=a[0,1:])
for index, row in df.iterrows() :
print(row['A'], row['B'])
# 1 2
# 4 5
# 7 8
将函数应用于行或列
doubler = lambda x: x*2
df['A'].apply(doubler)
# x 11
# y 44
# z 77
# Name: A, dtype: object
df['A'].map({'1':'xx', '4':8, '7':(0,1)})
# x xx
# y 8
# z (0, 1)
# Name: A, dtype: object
df.applymap(doubler)
# A B C
# x 11 22 33
# y 44 55 66
# z 77 88 99
数据的重新组织
products = pd.DataFrame({'category': ['Cleaning', 'Cleaning', 'Entertainment', 'Entertainment', 'Tech', 'Tech'],
'store': ['Walmart', 'Dia', 'Walmart', 'Fnac', 'Dia','Walmart'],
'price':[11.42, 23.50, 19.99, 15.95, 19.99, 111.55],
'testscore': [4, 3, 5, 7, 5, 8]})
# category price store testscore
# 0 Cleaning 11.42 Walmart 4
# 1 Cleaning 23.50 Dia 3
# 2 Entertainment 19.99 Walmart 5
# 3 Entertainment 15.95 Fnac 7
# 4 Tech 19.99 Dia 5
# 5 Tech 111.55 Walmart 8
# 选取数据中的category为新纵轴，store为新横轴，显示值price
products.pivot(index='category', columns='store', values='price')
# store Dia Fnac Walmart
# category
# Cleaning 23.50 NaN 11.42
# Entertainment NaN 15.95 19.99
# Tech 19.99 NaN 111.55
# 不指定显示值时将剩余数据都显示出来
products.pivot(index='category', columns='store')
# price testscore
# store Dia Fnac Walmart Dia Fnac Walmart
# category
# Cleaning 23.50 NaN 11.42 3.0 NaN 4.0
# Entertainment NaN 15.95 19.99 NaN 7.0 5.0
# Tech 19.99 NaN 111.55 5.0 NaN 8.0
从文件中导入数据时识别日期
import pandas as pd
dateparser = lambda x: pd.datetime.strptime(x, '%Y-%m-%d %H:%M:%S')
# 'columnName'为日期所在列名
pd.read_csv(infile, parse_dates=['columnName'], date_parser=dateparse)
# 或者将两列合并成单个日期时间列
pd.read_csv(infile, parse_dates={'datetime': ['date', 'time']}, date_parser=dateparse)
