pandas 基础用法大全(入门首选)

本文转载于:pandas用法大全,并在原文的基础上修复了部分问题并配了相应代码执行输出的结果。

另一篇加强练习篇:[pandas 百题大冲关](pandas 百题大冲关_ystraw_ah的博客-CSDN博客)

目录

概念梳理

一、生成数据表

三、数据表清洗

四、数据预处理

五、数据提取

六、数据筛选

七、数据汇总

八、数据统计‘

九、数据输出


概念梳理:

Pandas 的数据类型主要有以下几种,它们分别是:Series(一维数组),DataFrame(二维数组),Panel(三维数组),Panel4D(四维数组),PanelND(更多维数组)。其中 Series 和 DataFrame 应用的最为广泛,几乎占据了使用频率 90% 以上。

Series 是 Pandas 中最基本的一维数组形式。其可以储存整数、浮点数、字符串等类型的数据。Series 基本结构如下:

pandas.Series(data=None, index=None)

其中,data 可以是字典,或者NumPy 里的 ndarray 对象等。index 是数据索引,索引是 Pandas 数据结构中的一大特性,它主要的功能是帮助我们更快速地定位数据。

import pandas as pd
s = pd.Series({'a': 10, 'b': 20, 'c': 30})
s

DataFrame 是 Pandas 中最为常见、最重要且使用频率最高的数据结构。DataFrame 和平常的电子表格或 SQL 表结构相似。你可以把 DataFrame 看成是 Series 的扩展类型,它仿佛是由多个 Series 拼合而成。它和 Series 的直观区别在于,数据不但具有行索引,且具有列索引

DataFrame 基本结构如下:

pandas.DataFrame(data=None, index=None, columns=None)

区别于 Series,其增加了 columns 列索引。DataFrame 可以由以下多个类型的数据构建:

  • 一维数组、列表、字典或者 Series 字典。
  • 二维或者结构化的 numpy.ndarray
  • 一个 Series 或者另一个 DataFrame。

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:

import numpy as np
import pandas as pd

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'))

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'])

4、数据表信息查看
1、维度查看:

df.shape

2、数据表基本信息(维度、列名称、数据格式、所占空间等):

df.info()

3、每一列数据的格式:

df.dtypes

4、某一列格式:

df['city'].dtype

5、空值:

df.isnull()

6、查看某一列空值:

df['price'].isnull()

7、查看某一列的唯一值:

df['city'].unique()

8、查看数据表的值(返回结果链表的形式):

df.values


9、查看列名称:

df.columns

10、查看前10行数据、后10行数据:

df.head()    #默认前5行数据
df.tail()    #默认后5行数据
df.head(3)    #前3行数据
df.tail(3)    #后3行数据

默认前五行:

查看后前三行:

三、数据表清洗

1、用数字0填充空值(注意填充之后要赋值回去才能真正改变):

df.fillna(value=0)
df = df.fillna(value=0)

2、使用列prince的均值对NA进行填充(注意填充之后要复制给df['price']才能真正改变):

df['price'] = df['price'].fillna(df['price'].mean())

3、清除city字段的字符空格:

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

4、大小写转换:

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

5、更改数据格式:

df['price'] = df['price'].astype('int')
print(df.values)  

6、更改列名称:

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

7、删除后出现的重复值:

# 为了便于演示,将shanghai 改成北京,这样就有重复的了
df['city'].at[4] = 'Beijing '
print(df.values)
# 删除后面重复值
df['city'] = df['city'].drop_duplicates()
print(df.values)

8、删除先出现的重复值:

# 为了便于演示,将shanghai 改成北京,这样就有重复的了
df['city'].at[4] = 'Beijing '
print(df.values)
df['city'] = df['city'].drop_duplicates(keep='last')
print(df.values)

9、数据替换(并不改变df中的值,需要该值时请加赋值操作):

print(df['city'].replace('shanghai', '上海'))

注意有的时候不是字符串类型的需要替换时,直接replace是不行的,下面给以Pandas列百分数转化为小数的例子:


data[u'线损率'] = data[u'线损率'].str.strip('%').astype(float)/100    #Series.astype()将对象类型转化为指定的类型

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、数据表合并

df_inner=pd.merge(df,df1,how='inner') # 匹配合并,交集)
print(df_inner) 
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

2、设置索引列

df_inner.set_index('id')

3、按照特定列的值排序:

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

4、按照索引列排序:

df_inner = df_inner.sort_index()
print(df_inner)

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')
print(df_inner)

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

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

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

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)
print(df_inner)

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

print(df_inner.loc[3]) # 提取下标为3的一整行

提取指定列:

print(data_top10.loc[:,['景点名称', '推荐', '评分', '热评数量', '玩乐数量', '评论情感得分', '综合得分']])

2、按索引提取区域行数值

print(df_inner.iloc[0:5])  # 提取下标为[0,5)的整行

3、重设索引

df_inner.reset_index()

4、设置日期为索引

df_inner=df_inner.set_index('date') 

5、提取4日之前的所有数据

df_inner = df_inner.set_index('date')
print(df_inner[:'2013-01-04'])

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。

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

8、使用ix按索引标签和位置混合提取数据(.ix is deprecated.ix已弃用。

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

9、判断city列的值是否为上海

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

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

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

11、提取前三个字符,并生成数据表

print(pd.DataFrame(df_inner['category'].str[:3]))

13、调整索引的顺序 reindex()

df.reindex(columns=['city','id','date','category','age','price'])

12、修改index、columns名的方法: 

1、使用DataFrame.index = [newName],DataFrame.columns = [newName],这两种方法可以轻松实现。
2、使用rename方法(推荐).链接

df.index = ['a', 'b', 'c', 'd', 'e', 'f']
df.columns = ['1','2','3','4','5','6']

df = df.rename(columns={'date': '日期'}) # 为某个index或者columns单独修改名称

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'] == 'shanghai'), ['id','city','age','category','gender']]

2、使用“或”进行筛选,并按age降序排列

df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'shanghai'), ['id','city','age','category','gender']].sort_values('age', ascending=False)

3、使用“非”条件进行筛选,并按id排序

print(df_inner.loc[(df_inner['city'] != 'shanghai'), ['id','city','age','category','gender']].sort_values(['id']) )

4、对筛选后的数据按city列进行计数

df_inner.loc[(df_inner['city'] != 'shanghai'), ['id','city','age','category','gender']].sort_values(['id']).city.count()

5、使用query函数进行筛选

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

6、对筛选后的结果按prince进行求和

print(df_inner.query('city == ["Shenzhen", "shanghai"]').price.sum()) # 筛选并求和
print(df_inner.price.sum()) # 全部的价格求和

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

# 为了便于演示,将shanghai 改成北京,这样就有重复的了
df_inner['city'].at[4] = 'Beijing '
# 按城市分组计数
print(df_inner.groupby('city').count())

分组后的数据结果进行提取:

    values = newdf.groupby('rating').count()['userId'].values
    index = newdf.groupby('rating').count()['userId'].index

2、按城市对id字段进行计数

# 为了便于演示,将shanghai 改成北京,这样就有重复的了
df_inner['city'].at[4] = 'Beijing '
print(df_inner.groupby('city')['id'].count())

3、对两个字段进行汇总计数

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

4、对city字段进行汇总,并分别计算prince的合计和均值

# 为了便于演示,将shanghai 改成北京,这样就有重复的了
df_inner['city'].at[4] = 'Beijing '
df_inner['price'].at[4] = 0
print(df_inner.groupby('city')['price'].agg([len, np.sum, np.mean]))

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

print('第一次运行:', df_inner.sample(n=3))
print('第二次运行', df_inner.sample(n=3))

2、手动设置采样权重

weights = [0, 0, 0, 0, 0.5, 0.5]
print('第一次运行:', df_inner.sample(n=2, weights=weights))
print('第二次运行:', df_inner.sample(n=2, weights=weights))

3、采样后不放回

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

4、采样后放回(所以下次采集的可能与上次的一样)

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

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

6、计算列的标准差

df_inner['price'].std()

7、计算两个字段间的协方差

df_inner['price'].cov(df_inner['m-point'])  # 计算price与m-point的协方差 

8、数据表中所有字段间的协方差

df_inner.cov()

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

10、数据表的相关性分析(各个数值属性之间的相关性)

df_inner.corr()

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', index=False, columns=True) # index,columns表示是否保留行或者列索引,这里是不要行索引,保留列索引

2、写入到CSV

df_inner.to_csv('excel_to_python.csv')