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)

概念梳理

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')