pandas是python环境下最有名的数据统计包，而DataFrame翻译为数据框，是一种数据组织方式，这么说你可能无法从感性上认识它，举个例子，你大概用过Excel，而它也是一种数据组织和呈现的方式，简单说就是表格，而在在pandas中用DataFrame组织数据，如果你不print DataFrame，你看不到这些数据。
pandas和numpy的区别：
1.numpy是数值计算的扩展包，panadas是做数据处理。
2.NumPy简介：N维数组容器NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。据说NumPy将Python相当于变成一种免费的更强大的MatLab系统。
Pandas简介：表格容器 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量快速便捷地处理数据的函数和方法。使Python成为强大而高效的数据分析环境的重要因素之一。
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- 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
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
- 8
2、数据表信息查看
1、维度查看：
df.shape
- 1
- 2
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
- 2
3、每一列数据的格式：
df.dtypes
- 1
- 2
4、某一列格式：
df['B'].dtype
- 1
- 2
5、空值：
df.isnull()
- 1
- 2
6、查看某一列空值：
df.isnull()
- 1
- 2
7、查看某一列的唯一值：
df['B'].unique()
- 1
- 2
8、查看数据表的值：
df.values
9、查看列名称：
df.columns
- 1
- 2
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
- 3
三、数据表清洗
1、用数字0填充空值：
df.fillna(value=0)
- 1
- 2
2、使用列prince的均值对NA进行填充：
df['prince'].fillna(df['prince'].mean())
- 1
- 2
3、清楚city字段的字符空格：
df['city']=df['city'].map(str.strip)
- 1
- 2
4、大小写转换：
df['city']=df['city'].str.lower()
- 1
- 2
5、更改数据格式：
df['price'].astype('int')
- 1
- 2
6、更改列名称：
df.rename(columns={'category': 'category-size'})
- 1
- 2
7、删除后出现的重复值：
df['city'].drop_duplicates()
- 1
- 2
8、删除先出现的重复值：
df['city'].drop_duplicates(keep='last')
- 1
- 2
9、数据替换：
df['city'].replace('sh', 'shanghai')
- 1
- 2
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
- 5
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
- 5
2、设置索引列
df_inner.set_index('id')
- 1
- 2
3、按照特定列的值排序：
df_inner.sort_values(by=['age'])
- 1
- 2
4、按照索引列排序：
df_inner.sort_index()
- 1
- 2
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
- 2
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
- 2
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
- 2
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
- 2
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
2、按索引提取区域行数值
df_inner.iloc[0:5]
- 1
- 2
3、重设索引
df_inner.reset_index()
- 1
- 2
4、设置日期为索引
df_inner=df_inner.set_index('date')
- 1
- 2
5、提取4日之前的所有数据
df_inner[:'2013-01-04']
- 1
- 2
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
- 2
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
- 2
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
- 2
9、判断city列的值是否为北京
df_inner['city'].isin(['beijing'])
- 1
- 2
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
- 2
11、提取前三个字符，并生成数据表
pd.DataFrame(category.str[:3])
- 1
- 2
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
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
- 2
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
- 2
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
- 2
5、使用query函数进行筛选
df_inner.query('city == ["beijing", "shanghai"]')
- 1
- 2
6、对筛选后的结果按prince进行求和
df_inner.query('city == ["beijing", "shanghai"]').price.sum()
- 1
- 2
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
2、按城市对id字段进行计数
df_inner.groupby('city')['id'].count()
- 1
- 2
3、对两个字段进行汇总计数
df_inner.groupby(['city','size'])['id'].count()
- 1
- 2
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
- 2
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
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
3、采样后不放回
df_inner.sample(n=6, replace=False)
- 1
- 2
4、采样后放回
df_inner.sample(n=6, replace=True)
- 1
- 2
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
- 2
6、计算列的标准差
df_inner['price'].std()
- 1
- 2
7、计算两个字段间的协方差
df_inner['price'].cov(df_inner['m-point'])
- 1
- 2
8、数据表中所有字段间的协方差
df_inner.cov()
- 1
- 2
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
- 2
10、数据表的相关性分析
df_inner.corr()
- 1
- 2
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
2、写入到CSV
df_inner.to_csv('excel_to_python.csv') 
1147
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
