使用前导入pandas和numpy。
import numpy as np
import pandas as pd
然后读取文件
df1=pd.read_csv("df_train_al.csv")
df2=pd.read_excel("C:/Users/X/Jupyter_file/B题/附件/附件1.xlsx",sheet_name="安徽省")
dates = pd.read_csv('dates.txt',names=['coll','col2'],header=None)
创建1个数组举例
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'])
二、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、检查数据表中每个元素是否为空值:
df.isnull()
6、查看某一列空值:
df['price'].isnull()
7、查看某一列去重后的数据:
df['B'].unique()
8、查看数据表所有的值:
df.values
9、查看列名称:
df.columns
10、查看前5行数据、后5行数据:
df.head() #默认前5行数据
df.tail() #默认后5行数据
三、数据表去NaN
1、用数字0填充空值:
df.fillna(value=0)
2、取出一列并使用列prince的均值对NA进行填充:
df['price'].fillna(df['price'].mean())
3、清除city字段的字符空格:
df['city']=df['city'].map(str.strip)
例子中的'Beijing '就会变成'Beijing'
4、大小写转换:
df['city']=df['city'].str.lower()
5、更改数据格式:
df['price'].astype('int')
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
①pd.merge()解决左右拼接
df_inner=pd.merge(df,df1,how='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')
how='inner'的时候显示两表匹配信息,与交集相似
how='left'的时候是保留左表,把两个表匹配的内容显示出来,左表有但右表没有的显示NaN。how='right'是保留左表,把两个表匹配的内容显示出来,左表有但右表没有的显示NaN。
②pd.concat可解决上下拼接
pd.concat(
objs,
axis=0,
join='outer',
ignore_index=False,
keys=None,
levels=None,
names=None,
verify_integrity=False,
copy=True)
-
objs:Series,DataFrame或Panel对象的序列或映射,如果传递了dict,则排序的键将用作键参数
-
axis:{0,1,...},默认为0,也就是纵向上进行合并。沿着连接的轴。
-
join:{'inner','outer'},默认为“outer”。如何处理其他轴上的索引。outer为联合和inner为交集。
-
ignore_index:boolean,default False。如果为True,请不要使用并置轴上的索引值。结果轴将被标记为0,...,n-1。如果要连接其中并置轴没有有意义的索引信息的对象,这将非常有用。注意,其他轴上的索引值在连接中仍然受到尊重。
-
keys:序列,默认值无。使用传递的键作为最外层构建层次索引。如果为多索引,应该使用元组。
-
levels:序列列表,默认值无。用于构建MultiIndex的特定级别(唯一值)。否则,它们将从键推断。
-
names:list,default无。结果层次索引中的级别的名称。
-
verify_integrity:boolean,default False。检查新连接的轴是否包含重复项。这相对于实际的数据串联可能是非常昂贵的。
-
copy:boolean,default True。如果为False,请勿不必要地复制数据。
2、设置索引列
df_inner.set_index('id')
3、按照特定列的值排序:
df_inner.sort_values(by=['age'])
4、按照索引列排序:
df_inner.sort_index()