pandas基础

第一章：数据载入及初步观察

1.1：载入数据

1.1.1：导入numpy和pandas

import numpy as np
import pandas as pd

1.1.2：导入数据

#相对路径导入数据
pd.read_csv('train.csv') #使用相对路径载入数据
df.shape #查看数据行和列
df.head() #查看头部和尾部数据
df.T #将数据转置

#绝对路径导入数据
import os 
os.path.abspath('train.csv') #查看数据的绝对路径
path = os.path.abspath('train.csv')
pd.read_csv(path)

#pd.read_table
pd.read_table(path) #用表格进行数据的分隔
pd.read_table(path) #用，进行数据的分隔，结果与pd.read_csv相似

1.1.3：每1000行为一个数据模块，逐块读取

df = pd.read_csv('train.csv', chunksize=1000) #将1000列数据分为一块
df.get_chunk() #运行一次读取一块数据

1.1.4：将表头改成中文，索引改为乘客ID

df = pd.read_csv('train.csv')
df.columns = ['乘客ID','是否幸存','乘客等级(1/2/3等舱位)','乘客姓名','性别','年龄','堂兄弟/妹个数','父母与小孩个数','船票信息','票价','客舱','登船港口'] #用中文表头替代

df = pd.read_csv('train.csv', names=['乘客ID','是否幸存','乘客等级(1/2/3等舱位)','乘客姓名','性别','年龄','堂兄弟/妹个数','父母与小孩个数','船票信息','票价','客舱','登船港口']) #增加表头

1.2：初步观察

1.2.1：查看数据的基本信息

df.info():          # 打印摘要
df.describe():      # 描述性统计信息
df.values:          # 数据 <ndarray>
df.to_numpy()       # 数据 <ndarray> (推荐)
df.shape:           # 形状 (行数, 列数)
df.columns:         # 列标签 <Index>
df.columns.values:  # 列标签 <ndarray>
df.index:           # 行标签 <Index>
df.index.values:    # 行标签 <ndarray>
df.head(n):         # 前n行
df.tail(n):         # 尾n行
pd.options.display.max_columns=n: # 最多显示n列
pd.options.display.max_rows=n:    # 最多显示n行
df.memory_usage():                # 占用内存(字节B)

1.2.2：观察表格前10行的数据和后15行的数据

df.tail(15) #倒数15行
df.head(10) #开头10行

1.2.3：判断数据是否为空，为空的地方返回True，其余地方返回False

pd.isnumll 

1.3：保存数据

1.3.1：将你加载并做出改变的数据，在工作目录下保存为一个新文件train_chinese.csv

df.to_csv('train_chinese.csv')

1.4：知道你的数据叫什么

1.4.1：pandas中有两个数据类型DateFrame和Series

import numpy as np
import pandas as pd

sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
example_1 = pd.Series(sdata) #一种类似于一维数组的对象
example_1

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada', 'Nevada'],
        'year': [2000, 2001, 2002, 2001, 2002, 2003],'pop': [1.5, 1.7, 3.6, 2.4, 2.9, 3.2]}
example_2 = pd.DataFrame(data) #一个表格型的数据结构
example_2

1.4.2：根据上节课的方法载入"train.csv"文件

df = pd.read_csv('/Users/chenandong/Documents/datawhale数据分析每个人题目设计/titanic/train.csv')
df.head() #查看所有列

1.4.3：查看DataFrame数据的每列的名称

df.columns

1.4.4：查看"Cabin"这列的所有值

df['Cabin'].head()

df.Cabin.head()
type(df.Cabin)

1.4.5：加载文件"test_1.csv"，然后对比"train.csv"，看看有哪些多出的列，然后将多出的列删除

test_1 = pd.read_csv('test_1.csv')
test_1.head() #

# 删除a的列
del test_1['a']

test_1.pop('a')

test_1.drop(['a'],axis=1) #返回的是副本
test_1.drop(['a'],axis=1,inplace=True) #返回的是test_1，不是副本

1.4.6： 将[‘PassengerId’,‘Name’,‘Age’,‘Ticket’]这几个列元素隐藏，只观察其他几个列元素

test_1.drop(['PassengerId','Name','Age','Ticket'],axis=1)
test_1.head()

1.5：筛选的逻辑

1.5.1：我们以"Age"为筛选条件，显示年龄在10岁以下的乘客信息

test_1["Age"] < 10 #返回true or false
test_1[test_1["Age"]<10] #返回表格信息

1.5.2：以"Age"为条件，将年龄在10岁以上和50岁以下的乘客信息显示出来，并将这个数据命名为midage

midage = test_1[(test_1["Age"]>10) & (test_1["Age"]<50)]
midage.head()

1.5.3：将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来

midage = midage.reset_index(drop=True) #这个索引不连续
midage.head()

midage.loc[[100],['Pclass','Sex']]

1.5.4：使用loc方法将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

midage.loc[[100,105,108],['Pclass','Name','Sex']] 

1.5.5：使用iloc方法将midage的数据中第100，105，108行的"Pclass"，"Name"和"Sex"的数据显示出来

midage.iloc[[100,105,108],[2,3,4]] #内容对应列数，从0列开始

1.6了解你的数据吗？

1.6.1：利用Pandas对示例数据进行排序，要求升序

frame = pd.DataFrame(np.random.randn(3,3), 
                     index=list('123'), 
                     columns=list('acb'))
frame
frame.sort_values('b')

# 让行索引升序排序
frame.sort_index() 

# 让列索引升序排序
frame.sort_index(axis=1)

# 让列索引降序排序
frame.sort_index(axis=1, ascending=False)

# 让任选两列数据同时降序排序
frame.sort_values(by=['a', 'c'], ascending=False)

1.6.2：对泰坦尼克号数据（trian.csv）按票价和年龄两列进行综合排序（降序排列），从数据中你能发现什么

text.sort_values(by=['票价', '年龄'], ascending=False)
text.sort_values(by=['年龄', '票价'], ascending=False)

1.6.3：利用Pandas进行算术计算，计算两个DataFrame数据相加结果

x = pd.DataFrame(np.random.randn(3,3), 
                     index=list('123'), 
                     columns=list('acb'))
y = pd.DataFrame(np.random.randn(3,3), 
                     index=list('423'), 
                     columns=list('acf'))
x + y #只有行和列完全相同的才会相加

1.6.4：通过泰坦尼克号数据如何计算出在船上最大的家族有多少人？

max(text['兄弟姐妹个数'] + text['父母子女个数'])

1.6.5：学会使用Pandas describe()函数查看数据基本统计信息

df.describe()

from matplotlib pyplot as plt
plt.hist(df['年龄']) #直方图

1.6.6：分别看看泰坦尼克号数据集中 票价、父母子女 这列数据的基本统计数据，你能发现什么？

df['票价'].describe()
text['父母子女个数'].describe()