Pandas基本操作

本文来源：https://www.cnblogs.com/nxld/p/6756492.html

生成数据表

• 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

• 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'))

• 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'])

数据表信息查看

序号	函数	作用
1	df.shape	查看df的维度
2	df.info	查看df基本信息（维度、列名称、数据格式、所占空间等）
3	df.dtypes	查看df每一列的数据格式
4	df[‘B’].dtypes	查看df中列名为“B”列的数据格式
5	df.isnull	查找df中所有的空值
6	df["B"].isnull	查找df中某一列中所有的空值
7	df["B"].unique	查看df中某一列的唯一值
8	df.value	查看df的值
9	df.columns	查看df的列名称
10	df.index	查看df的索引
11	df.head()	查看df前10行的数据
12	df.tail()	查看df后10行的数据

数据表清洗

序号	函数	作用
1	df.fillna(value = 0)	用数字0填充df中的空值
2	df[“price”].fillna(df["price"].mean())	用price列的平均值填充df中price列的空值
3	df[“city”] = df["city"].map(str.strip)	清除city列中的空格
4	df[“city”] = df["city"].str.lower()	大写转小写
5	df[“price”].astype("int")	更改数据格式
6	df.rename(columns={"category": "category-size"})	更改列名称
7	df["city"].drop_duplicates(keep='last')	删除先出现的重复值
8	df["city"].replace("sh", "shanghai"	数据替换

数据预处理

• 创建Dataframe

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]})

• 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

• 将某列设置为索引

df_inner.set_index("id")

• 按照特定列的值排序

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

• 按照索引列排序

df_inner.sort_index()

• 如果price列的值>3000，group列显示high，否则显示low
  python中使用where函数完成数据分组。Where函数用来对数据进行判断和分组，下面的代码中我们对price列的值进行判断，将符合条件的分为一组，不符合条件的分为另一组，并使用group字段进行标记。

df_inner['group'] = np.where(df_inner['price'] > 3000, 'high', 'low')

• 如果price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')

• 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'])

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。

• 按索引提取单行的数据

df_inner.loc[3]

• 按索引提取区域行数据

df_inner.iloc[0:5]

• 重设索引

df_inner.reset_index()

• 设置日期为索引

df_inner = df_inner.set_index('date')

• 提取4日之前的所有数据

df_inner[:'2013-01-04']

• 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。

• 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

• 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

• 判断city列的值是否为北京

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

• 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'])] 

• 提取前三个字符，并生成数据表

pd.DataFrame(category.str[:3])

标题数据筛选

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。

• 使用“与”进行筛选

df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

• 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']) 

• 使用“非”条件进行筛选

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 

• 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()

• 使用query函数进行筛选

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

• 对筛选后的结果按prince进行求和

df_inner.query('city == ["beijing", "shanghai"]').price.sum()

数据汇总

主要函数是groupby和pivote_table

• 对所有的列进行计数汇总

df_inner.groupby('city').count()

• 按城市对id字段进行计数

df_inner.groupby('city')['id'].count()

• 对两个字段进行汇总计数

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

• 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]) 

数据统计

数据采样，计算标准差，协方差和相关系数

• 简单的数据采样

df_inner.sample(n=3) 

• 手动设置采样权重

weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights) 

• 采样后不放回

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

• 采样后放回

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

• 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

• 计算列的标准差

df_inner['price'].std()

• 计算两个字段间的协方差

df_inner['price'].cov(df_inner['m-point']) 

• 数据表中所有字段间的协方差

df_inner.cov()

• 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

• 数据表的相关性分析

df_inner.corr()

数据输出

分析后的数据可以输出为xlsx格式和csv格式

• 写入Excel

df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc') 

• 写入到CSV

df_inner.to_csv('excel_to_python.csv')