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')