【Python】Pandas数据处理教程

目录

Pandas基本介绍

pandas选择数据

pandas设置值

pandas处理丢失数据

pandas数据导入与导出

pandas 合并 concat

pandas 合并 merge



Pandas基本介绍

# Pandas像是一个字典形式的Numpy

import pandas as pd
import numpy as np
# 两者在应用上一般是互相搭配的

s = pd.Series([1,3,6,np.nan,44,1])
print(s) # 打印出来后会形成一个带序号的表格,最下方还有该列的数据名称

dates = pd.date_range('20231008',periods = 6) # 第一个参数是时间序列的开始日期,第二个是时间的长度,也就是打印的天数
print(dates)

df = pd.DataFrame(np.random.randn(6,4),index = dates,columns=['a','b','c','d'])
# DataFrame其实就是一个矩阵,第一个参数就是np的矩阵,用index来定义它的行,columns定义它的列,这就变成一个表格
print(df)

df1 = pd.DataFrame(np.arange(12).reshape((3,4)))
# 若不指定行列的定义,则直接用下标
print(df1)

df2 = pd.DataFrame({
    'A':1.,
    'B':pd.Timestamp('20231008'),
    'C':pd.Series(1,index=list(range(4)),dtype='float32'),
    'D':np.array([3]*4,dtype='int32'),
    'E':pd.Categorical(["test","train","test","train"]),
    'F':'foo'
})
# 还可以在DataFrame的括号里加字典,这样字典里的每个键就代表一列数据,所有列的数据数量要一样多
print(df2)

df2.dtypes
# 打印出所有键的数据类型

df2.index
# 输出所有列的序号

df2.columns
# 打印出所有行的名字

df2.values
# 打印出每一行的所有元素值

print(df2.describe()) 
# 打印数据表中所有数字数据的描述性统计

print(df2.T)
# 表格的行列转置

print(df2.sort_index(axis=1,ascending=False))
# 对列序号按照逆序排序

print(df2.sort_index(axis=0,ascending=False))

print(df2.sort_values(by='E'))
# 按照第E列的数据进行由大到小的排序
0     1.0
1     3.0
2     6.0
3     NaN
4    44.0
5     1.0
dtype: float64
DatetimeIndex(['2023-10-08', '2023-10-09', '2023-10-10', '2023-10-11',
               '2023-10-12', '2023-10-13'],
              dtype='datetime64[ns]', freq='D')
                   a         b         c         d
2023-10-08  0.330878 -1.194733  0.539956  0.121203
2023-10-09 -0.132819  0.294950  0.067614  0.052185
2023-10-10  0.311724  1.305968 -1.043187  0.606765
2023-10-11  0.108810  0.772342 -0.406491  3.065872
2023-10-12  0.495157 -0.765991  1.580787  0.554438
2023-10-13 -0.042651  0.822573  0.264911  0.192190
   0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11
     A          B    C  D      E    F
0  1.0 2023-10-08  1.0  3   test  foo
1  1.0 2023-10-08  1.0  3  train  foo
2  1.0 2023-10-08  1.0  3   test  foo
3  1.0 2023-10-08  1.0  3  train  foo
         A    C    D
count  4.0  4.0  4.0
mean   1.0  1.0  3.0
std    0.0  0.0  0.0
min    1.0  1.0  3.0
25%    1.0  1.0  3.0
50%    1.0  1.0  3.0
75%    1.0  1.0  3.0
max    1.0  1.0  3.0
                     0                    1                    2  \
A                  1.0                  1.0                  1.0   
B  2023-10-08 00:00:00  2023-10-08 00:00:00  2023-10-08 00:00:00   
C                  1.0                  1.0                  1.0   
D                    3                    3                    3   
E                 test                train                 test   
F                  foo                  foo                  foo   

                     3  
A                  1.0  
B  2023-10-08 00:00:00  
C                  1.0  
D                    3  
E                train  
F                  foo  
     F      E  D    C          B    A
0  foo   test  3  1.0 2023-10-08  1.0
1  foo  train  3  1.0 2023-10-08  1.0
2  foo   test  3  1.0 2023-10-08  1.0
3  foo  train  3  1.0 2023-10-08  1.0
     A          B    C  D      E    F
3  1.0 2023-10-08  1.0  3  train  foo
2  1.0 2023-10-08  1.0  3   test  foo
1  1.0 2023-10-08  1.0  3  train  foo
0  1.0 2023-10-08  1.0  3   test  foo
     A          B    C  D      E    F
0  1.0 2023-10-08  1.0  3   test  foo
2  1.0 2023-10-08  1.0  3   test  foo
1  1.0 2023-10-08  1.0  3  train  foo
3  1.0 2023-10-08  1.0  3  train  foo

pandas选择数据

# 本节介绍Pandas数据选择/筛选的功能

import pandas as pd
import numpy as np

dates = pd.date_range('20231008',periods = 6)
df = pd.DataFrame(np.arange(24).reshape(6,4),index = dates,columns=['A','B','C','D'])

print(df)

print(df['A'])
print(df.A)
# 可以看出这两种选择列数据的方式得到的结果相同

# select by label:loc

print(df.loc['20231008'])
# 以标签名为选择方式
print(df.loc[:,['A','B']])
# 打印出所有行,A、B列的数据
# 可以把loc看成location,用它可以精准定位行列打印一组数据

# selected by position:iloc
print(df.iloc[3:5,1:3])
print(df.iloc[[1,3,5],1:3])

# Boolean indexing
# 通过对比某列数据进行筛选
print(df)
print(df[df.A>8])
             A   B   C   D
2023-10-08   0   1   2   3
2023-10-09   4   5   6   7
2023-10-10   8   9  10  11
2023-10-11  12  13  14  15
2023-10-12  16  17  18  19
2023-10-13  20  21  22  23
2023-10-08     0
2023-10-09     4
2023-10-10     8
2023-10-11    12
2023-10-12    16
2023-10-13    20
Freq: D, Name: A, dtype: int32
2023-10-08     0
2023-10-09     4
2023-10-10     8
2023-10-11    12
2023-10-12    16
2023-10-13    20
Freq: D, Name: A, dtype: int32
A    0
B    1
C    2
D    3
Name: 2023-10-08 00:00:00, dtype: int32
             A   B
2023-10-08   0   1
2023-10-09   4   5
2023-10-10   8   9
2023-10-11  12  13
2023-10-12  16  17
2023-10-13  20  21
             B   C
2023-10-11  13  14
2023-10-12  17  18
             B   C
2023-10-09   5   6
2023-10-11  13  14
2023-10-13  21  22
             A   B   C   D
2023-10-08   0   1   2   3
2023-10-09   4   5   6   7
2023-10-10   8   9  10  11
2023-10-11  12  13  14  15
2023-10-12  16  17  18  19
2023-10-13  20  21  22  23
             A   B   C   D
2023-10-11  12  13  14  15
2023-10-12  16  17  18  19
2023-10-13  20  21  22  23

pandas设置值

# 本节介绍如何给选定的范围赋值

import pandas as pd
import numpy as np

dates = pd.date_range('20231008',periods=6)
df = pd.DataFrame(np.arange(24).reshape(6,4),index=dates,columns=['A','B','C','D'])

df.iloc[2,2] = 1111
print(df)

df.loc['20231008','B']=2222
print(df)

df.A[df.A>4] = 0
print(df)

# 添加空列或预定义数据元素的列

df['F']=np.nan
print(df)

df['E']=pd.Series([1,2,3,4,5,6],index=pd.date_range('20231008',periods=6))
print(df)
             A   B     C   D
2023-10-08   0   1     2   3
2023-10-09   4   5     6   7
2023-10-10   8   9  1111  11
2023-10-11  12  13    14  15
2023-10-12  16  17    18  19
2023-10-13  20  21    22  23
             A     B     C   D
2023-10-08   0  2222     2   3
2023-10-09   4     5     6   7
2023-10-10   8     9  1111  11
2023-10-11  12    13    14  15
2023-10-12  16    17    18  19
2023-10-13  20    21    22  23
            A     B     C   D
2023-10-08  0  2222     2   3
2023-10-09  4     5     6   7
2023-10-10  0     9  1111  11
2023-10-11  0    13    14  15
2023-10-12  0    17    18  19
2023-10-13  0    21    22  23
            A     B     C   D   F
2023-10-08  0  2222     2   3 NaN
2023-10-09  4     5     6   7 NaN
2023-10-10  0     9  1111  11 NaN
2023-10-11  0    13    14  15 NaN
2023-10-12  0    17    18  19 NaN
2023-10-13  0    21    22  23 NaN
            A     B     C   D   F  E
2023-10-08  0  2222     2   3 NaN  1
2023-10-09  4     5     6   7 NaN  2
2023-10-10  0     9  1111  11 NaN  3
2023-10-11  0    13    14  15 NaN  4
2023-10-12  0    17    18  19 NaN  5
2023-10-13  0    21    22  23 NaN  6

pandas处理丢失数据

# 本节介绍pandas处理丢失数据

import pandas as pd
import numpy as np

dates = pd.date_range('20231008',periods=6)
df = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=['A','B','C','D'])
df.iloc[0,1] = np.nan
df.iloc[1,2] = np.nan

print(df)
print(df.dropna(axis=0,how='any')) # how={'any','all'} ,为all时只有这行全为NaN时才会丢掉
# 当axis等于0时,把所有含有NaN的行丢掉,等于1时就把列丢掉

print(df.fillna(value=0))
# 把所有的NaN换成0

print(df.isnull())
# 返回一个表格,有缺失数据的地方就是True
             A     B     C   D
2023-10-08   0   NaN   2.0   3
2023-10-09   4   5.0   NaN   7
2023-10-10   8   9.0  10.0  11
2023-10-11  12  13.0  14.0  15
2023-10-12  16  17.0  18.0  19
2023-10-13  20  21.0  22.0  23
             A     B     C   D
2023-10-10   8   9.0  10.0  11
2023-10-11  12  13.0  14.0  15
2023-10-12  16  17.0  18.0  19
2023-10-13  20  21.0  22.0  23
             A     B     C   D
2023-10-08   0   0.0   2.0   3
2023-10-09   4   5.0   0.0   7
2023-10-10   8   9.0  10.0  11
2023-10-11  12  13.0  14.0  15
2023-10-12  16  17.0  18.0  19
2023-10-13  20  21.0  22.0  23
                A      B      C      D
2023-10-08  False   True  False  False
2023-10-09  False  False   True  False
2023-10-10  False  False  False  False
2023-10-11  False  False  False  False
2023-10-12  False  False  False  False
2023-10-13  False  False  False  False

pandas数据导入与导出

# 本节介绍用Pandas导入和导出数据

import pandas as pd

# 预先准备好名为student的csv文件,即可读取
data = pd.read_csv('student.csv')
print(data)

# 将csv文件转换为pickle文件,保存在文件夹中
data.to_pickle('student.pickle')

pandas 合并 concat

# 本节介绍如何使用pandas的concat合并多个DataFrame

import pandas as pd
import numpy as np

# concatenating

df1 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])
df2 = pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])
df3 = pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])

print(df1)
print(df2)
print(df3)

res = pd.concat([df1,df2,df3],axis=0,ignore_index=True) # 合并行,axis=1时合并列
print(res)

# join,['inner','outer']
df1 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'],index=[1,2,3])
df2 = pd.DataFrame(np.ones((3,4))*1,columns=['b','c','d','e'],index=[2,3,4])


print(df1)
print(df2)

res = pd.concat([df1,df2],join='outer',ignore_index=True) # outer会补齐表格,而inter会裁剪掉再合并
print(res)

#append
df3 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])
df4 = pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])

res = df3.append(df4,ignore_index=True)
# 将df4补到df3后面,按行补充

print(res)

s1 = pd.Series([1,2,3,4],index=['a','b','c','d']) # 往df3下面再添加一行数据
res = df3.append(s1,ignore_index=True)

print(res)
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
     a    b    c    d
0  1.0  1.0  1.0  1.0
1  1.0  1.0  1.0  1.0
2  1.0  1.0  1.0  1.0
     a    b    c    d
0  2.0  2.0  2.0  2.0
1  2.0  2.0  2.0  2.0
2  2.0  2.0  2.0  2.0
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0
5  1.0  1.0  1.0  1.0
6  2.0  2.0  2.0  2.0
7  2.0  2.0  2.0  2.0
8  2.0  2.0  2.0  2.0
     a    b    c    d
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  0.0  0.0  0.0  0.0
     b    c    d    e
2  1.0  1.0  1.0  1.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0
     a    b    c    d    e
0  0.0  0.0  0.0  0.0  NaN
1  0.0  0.0  0.0  0.0  NaN
2  0.0  0.0  0.0  0.0  NaN
3  NaN  1.0  1.0  1.0  1.0
4  NaN  1.0  1.0  1.0  1.0
5  NaN  1.0  1.0  1.0  1.0
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0
5  1.0  1.0  1.0  1.0
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  2.0  3.0  4.0

pandas 合并 merge

这篇博客写得很好,可以参考学习,我就不重复造轮子了:

Pandas的Merge函数详解

pandas plot 画图

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# plot data

# Series

data = pd.Series(np.random.randn(1000), index = np.arange(1000))
data = data.cumsum()
# data.plot()
# plt.show()

# DataFrame
data = pd.DataFrame(np.random.randn(1000,4), index = np.arange(1000), columns = list("ABCD"))
data = data.cumsum()
print(data.head())

# plot methods:
#'bar', 'hist', 'box', 'kde', 'area', 'scatter', 'hexbin', 'pie'
data.plot()
ax = data.plt.scatter(x='A',y='B', color = 'DarkBlue', label='Class 1')
data.plot.scatter(x = 'A', y = 'C', color = 'DarkGreen', label = 'Class 2', ax = ax)
plt.show()

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pandas是一个强大的数据分析工具,它提供了丰富的功能来处理和分析数据。其中之一就是数据透视表(Pivot Table)的功能。 数据透视表是一种用于对数据进行汇总和分析的技术,它可以根据一个或多个字段对数据进行分组,并计算其他字段的统计指标(如求和、平均值等)。在Pandas中,可以使用`pivot_table()`函数来创建数据透视表。 下面是一个简单的示例代码,展示了如何使用Pandas创建数据透视表: ```python import pandas as pd # 创建一个示例数据集 data = { 'Name': ['Alice', 'Bob', 'Charlie', 'Alice', 'Bob', 'Charlie'], 'City': ['New York', 'London', 'Paris', 'New York', 'London', 'Paris'], 'Sales': [100, 200, 150, 300, 250, 200] } df = pd.DataFrame(data) # 创建数据透视表 pivot_table = df.pivot_table(values='Sales', index='Name', columns='City', aggfunc='sum') # 打印数据透视表 print(pivot_table) ``` 在上述代码中,我们首先创建了一个包含姓名、城市和销售额的示例数据集。然后,使用`pivot_table()`函数创建了一个数据透视表,其中`values`参数指定了要计算统计指标的字段(这里是销售额),`index`参数指定了分组的字段(这里是姓名),`columns`参数指定了列的字段(这里是城市),`aggfunc`参数指定了要计算的统计指标(这里是求和)。 最后,通过打印数据透视表,我们可以看到按照姓名和城市进行分组后的销售额统计结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值