一、简介
数据结构
整体上划分pandas有两种数据结构,series(一维的)和DataFrame(二维的)
DataFrame的创建:可以使用以下构造函数创建 -pandas.DataFrame( data, index, columns, dtype, copy)
二、常用功能
包导入:
一般我们需要做如下导入,numpy和pandas一般需要联合使用,并且最好导入的顺序是pandas先导入,不然有时候会报错(为啥报错还有待研究):
import pandas as pd
inport numpy as np
数据导入:pd.read_csv(filename):从CSV文件导入数据
pd.read_table(filename):从限定分隔符的文本文件导入数据
pd.read_excel(filename):从Excel文件导入数据
pd.read_sql(query, connection_object):从SQL表/库导入数据
pd.read_json(json_string):从JSON格式的字符串导入数据
pd.read_html(url):解析URL、字符串或者HTML文件
pd.read_clipboard():从粘贴板获取内容
pd.DataFrame(dict):从字典对象导入数据
数据导出:
df.to_csv(filename):导出数据到CSV文件
df.to_excel(filename):导出数据到Excel文件
df.to_sql(table_name, connection_object):导出数据到SQL表
df.to_json(filename):以Json格式导出数据到文本文件
数据查看:
df.head(n):查看DataFrame对象的前n行
df.tail(n):查看DataFrame对象的最后n行
df.shape():查看行数和列数
df.info():查看索引、数据类型和内存信息
df.describe():查看数值型列的汇总统计
s.value_counts(dropna=False):查看Series对象的唯一值和计数
df.apply(pd.Series.value_counts):查看DataFrame对象中每一列的唯一值和计数
数据选取:
df[col]:根据列名,并以Series的形式返回列-----> 例:df[‘列名’]
df[[col1, col2]]:以DataFrame形式返回多列
s.iloc[0]:按位置选取数据
s.loc[‘index_one’]:按索引选取数据
df.iloc[0,:]:返回第一行
数据清洗:
df.columns = [‘a’,‘b’,‘c’]:重命名列名
pd.isnull():检查DataFrame对象中的空值,并返回一个Boolean数组
pd.notnull():检查DataFrame对象中的非空值,并返回一个Boolean数组
df.dropna():删除所有包含空值的行
df.fillna(x):用x替换DataFrame对象中所有的空值
s.astype(float):将Series中的数据类型更改为float类型
s.replace(1,‘one’):用‘one’代替所有等于1的值
df.rename(columns=lambda x: x + 1):批量更改列名
df.set_index(‘column_one’):更改索引列
数据处理:Filter, Sort, GroupBy
df[df[col] > 0.5]:选择col列的值大于0.5的行
df.sort_values(col1):按照列col1排序数据,默认升序排列
df.groupby(col):返回一个按列col进行分组的Groupby对象
df.groupby(col1).agg(np.mean):返回按列col1分组的所有列的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max):创建一个按列col1进行分组,并计算col2和col3的最大值的数据透视表
data.apply(np.mean):对DataFrame中的每一列应用函数np.mean
数据合并:
df1.append(df2):将df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1):将df2中的列添加到df1的尾部
df1.join(df2,on=col1,how=‘inner’):对df1的列和df2的列执行SQL形式的join
数据统计:
df.describe():查看数据值列的汇总统计
df.mean():返回所有列的均值
df.corr():返回列与列之间的相关系数
df.count():返回每一列中的非空值的个数
df.max():返回每一列的最大值
df.min():返回每一列的最小值
df.median():返回每一列的中位数
df.std():返回每一列的标准差
常用函数:
df.astypes: 数据格式转换
df.value_counts:相同数值的个数统计
df.hist(): 画直方图
df.get_dummies: one-hot编码,将类型格式的属性转换成矩阵型的属性。比如:三种颜色RGB,红色编码为[1 0 0]
实例分析: 以注释形式在代码中标注了
import pandas as pd
import numpy as np
from hmmlearn import hmm
#导包
#设置时间为了看函数的运行时间 优化函数
start_time = pd.datetime.now()
print(start_time)
#导入数据,去重,过滤名字为‘-’的,改日期类型
def get_hmm_df(file_name):
#读文件
df = pd.read_csv(file_name)
#设置列名
df.columns = ['时间','用户全名','组件','事件']
#去重
df = df[['时间','用户全名','组件']]
df = df.drop_duplicates(subset=None, keep='last')
#组件为空的数据去掉
df = df[df['组件'].notnull()]
df = df[df['用户全名']!='-']
df['时间'] = pd.to_datetime(df['时间'])
#建立代码字典,新建事件代码列
df_fact = df[['组件']]
df_fact = df_fact.drop_duplicates(subset=None, keep='last', inplace=False)
key_dic = {}
for i in range(df_fact.shape[0]):
key = df_fact.iat[i,0]
key_dic[key] = i
#apply用来遍历元素 lambda使用匿名函数对函数的一种简化
df['事件代码'] = df['组件'].apply(lambda x: key_dic[x])
df.sort_values(by=['用户全名','时间'],inplace=True)
#建立索引为人名的字典
df_name = df[['用户全名']]
df_name = df_name.drop_duplicates(subset=None, keep='last', inplace=False)
dic = {}
#shape[0] 这块是说上面吧用户名去重了,拿到不同名的数据作为一个数据项,张三李四等.
for i in range(df_name.shape[0]):
key = df_name.iat[i,0]
dic[key] = [[]]
#填充字典,得到结果是
#{人名1:[[],[]…]
# 人名2:[[],[]…]
# ……} 将张三的其他你需要重复信息填入里边
dic[df.iat[0,1]][-1].append(df.iat[0,3])
for i in range(1,df.shape[0]):
time_delta = df.iat[i,0]-df.iat[i-1,0]
if (time_delta.seconds <= 3600) or (df.iat[i,1] != df.iat[i-1,1]):#换人了,或者同一个人没过时
dic[df.iat[i,1]][-1].append(df.iat[i,3])
if time_delta.seconds > 3600 and (df.iat[i,1] == df.iat[i-1,1]):#过时了,且同一个人
dic[df.iat[i,1]].append([df.iat[i,3],])
# 获取X2和len_X
X2_bic_data = [dic[i][j] for i in dic for j in range(len(dic[i]))]
len_X = [len(i) for i in X2_bic_data]
X2 = [[j] for i in X2_bic_data for j in i]
return df,df_fact,df_name,dic,X2,len_X
finish_time = pd.datetime.now()
print(finish_time)