文章目录
- 数据分析-相关笔记
- 1、matplotlib
- 2、numpy
- 3、pandas
数据分析-相关笔记
1、matplotlib
1.01、matplotlib折线图
1.01-1、matplotlib基本要点:
from matplotlib import pyplot as plt
# 设置图片大小
plt.figure(figsize=(20,8),dpi=80)
# figure图形图标的意思,在这里指的就是我们画的图
# 通过实例化一个figure并且传递参数,能够在后台自动使用该figure实例
# 在图像模糊的时候可以传入dpi参数,让图片更加清晰。
x = [2,4,6,8,10]
y = [25,16,31,28,26]
# 绘图
plt.plot(x,y)
# 设置x轴的刻度
plt.xticks(x)
# plt.xticks(x[::2]) 当刻度太密集的时候,使用列表的步长来解决。
# 设置y轴的刻度
plt.yticks()
# 保存图片
plt.savefig('./1.png')
# 展示图形
plt.show()
-
绘图
plt.plot(x,y)
-
设置图片大小
plt.figure(figsize=(20,8),dpi=80) # figure图形图标的意思,在这里指的就是我们画的图 # 通过实例化一个figure并且传递参数,能够在后台自动使用该figure实例 # 在图像模糊的时候可以传入dpi参数,让图片更加清晰。
-
设置x、y轴坐标文字。
plt.xticks(list(x)[::3],, rotation=90) # rotation是这是坐标轴文字显示旋转的状态。rotation=90是旋转90度。 plt.yticks(y)
-
设置中文。因为matplotlib默认不显示中文。需要设置。
-
拷贝微软雅黑或黑体等中文字体文件至如下目录:
/Users/scrappy_zhang/anaconda3/lib/python3.6/site-packages/matplotlib/mpl-data/fonts/ttf/
-
第一种。在Windows和Linux设置字体:通过
matplotlib.rc
修改font = {'family': 'MicroSoft YaHei', 'weight': 'bold', 'size': 'larger'} matplotlib.rc('font',**font) # matplotlib.rc('font', family='MicroSoft YaHei',weight='bold',size='larger')
-
第二种。在Windows、Linux和mac中,通过
matplotlib.font_manager
修改。from matplotlib import font_manager my_font = font_manager.FontProperties(fname="字体路径") plt.xticks(list(x)[::3],, rotation=90,fontproperties=my_font)
-
-
画多个线条。
font = font_manager.FontProperties('SimHei', size=10) y1 = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1] y2 = [1,0,3,1,2,2,3,3,2,1,2,1,1,1,1,1,1,1,1,1] x = [i for i in range(11,31)] plt.plot(x, y1, label='自己') plt.plot(x, y2, label='同桌') # 显示图例 # 只有这一处使用prop设置字体 plt.legend(prop=font)
-
设置图例
# loc参数可以这是图例的位置,具体可以参考源码 plt.legend(prop=font, loc=0)
-
显示网格
# alpha设置透明度 plt.grid(alpha=0.2)
-
设置线条的颜色
plt.plot(x, y, label='', color='', linestyle='--', linewidth=5, alpha=0.5)
颜色 风格字符 r 红色 -
实线g 绿色 --
虚线、破折线b 蓝色 -.
点划线w 白线 :
点虚线、虚线留空或空格,无线条
c 青色 m 洋红 y 黄色 k 黑色 #00ff00
16进制alpha=0.8 灰度值
1.01-2、 实例1:画出10点到12点每分钟的温度变化
import numpy as np
import pandas as pd
import random
import matplotlib.pyplot as plt
from matplotlib import font_manager
# 第一种设置中文显示方式
# font = {'family' : 'SimHei',
# 'weight' : '1',
# 'size' : '12'}
#
# matplotlib.rc('font', **font)
# 第二种设置中文显示的方式
my_font = font_manager.FontProperties('SimHei')
plt.figure(figsize=(20,8),dpi=100)
x =range(0,120)
y = [random.randint(25,30) for i in range(120)]
plt.plot(x,y)
# 调整x轴的刻度
_xticks = ['10点{}分'.format(i) for i in range(60)]
_xticks += ['11点{}分'.format(i) for i in range(60)]
# 取步长,数字和字符串要一一对应。rotation旋转x轴刻度,竖直显示。
plt.xticks(list(x)[::3],_xticks[::3], rotation=45,fontproperties=my_font)
# 设置xy轴的信息,以及标题信息
plt.xlabel('时间', fontproperties=my_font)
plt.ylabel('温度 单位(℃)', fontproperties=my_font)
plt.title('10点到12点之间每分钟的温度变化', fontproperties=my_font)
# 显示图像
plt.show()
1.02、其他类型图的画法
类型 | 方法 |
---|---|
折线图 | matplotlib.pyplot.plot(x,y) |
散点图 | matplotlib.pyplot.scatter(x,y) |
条形图 | matplotlib.pyplot.bar(x,y) 普通条形图|matplotlib.pyplot.barh(x,y) 绘制横向条形图 |
直方图 | matplotlib.pyplot.hist(x,y) |
1.03、绘制多条条形图
from matplotlib import pyplot as plt
from matplotlib import font_manager
font = font_manager.FontProperties('SimHei', size=12)
# 设置图片大小
plt.figure(figsize=(20, 8), dpi=80)
# 数据
a = ["星球崛起3:终极之战", "敦刻尔克", "英雄归来", "战狼2"]
b_16 = [15746, 312, 4497, 319]
b_15 = [12357, 156, 2045, 168]
b_14 = [2358, 399, 2358, 362]
# 设置的柱宽
bar_width = 0.2
# 计算图形的间隔
x_14 = list(range(len(a)))
x_15 = [i + bar_width for i in x_14]
x_16 = [i + bar_width for i in x_15]
# 绘制条形图
plt.bar(x_14, b_14, width=bar_width, label='14号')
plt.bar(x_15, b_15, width=bar_width, label='15号')
plt.bar(x_16, b_16, width=bar_width, label='16号')
# 设置x轴的刻度内容
plt.xticks(x_15, a, fontproperties=font)
# 设置图像信息
plt.xlabel('电影名',fontproperties=font)
plt.ylabel('票房 单位(万元)',fontproperties=font)
plt.title('三天票房数据对比',fontproperties=font)
# 设置条形图的数据标签
for a, b in zip(x_14 + x_15 + x_16, b_14 + b_15 + b_16):
plt.text(a, b + 50, '%.0f万元' % b, fontproperties=font)
# 设置图例
plt.legend(prop=font)
# 显示图像
plt.show()
2、numpy
2.01、numpy基础
2.01-1、什么是numpy:
一个在python中做科学计算的基础库,重在数值计算,也是大部分python科学计算库的基础库,多用在大型、多维数组上执行数值运算。
2.01-2、numpy创建数组(矩阵):
import numpy as np
a = np.array([1,2,3,4,5,6])
b = np.array(range(1,7))
c = np.arange(1,7)
#以上三种方法相同,
#np.arange()的用法:arange([start,] stop[, step,], dtype=None)
2.01-3、numpy常见的数据类型
类型 | 类型代码 | 说明 |
---|---|---|
int8、uint8 | i1、u1 | 有符号和无符号的8位(1个字节)整型 |
int16、uibt16 | i2、u2 | 有符号和无符号的16位(2个字节)整型 |
int32、uint32 | i4、u4 | 有符号和无符号的32位(4个字节)整型 |
int64、uint64 | i8、u8 | 有符号和无符号的64位(8个字节)整型 |
float16 | f2 | 半精度浮点数 |
float32 | f4或f | 标准的单精度浮点数。与C的float兼容 |
float64 | f8或d | 标准的双精度浮点数。与C的double和python的float对象兼容 |
float128 | f16或g | 扩展精度浮点数 |
complex64、complex128、complex256 | c8、c16、c32 | 分别用两个32位、64位或128位浮点数表示的复数。 |
bool | ? | 存储True和Flase值的布尔类型 |
2.01-4、修改数组内数据的类型:
numpy.astype(float)
修改数组的类型
import numpy as np
a = np.array([1,2,3,4,5,6], dtype='i4')
print(a.dtype)
print(a)
b = a.astype(dtype='i8')
print(b.dtype)
print(b)
>int32
>[1 2 3 4 5 6]
>int64
>[1 2 3 4 5 6]
2.01-5、保留小数numpy.round():
np.round(b,2)
#b数组元素保留两位小数
2.02、数组的形状和计算
2.02-1、查看数组形状
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
print(a.shape)
>>(2, 3) # 两行三列
2.02-2、修改数组形状
-
reshape()
:修改数组形状。import numpy as np a = np.array([[1,2,3],[4,5,6]]) # reshape()有返回值,但对数据本身并不会产生影响。除非找一个变量接收返回值。 # 例如:a.reshape(),会产生新的形状,但a并没有变化。 b = a.reshape(3,2) print(a.shape) print(b.shape)
-
多维数组转换为一维数组(1)。
reshape()
需要传入一个数据,就是数组元素的个数。import numpy as np a = np.array([[1,2,3],[4,5,6]]) a = a.reshape((6,)) >>[1 2 3 4 5 6]
-
多维数组转换为一维数组(2)。
import numpy as np a = np.array([[1,2,3],[4,5,6]]) a = a.flatten() print(a) >>[1 2 3 4 5 6]
2.02-3、数组的计算
-
数组和数字的运算:数组中的每个元素都和数字进行计算。
-
数组和数组的运算:对应位置的元素进行计算。
-
多维数组和一维数组的计算(示例如下):
- 1行6列的一维数组可以和多行6列的多维数组进行计算。
- 6行1列的数组可以和6行多列的多维数组进行计算。
#要求:一维数组的行或列要与二维数组的行和列个数一致。 t1 = np.arange(0,6) t2 = np.arange(24).reshape(4,6) print(t2-t1) #t1 = np.arange(0,6) #t2 = np.arange(24).reshape(6,4) #t1 = t1.reshape(6,1) #print(t2-t1) >[[ 0 0 0 0 0 0] >[ 6 6 6 6 6 6] >[12 12 12 12 12 12] >[18 18 18 18 18 18]]
-
多维数组与多维数组的计算
#如果数组的格式一样,即行和列数量一样。 #则在对应位置的元素进行计算。
-
2.03-4、广播原则
如果两个数组的后缘维度(trailing dimension,即从末尾开始算起的维度)的轴长度相符或其中一方的长度为1,则认为他们是广播兼容的。广播会在缺失和(或)长度为1的维度上进行。
可以把维度理解为shape()所对应的数字个数。
示例:
-
shape(3,3,3)的数组和(3,2)的数组能进行计算吗?
不能,(3,3,3)可以理解为数组为3个3行3列,(3,2)是3行2列数组,他们的行列数都不一样,无法对应起来。不能计算。
-
shape(3,3,2)和(3,2)的数组能计算吗?
能,(3,3,2)可以理解为数组为3个3行2列,(3,2)是3行2列数组,(3,2)可以在(3,3,2)中对应起来,也就是说后缘维度相符。可以计算。
2.03-5、轴(axis)
在numpy中可以理解为方向,使用0,1,2…数字表示,对于一个一维数组,只有一个0轴,对于2维数组(shape(2,2)),有0轴和1轴,对于三维数组(shape(2,2,3)),有0,1,2轴。
有了轴的概念之后,我们计算会更加方便,比如计算一个2维数组的平均值,必须指定是计算哪个方向上面的数字的平均值。
2.03、numpy读取数据
np.loadtxt(frame,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)
参数 | 解释 |
---|---|
frame | 文件、字符串或产生器,可以是.gz或bz2压缩文件 |
dtype | 数据类型,可选,CSV的字符串以什么数据类型读入数组中,默认np.float |
delimiter | 分割字符串,默认是任何空格,改为逗号 |
skiprows | 跳过前xx行,一般跳过第一行表头 |
usecols | 读取指定的列,索引,元组类型 |
unpack | 如果是True,读入属性将分别写入不同的数组变量,False读入数据只写入一个数组变量,默认为False。就是将行数据转换为列数据,行列互换。 |
import numpy as np
file_path = './test.csv'
res = np.loadtxt(file_path, delimiter=',', dtype='int')
print(res)
2.04、numpy中的数据转置
转置是一种变换,对于numpy中的数组来说,就是在对角线方向交换数据,目的也是为了更方便的去处理数据。以下是三种数据转置的方法。
-
t1.transpose()
:import numpy as np t1 = np.arange(24).reshape((4,6)) print(t1) print('*'*100) print(t1.transpose()) 结果: [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]] **************************************************************************************************** [[ 0 6 12 18] [ 1 7 13 19] [ 2 8 14 20] [ 3 9 15 21] [ 4 10 16 22] [ 5 11 17 23]]
-
t1.swapaxes(1,0)
:import numpy as np t1 = np.arange(24).reshape((4,6)) print(t1) print('*'*100) # 交换两个轴 print(t1.swapaxes(1,0))
-
t1.T
:import numpy as np t1 = np.arange(24).reshape((4,6)) print(t1) print('*'*100) print(t1.T)
2.05、numpy索引和切片
-
取单行数据(第三行数据)。
import numpy as np t1 = np.arange(24).reshape((4,6)) print(t1[2,:])
-
取连续行的数据(第2行之后的所有数据)
import numpy as np t1 = np.arange(24).reshape((4,6)) print(t1[1:,:])
-
取指定行的数据(第1、3、4行的数据)。
import numpy as np t1 = np.arange(24).reshape((4,6)) print(t1[[0,2,3],:])
-
取单列的数据(第3列的数据)。
t1[:,2]
-
取连续列的数据(第2列之后的数据)。
t1[:,1:]
-
取指定列的数据(第2,3,5列数据)。
t1[:,[1,2,4]]
-
取指定行列的数据(第3行第4列)。
t1[2,3]
-
取多行和多列,取第2行到第4行,第3列到第5列的结果.
取的是行和列交叉的数据。
t1[1:4,2:5]
-
取多个不相邻的点
#第二行第二列 #第三行第四列 #第一行第四列 t1[[1,2,0],[1,3,3]]
2.06、numpy中数值修改
-
指定位置值的修改。首先通过numpy索引获取到元素,在重新赋值,即可修改数值。
t1[2:4,3:5] = 0 结果: array([[ 0, 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 10, 11], [12, 13, 14, 0, 0, 17], [18, 19, 20, 0, 0, 23]])
-
大于或小于某个值的修改。小于10的值都修改为3。
t1[t1<10] = 3
2.07、numpy中的布尔索引
t1 = np.arange(24).reshape((4,6))
t1<10
结果:
array([[ True, True, True, True, True, True],
[ True, True, True, True, False, False],
[False, False, False, False, False, False],
[False, False, False, False, False, False]])
###2.08、numpy中三元运算符
#t1中小于10的元素修改为0,大于10的元素修改为10
np.where(t1<10,0,10)
2.09、numpy中的clip(裁剪)
#小于10的修改为10,大于20的修改为20
t1.clip(10,20)
2.10、numpy中的nan和inf
注意:nan和inf都是float类型。
nan(NAN,Nan):not a number表示不是一个数字
什么时候会出现nan?
- 当我们读取本地文件为float时,如果有缺失,就会出现nan。
- 当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)
inf(-inf.inf):infinity.inf表示正无穷,-inf表示负无穷
什么时候会出现inf包括(+inf,-inf)?
- 比如一个数字除以0,(python中直接会报错,numpy中是一个inf或者-inf)
2.11、numpy中的nan的注意点
-
两个nan不相等。
#nan表示不是一个数字,但并不知道真实值是什么 np.nan == np.nan >False
-
np.nan != np.nan
—>True -
利用以上特性,判断数组中nan的个数。
np.count_nonzero(t1!=t1) #输出nan的个数
-
np.isnan(t1)
:利用2的特性。
isnan()判断是否为nan,如果是则返回True。
np.isnan(t1) #在t1数组中nan的位置返回True
-
nan和任何数计算都为nan。
-
在一组数据中单纯的把nan替换为0,替换之后均值肯定会变小,所以一般的方式是把缺失的值替换为均值(中值)或者是直接删除有缺失值的一行。
2.12、numpy中常用的统计函数
-
求和:
t1.sum(axis=None)
-
均值:受离群点的影响较大
t1.mean(a.axis=None)
-
中值:
np.mediant(t.axis=None)
-
最大值:
t1.max(axis=None)
-
最小值:
t1.min(axis=None)
-
极值:即最大值和最小值
np.ptp(t1,axis=None)
-
标准差(std):
t1.std(axis=None)
标准差是一组数据平均值分散程度的一种度量。一个较大的标准差,代表大部分数值和其平均值之间差异较大;一个较小的标准差,代表这些数值较接近平均值反映出数据的波动稳定情况,越大表示波动越大,越不稳定。
-
默认返回多维数组的全部统计结果,如果指定axis,则返回一个当前轴上的结果。
2.13、数组的拼接
-
np.vstack((t1,t2))
:竖直拼接,列数不变,增加行数。import numpy as np t1 = np.arange(12).reshape(2,6) print(t1) print('*'*20) t2 = np.arange(12,24).reshape(2,6) print(t2) print('*'*20) print(np.vstack((t1, t2))) 结果: [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11]] ******************** [[12 13 14 15 16 17] [18 19 20 21 22 23]] ******************** [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]]
-
np.hstack((t1,t2))
:水平拼接,行数不变,增加列数。import numpy as np t1 = np.arange(12).reshape(2,6) print(t1) print('*'*20) t2 = np.arange(12,24).reshape(2,6) print(t2) print('*'*20) print(np.hstack((t1, t2))) 结果: [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11]] ******************** [[12 13 14 15 16 17] [18 19 20 21 22 23]] ******************** [[ 0 1 2 3 4 5 12 13 14 15 16 17] [ 6 7 8 9 10 11 18 19 20 21 22 23]]
2.14、数组的行列交换
-
行交换:
import numpy as np t1 = np.arange(24).reshape(4,6) print(t1) print('*'*20) t1[[2,3], :] = t1[[3,2], :] print(t1) 结果: [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]] ******************** [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [18 19 20 21 22 23] [12 13 14 15 16 17]]
-
列交换:
import numpy as np t1 = np.arange(24).reshape(4,6) print(t1) print('*'*20) # t1[[2,3], :] = t1[[3,2], :] t1[:, [1,3]] = t1[:, [3,1]] print(t1) 结果: [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]] ******************** [[ 0 3 2 1 4 5] [ 6 9 8 7 10 11] [12 15 14 13 16 17] [18 21 20 19 22 23]]
2.15、numpy更多好用的方法
- 获取最大值最小值的位置。
np.argmax(t, axis=0)
,获取每列最大值的位置。np.argmin(t, axis=1)
,获取每行最小值的位置。
- 创建一个全0的数组:
np.zeros((3,4))
- 创建一个全1的数组:``np.ones((3,4))`
- 创建一个对角线为1的正方形数组(方阵):
np.eye(3)
2.16、numpy生成随机数
参数 | 解释 |
---|---|
.rand(d0, d1, ...dn) | 创建d0-dn维度的均匀分布的随机数数组,浮点数,范围从0-1 |
.randn(d0, d1, ...dn) | 创建d0-dn维度的标准正态分布随机数,浮点数,平均数0,标准差1 |
.randint(low, high, (shape)) | 从给定上下限范围选取随机数整数,范围是low, high,形状是shape |
.uniform(low, high, (size)) | 参生具有均匀分布的数组,low起始值,high结束值,size形状 |
.normal(loc, scale, (size)) | 从指定正太分布中随机抽取样本,分布中心是loc(概率分布的均值),标准差是scale,形状是size |
.seed(s) | 随机数种子,s是给定的种子值。因此计算机生成的是伪随机数,所以通过设定相同的随机数种子,可以每次生成相同的随机数 |
2.17、numpy的注意点copy和view
- a=b:完全不复制,a和b互相影响。
- a = b[:]:视图的操作,一种切片,会创建新的对象a,但是a的数据完全由b保管,他们两个的数据变化是一致的。
- a = b.copy():复制,a和b互不影响。
3、pandas
numpy能够帮助我们处理数值,但是pandas除了处理数值之外(基于numpy),还能够帮助我们处理其他类型的数据。
3.01、pandas常用的数据类型
- Series 一维,带标签数组
- DataFrame 二维,Series容器
- unique()方法去重。
3.01-1、pandas之Series创建
-
第一种创建方式。
index指定索引值,需要注意的是,索引的个数要和容器的个数一致。
import numpy as np import pandas as pd t1 = pd.Series(np.arange(6),index=list('abcdef')) 结果: a 0 b 1 c 2 d 3 e 4 f 5 dtype: int32
-
第二种创建方式:利用字典创建。
temp_dict = {"name":"fdk","age":23,"tel":10086} t = pd.Series(temp_dict) print(t) 结果: name fdk age 23 tel 10086 dtype: object
3.01-2、pandas之Series切片和索引
切片:直接导入start end 或者步长即可。
索引:一个的时候直接传入序号或者index,多个的时候传入序号或者index的列表。
#字典创建的,可以直接像操作字典一样来取值
t['name']
#普通的,可以直接通过索引来取
t[1]
#取连续的多行
t[1:3]
#取不连续的多行
t[[1,3]]或者t[['name','age']]
#通过布尔来取
t[t>4]
3.01-3、pandas之Series的索引和值
t.index
:获取Series的所有索引。t.values
:获取Series的所有值。是numpy.ndarray类型。
Series对象本质上由两个数组构成,一个数组构成对象的键(index, 索引),一个数组构成对象的值(values),键–>值
ndarray的很多方法都可以运用与Series类型,比如argmax, clip
Series具有where方法,但是结果和ndarray不同。
3.02、pandas读取外部数据
import pandas as pd
data = pd.read_csv('dogNames2.csv', delimiter=',')
print(data)
print(type(data))
读取的数据是个DataFrame
类型的。
3.03、pandas之DataFrame
pd.DataFrame(np.arange(12).reshape(3,4))
结果:
0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
DataFrame对象既有行索引,又有列索引。
行索引,表明不同行,横向索引,叫index,0轴,axis=0。
列索引,表明不同列,纵向索引,叫columns,1轴,axis=1。
3.03-1、DataFrame的基础属性
属性名称 | 含义 |
---|---|
df.shape | 行数、列数 |
df.dtypes | 列数据类型 |
df.ndim | 数据维度 |
df.index | 行索引 |
df.columns | 列索引 |
df.values | 对象值,二维ndarray数组 |
3.03-2、DataFrame整体情况查询
方法名称 | 含义 |
---|---|
df.head(3) | 显示头部几行,默认5行 |
df.tail(3) | 显示末尾几行,默认5行 |
df.info() | 相关信息概览:行数、列数、列索引、列非空值个数、列类型、内存占用 |
df.describe() | 快速综合统计结果:计数、均值、标准差、最大值、四分数、最小值。 |
3.04、pandas索引数据
-
排序:
data = df.sort_values(by="排序依据", ascending=False) #ascending默认True,即升序排列,改为False即为降序。
-
选择前20行的
Row_Labels
这一列。df[:20]['Row_Labels']
3.04-1、pandas取行或列的注意点
-
方括号写数组,表示取行,对行进行操作。
df['Row_Labels']
-
写字符串,表示的取列索引,对列进行操作。
df[:20]
如果取的单列,则这个单列的数据类型是Series类型。
3.04-2、pandas之loc
df.loc
:通过标签索引行数据。
print(t)
#当前DataFrame的内容
w x y z
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
#********************************
#选择单行单列
print(t.loc['a','w'])
#输出
0
#********************************
#选择单行多列,多行单列颠倒位置即可
print(t.loc['a',['y','z']])
#输出
y 2
z 3
#********************************
#选择间隔的多行多列
print(t.loc[['a','c'],['x','z']])
#输出
x z
a 1 3
c 9 11
#********************************
#选择连续行列的数据
print(t.loc['a':'c',['w','z']])
#输出
w z
a 0 3
b 4 7
c 8 11
#冒号在loc中是闭合的,取值包括c
#********************************
3.04-3、pandas之iloc
df.iloc
:通过位置获取行数据。
和loc操作一样,只是把标签索引换成了位置下标。
t.iloc[1:, :3]
:表示取第二行之后,第四列之前的数据。
无论是loc还是iloc。都可以在取到值后进行重新赋值,即起到了修改数组值的作用。
3.04-4、pandas之布尔索引
注意点:不同条件之间需要使用括号括起来。
-
例如:查找使用次数超过800的狗的名字。
df[df['Count_AnimalName']>800]
-
例如:查找查找使用次数超过800且小于1000的狗的名字。
df[(df['Count_AnimalName']>800)&(df[df['Count_AnimalName']<1000])]
-
例如:查找查找使用次数超过800或小于1000的狗的名字。
df[(df['Count_AnimalName']>800)|(df[df['Count_AnimalName']<1000])]
-
例如:查找查找使用次数超过800且名字长度大于4的狗的名字。
df[(df['Count_AnimalName'].str.len()>4)|(df[df['Count_AnimalName']>800])]
df['Count_AnimalName'].str
获取字符串
####3.04-5、pandas之字符串方法
方法 | 说明 |
---|---|
cat | 实现元素级的字符串连接操作,可指定分隔符 |
contains | 返回表示各字符串是否含有指定模式的布尔型数组 |
count | 模式的出现次数 |
endwith、startwith | 相当于对各元素执行x.endwith(pattern)或x.startwith(pattern) |
findall | 计算各字符串的模式列表 |
get | 获取各元素的第i个字符 |
join | 根据指定的分隔符将Series中各元素的字符串连接起来 |
len | 计算各字符串的长度 |
lower、upper | 转换大小写。相当于对各个元素执行x.lower()或x.upper() |
match | 根据指定的正则表达式对各个元素执行x.match() |
pad | 在字符串的左边、右边或者左右两边添加空白符 |
center | 相当于pad(size=‘both’) |
repeat | 重复值。例如,s.str.repeat(3)相当于对各个字符串执行x*3 |
replace | 用指定字符串替换找到的模式 |
slice | 对Series中的各个字符串进行字串截取 |
spilt | 根据分隔符或正则表达式对字符串进行拆分 |
strip、rstrip、lstrip | 去除空白符,包括换行符。相当于对各个元素执行x.strip()、x.rstrip()、x.lstrip() |
3.05、缺失数据处理
数据缺失通常有两种情况:
- 一种是空,None等,在pandas是NaN(和np.nan一样)。
- 另一种是值为0的。(看情况处理,有时0是有意义的)
判断数据是否为NaN:pd.isnull(t),pd.notnull(t)。两个正好相反。
处理方式:
- 直接删除NaN所在行:
dropna(axix=0, how='any', inplace=False)
。- how默认为any,即只要有NaN就删除,改为all,则是全为NaN才删除。
- inplace原地修改,如果为True,则说明修改的结果可以直接影响替换原来的值。如果为False,说明不是原地修改,修改的结果不影响原来的数据。
- 填充数据:
t.fillna(t.mean()), t.fillna(t.median()), t.fillna(0)
3.06、pandas的常用统计方法
-
例如电影的平均分:
df['Rating'].mean()
-
例如导演的人数:
temp_list = df['Actors'].str.split(',').tolist() nums = set([i for j in temp_list for i in j])
-
例如电影时长的最大值最小值。
max_runtime = df['Runtime (Minutes)'].max() max_runtime_index = df['Runtime (Minutes)'].argmax() min_runtime = df['Runtime (Minutes)'].min() min_runtime_index = df['Runtime (Minutes)'].argmin() runtime_median = df['Runtime (Minutes)'].median()
3.07、数据的离散化案例(统计小说各分类的数量):
首先创建一个全0的二维数组,列名为分类,然后遍历每部小说,将小说对应的分类位置置为1。最后再统计每类的1的数量即可。
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
from matplotlib import font_manager
data = pd.read_csv('xiaoshuo.csv', delimiter=',')
# 获取分类的列表
df = data['classify'].tolist()
# 获取不重复的分类
df_clo = set(df)
# 创建一个全0的数组
zeros = pd.DataFrame(np.zeros((data.shape[0], len(df_clo))), columns=df_clo)
# 将小说对应的分类置为1
for i in range(data.shape[0]):
zeros.loc[i, df[i]] = 1
# 统计各分类的小说数量
count = zeros.sum(axis=0)
# 按照数量进行排序
count_sort = count.sort_values(ascending=False)
# 设置中文字体
font = font_manager.FontProperties('SimHei', size=13)
# 设置图像大小
plt.figure(figsize=(10,5), dpi=80)
# 获取分类名称和对应的数量
_x = count_sort.index
_y = count_sort.values
# 画图
plt.bar(range(len(_x)), _y, width=0.5, color='c')
# 设置对应的刻度
plt.xticks(range(len(_x)), _x, fontproperties=font)
plt.ylim((0,15))
# 在图像中显示数量
for a, b in enumerate(_y):
plt.text(a-0.2, b+0.5, '共{}部'.format(int(b)), fontproperties=font)
plt.grid(alpha=0.5)
plt.show()
3.08、数据合并
3.08-1、数据合并之join
join:默认的情况下他是把行索引相同的数据合并到一起。
注意:如t1.join(t2)
。所有的行数索引以前面一个数组为准,即以t1
为准,t2
少的行,增加上,值置为NaN
。t2
多的行直接剔除。
即:合并后的数组的index索引
,以join
前面的数组索引为标准。
t1的数据:
A B C D
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
t2的数据
E F
0 0 1
1 2 3
2 4 5
-
t1.join(t2)
:结果A B C D E F 0 0 1 2 3 0 1 1 4 5 6 7 2 3 2 8 9 10 11 4 5
-
t2.join(t1)
:结果E F A B C D 0 0 1 0 1 2 3 1 2 3 4 5 6 7 2 4 5 8 9 10 11
3.08-2、数据合并之merge
merge:按照指定的列索引把数据按照一定的方式合并到一起。
#数据准备
In [42]: t1
Out[42]:
M N O P
A 1.0 1.0 a 1.0
B 1.0 1.0 b 1.0
C 1.0 1.0 c 1.0
In [62]: t2
Out[62]:
V W X Y Z
A 0.0 0.0 c 0.0 0.0
B 0.0 0.0 d 0.0 0.0
-
默认的合并方式inner,交集
In [66]: t1.merge(t2, left_on="O", right_on="X") Out[66]: M N O P V W X Y Z 0 1.0 1.0 c 1.0 0.0 0.0 c 0.0 0.0 # inner是默认的合并方式。 In [66]: t1.merge(t2, left_on="O", right_on="X", how="inner") Out[66]: M N O P V W X Y Z 0 1.0 1.0 c 1.0 0.0 0.0 c 0.0 0.0
-
merge outer,并集,缺失部分NaN补全
In [67]: t1.merge(t2, left_on="O", right_on="X", how="outer") Out[67]: M N O P V W X Y Z 0 1.0 1.0 a 1.0 NaN NaN NaN NaN NaN 1 1.0 1.0 b 1.0 NaN NaN NaN NaN NaN 2 1.0 1.0 c 1.0 0.0 0.0 c 0.0 0.0 3 NaN NaN NaN NaN 0.0 0.0 d 0.0 0.0
-
merge left:以左边的数组为参考
In [68]: t1.merge(t2, left_on="O", right_on="X", how="left") Out[68]: M N O P V W X Y Z 0 1.0 1.0 a 1.0 NaN NaN NaN NaN NaN 1 1.0 1.0 b 1.0 NaN NaN NaN NaN NaN 2 1.0 1.0 c 1.0 0.0 0.0 c 0.0 0.0
-
merge right:以右边的数组为参考
In [69]: t1.merge(t2, left_on="O", right_on="X", how="right") Out[69]: M N O P V W X Y Z 0 1.0 1.0 c 1.0 0.0 0.0 c 0.0 0.0 1 NaN NaN NaN NaN 0.0 0.0 d 0.0 0.0
参数解析:
- left_on:指定左边数组的列索引。
- right_on:指定右边数组的列索引。
- how:选择连接方式,交、并或左、右参考。
3.09、pandas分组和聚合
在pandas中类似的分组的操作有很简单的方法
grouped = df.groupby(by='columns_name')
#grouped是一个DataFrameGroupBy对象,是可迭代的。
#可以调用聚合方法
#grouped中的每一个元素是一个元组
#元组里面是(索引(分组的值),分组之后的DataFrame)
for i,j in grouped:
print(i,j)
#i是国家分组,j是DataFrame对象,是这个国家的店铺的数据。
3.09-1、常见的DataFrameGroupBy
对象的聚合方法:
函数名 | 说明 |
---|---|
count | 分组中非NA值的数量 |
sum | 非NA值的和 |
mean | 非NA值的平均值 |
median | 非NA值的算术中位数 |
std、var | 无偏(分母为n-1)标准差和方差 |
min、max | 非NA值的最小值和最大值 |
####3.09-2、多条件分组
grouped = df['Brand'].groupby(by=[df['Country'],df['State/Province']]).count()
#获取分组之后的某一部分数据。
#grouped = df.groupby(by=[df['Country'],df['State/Province']])['Brand'].count()
#对某几列数据进行分组。
#grouped = df.groupby(by=[df['Country'],df['State/Province']]).count()['Brand']
#以上写法结果相同。
print(type(grouped))
返回的数据类型是Series
。
如果想要返回的数据是DataFrame
类型呢?
#只需要在取列的时候,用两个方括号括起来即可:df[['Brand']]
grouped = df[['Brand']].groupby(by=[df['Country'],df['State/Province']]).count()
#其他的和Series一样。
多条件分组,返回的数前两列都是索引,即复合索引。
3.10、索引和复合索引
####3.10-1、简单的索引操作
- 获取
index
:df.index
- 指定
index
:df.index = ['x','y']
- 重新设置
index
:df.reindex(list('abcdef'))
,重新设置的index如果原来没有,就默认值为NaN,而且reindex并不会影响df本身的内容,除非重新赋值给df。 - 指定某一列的值作为
index
:df.set_index('Country', drop=False)
,drop默认为True,即将作为索引的列从列中删除。如果想要继续保留这列,则设为False。 - 指定
index
的唯一值:df.set_index('Country').index_unique()
,因为索引是可以重复的,所以unique
去重。
3.10-2、符复合索引取值操作
a数组
In [126]: a
Out[126]:
a b c d
0 0 7 one h
1 1 6 one j
2 2 5 one k
3 3 4 two l
4 4 3 two m
5 5 2 two n
6 6 1 two o
3.10-3、DataFram类型复合索引
DataFram的复合索引需要使用loc进行定位元素。
数组b = a.set_index(['c','d'])
:结果为:
#这时,数组的数据类型是DataFrame
In [130]: b
Out[130]:
a b
c d
one h 0 7
j 1 6
k 2 5
two l 3 4
m 4 3
n 5 2
o 6 1
- 如果想要取
one
,k
对应的b
列的值。b.loc['one'].loc['j','b']
。
3.10-4、Series类型复合索引
数组c = b['a']
:结果为:
In [135]: c
Out[135]:
c d
one h 0
j 1
k 2
two l 3
m 4
n 5
o 6
Name: a, dtype: int64
c['one']['j']
c['one','j']
3.10-5、取内层索引-索引交换
In [162]: c.index
Out[162]:
MultiIndex(levels=[['one', 'two'], ['h', 'j', 'k', 'l', 'm', 'n', 'o']],
labels=[[0, 0, 0, 1, 1, 1, 1], [0, 1, 2, 3, 4, 5, 6]],
names=['c', 'd'])
- level:相当于索引的内外层。
- swaplevel()就是交换内外层索引位置。
swaplevel()
可以将复合索引进行交换。将内层索引换到外层,再进行取值。
数组d = a.set_index(['d','c'])['a']
:结果为:
In [143]: d
Out[143]:
d c
h one 0
j one 1
k one 2
l two 3
m two 4
n two 5
o two 6
Name: a, dtype: int64
-
取
one
对应的值:swaplevel()
交换水平的索引。d.swaplevel()
后和b
格式一样。就可以直接取了。取内层索引
In [150]: d.swaplevel()['one'] Out[150]: d h 0 j 1 k 2 Name: a, dtype: int64
###3.11、时间序列
3.11-1、生成一段时间
pd.date_range(start=None,end=None,periods=None,freq='D')
#periods表示时间段,生成的时间个数
#freq表示时间的频率。年月日等
-
start
和end
以及freq
配合能够生成start
和end
范围内以频率freq
的一组时间索引。 -
start
和periods
以及freq
配合能够生成从start
开始的频率为freq
的periods
个时间索引。
3.11-2、关于频率的更多缩写
别名 | 偏移量类型 | 说明 |
---|---|---|
D | Day | 每个日历日 |
B | BusinessDay | 每个工作日 |
H | Hour | 每小时 |
T或min | Minute | 每分 |
S | Second | 每秒 |
Lms | Milli | 每毫秒(即千分之一秒) |
U | Micro | 每微秒(即每百万分之一秒) |
M | MonthEnd | 每月最后一个日历日 |
BM | BusinessMonthEnd | 每月最后一个工作日 |
MS | MonthBegin | 每月第一个日历日 |
BMS | BusinessMonthBegin | 每月第一个工作日 |
3.11-3、在DataFrame中使用时间序列
In [14]: index = pd.date_range('20181123',periods=10)
In [15]: df = pd.DataFrame(np.random.rand(10),index=index)
结果:
In [16]: df
Out[16]:
0
2018-11-23 0.273883
2018-11-24 0.171428
2018-11-25 0.262788
2018-11-26 0.483741
2018-11-27 0.215211
2018-11-28 0.361931
2018-11-29 0.696446
2018-11-30 0.241175
2018-12-01 0.227588
2018-12-02 0.855655
-
时间字符串转换为时间序列
df['timeStramp'] = pd.to_datetime(df['timeStramp'],format='')
- format参数大部分情况下可以不用写,但是对于pandas无法格式化的时间字符串,我们可以使用该参数,比如包含中文的。
3.11-4、pandas重采样
重采样:指的是将时间序列从一个频率转化为另一个频率进行处理的过程,将高频率数据转化为低频率数据为降采样,低频率转化为高频率为升采样。
pandas
提高了一个resample
的方法来帮助我们实现频率转化。
-
t.resample(‘M’).mean()
-
t.resample(‘10D’).count()
####3.11-5、PeriodIndex时间段转换
之前的DatetimeIndex可以理解为时间戳,你们PeriodIndex可以理解为时间段。
可以把分开的、零散的时间字符串通过PeriodIndex的方法进行组合,转化为pandas的时间序列。
periods = pd.PeriodIndex(year=data['year'],month=data['month'],day=data['day'],hour=data['hour'],freq='H')
如果给这个时间段降采样呢?
data = df.set_index(periods).resample('10D').mean()