Python pandas 各类 操作 备忘

>>> import pandas as pd

>>> factors={'2021':36.45,'2020':35.43,'2019':34.65,'2018':33.9,'2017':33.14}

# 必须加index，index中是列表,列表个数，即为记录数。
# 下面是以关键字为列名，共5列
>>> df = pd.DataFrame(factors,index=[1])

# 结果如下：
    2021   2020   2019  2018   2017
1  36.45  35.43  34.65  33.9  33.14

# 下面是分成2列，即key为一列，item为一列
>>> df = pd.DataFrame( list(zip(factors.keys(),factors.values())) ,columns=['Year','Factor'])

   Year  Factor
0  2021   36.45
1  2020   35.43
2  2019   34.65
3  2018   33.90
4  2017   33.14

# 选择记录
>>> df[2:4]
   Year  Factor
2  2019   346.5
3  2018   339.0

# 新增一行记录 'Year'列=2016 （如果index已存在，则直接修改）
>>> df.loc[5,'Year']=2016
>>> df
   Year  Factor
0  2021   36.45
1  2020   35.43
2  2019   34.65
3  2018   33.90
4  2017   33.14
5  2016     NaN

# 删除某一行记录， axis=0 为默认值， =0 表示删除行，=1删除列。
>>> df.drop(5,axis=0)
   Year  Factor
0  2021   36.45
1  2020   35.43
2  2019   34.65
3  2018   33.90
4  2017   33.14

# 增加一列空列
>>> df['memo'] = '' #新增列值为空
>>> df = df.reindex(columns=['Year','Factor','memo'])        #新增列值为Nan
   Year  Factor memo
0  2021   36.45     
1  2020   35.43     
2  2019   34.65     
3  2018   33.90     
4  2017   33.14     

# 删除某一列，labels 表示列名。axis=1表示删除列。inplace=True，直接修改
>>> df.drop(labels=['memo'],axis=1,inplace=True)
   Year  Factor
0  2021   36.45
1  2020   35.43
2  2019   34.65
3  2018   33.90
4  2017   33.14
5  2016     NaN

# 针对某一列进行操作，如统一乘10，可以用apply
>>> df.loc[:,'Factor'] = df['Factor'].apply(lambda x: x * 10) # 也可以代入函数 如 lambda x:func(x)
>>> df.loc[:,'Factor'] = [ x * 10 for x in df['Factor']]    #这个也可以
>>> df
   Year  Factor
0  2021   364.5
1  2020   354.3
2  2019   346.5
3  2018   339.0
4  2017   331.4
5  2016     NaN

# pandas read_csv

df = pd.read_csv(csv_path,encoding='utf8',sep=';',header=None,usecols=[0,1,5,6],names=['ID','Desc','Last_Update','Note'], skiprows=[0]).astype('str')
header=None #不要默认的列名
usecols = [0,1,5,6]    # 只要第1/2/6/8列，若数据列数不够，则该列为空。
names = ['ID','Desc','Last_Update','Note'] # 自定义的列名，与usecols个数一致。
skiprows=[0] # 跳过第1行，可多行，如第1和2行 = [0,1]
df.astype('str') #将df转成str，或某一列，如 df['ID'].astype('str')

df.drop_duplicates(column_list) # 去重操作，column_list是列表，可多列。
df.values.tolist() # 转成列表，或者 df['ID'].values.tolist()

# 读取大容量csv文件
# chunksize 分片 读取
pd.concat(pd.read_csv(input_path,chunksize=10000,iterator=True, encoding= codetxt ,sep=septxt),ignore_index=True)

#df 合并 : pd.merge(left, right, how, on )

pandas 合并行或列，透视与逆透视 (melt, pivot, concat)

# 统计

>>> df[['age','wgt']].groupby('age',as_index=False).sum()

将age分组，计算所有wgt的和。

sum()可以用其它函数代替，比如count

as_index=False，将分组后的age当成一列，而不是变成index。

默认as_index=True，即age成为index。

没有加sum()，则是个 groupby对象，加了以后变成df

#保存多个工作表到EXCEL

xlsx = pd.ExcelWriter(savepath)

df1.to_excel(xlsx,sheet_name='table1',index=False)

df2.to_excel(xlsx,sheet_name='table2',index=False)

# 统计信息 ：describe()后的数据不是df对象，可以加个 to_frame()

>>> df['wgt'].describe().to_frame()

# 两列直接计算并赋值给另一列

>>> df['universe'] = df['wgt'] * df['factor']

# 删除某一列

>>> df.drop(columns=['factor'],inplace=True)  

# df字段explode，df中某列的值是列表，经过df.explode(字段) 后，拆成数行。

>>> df
   a          b
0  A  [1, 2, 3]
1  B        [4]
2  C        [5]

>>> df.explode('b')
   a  b
0  A  1
0  A  2
0  A  3
1  B  4
2  C  5

# 读取zip压缩文件夹中的某个csv文件 , pd.read_csv的参数

import zipfile
import pandas as pd
def read_Dicc_zip(self,zip_file_path):
    _zip = zipfile.ZipFile(zip_file_path)
    data = _zip.open(_zip.namelist()[0])
    df = pd.read_csv(data,encoding='utf8',sep=';',
        header=None,usecols=[0,1,5,6],
        names=['ID','Description','Last_Update','Note'], 
        skiprows=[0]).astype('str')
    df.Note=df.Note.str.replace(',',' | ')
    df['Last_Update'] = df['Last_Update'].apply(lambda x: x[:10])
    return df

>>> 导入数据
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，抽取其中的tables表格
pd.read_clipboard()：从你的粘贴板获取内容，并传给read_table()
pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据

>>> 导出数据
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

>>> 创建测试对象
pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一个日期索引

>>> 查看、检查数据
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
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
df.iloc[0,0]：返回第一列的第一个元素
df.values[:,:-1]:返回除了最后一列的其他列的所以数据
df.query('[1, 2] not in c'): 返回c列中不包含1，2的其他数据集

>>> 数据清理
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.dropna(axis=1)：删除所有包含空值的列
df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行
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
s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3
df.rename(columns=lambda x: x + 1)：批量更改列名
df.rename(columns={'old_name': 'new_ name'})：选择性更改列名
df.set_index('column_one')：更改索引列
df.rename(index=lambda x: x + 1)：批量重命名索引

>>> 数据处理：Filter、Sort和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.sort_values(col2, ascending=False)：按照列col1降序排列数据
df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
df.groupby(col)：返回一个按列col进行分组的Groupby对象
df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
df.groupby(col1)[col2]：返回按列col1进行分组后，列col2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
df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max

>>> 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