一,数据加载
1.1导入numpy和pandas(使用pip安装,并且使用import导入)
!pip install numpy
!pip install pandas
import numpy as np
import pandas as pd
1.2载入数据
1.2.1载入数据分两种方式;使用相对路径载入,使用绝对路径载入
使用相对路径如 df=pd.read_csv('train.csv'),
使用绝对路径如 df=pd.read_csv(r'C:\Users\14999\Desktop\pandas入门\train.csv'),
1.2.2pd.read_csv()和pd.read_table()的不同:
# 使用 pd.read_csv() 读取 CSV 文件
df_csv = pd.read_csv('example.csv')
# 使用 pd.read_table() 读取相同的 CSV 文件,通过设置 sep=','
df_table = pd.read_table('example.csv', sep=',')
已知'.tsv'和'.csv'的不同,如何加载这两个数据集?
#加载csv
df_csv = pd.read_csv('data.csv')
#加载tsv
df_tsv = pd.read_csv('data.tsv', sep='\t')#加载tsv
1.3逐块读取
数据被分成较小的块,然后依次读取和处理每个块,而不是一次性将整个数据集加载到内存中。
逐块处理可能更加高效,避免内存溢出错误,数据是连续产生的
可以这样实现分块:
chunk_size = 10000 # 每个块包含的行数
for chunk in pd.read_csv('large_file.csv', chunksize=chunk_size):
# 对每个块执行操作
print(chunk.head()) # 示例:打印每个块的前几行
1.4表头和索引的修改
对两者的修改,可以将英文资料通过翻译变得更加直观
使用names来将表头逐项修改,再使用index_col来修改索引
names是使用倒着的顺序来填充,需要指定每一项
df=pd.read_csv('train.csv',names=['乘客ID','是否幸存','仓位等级','姓名','性别','年龄','兄弟姐妹个数','父母子女个数','船票信息','票价','客舱','登船港口'],index_col='乘客ID',header=0)
二,数据的初步观察
2.1 查看数据的基本信息
可以使用df.info()
df.info()
是Pandas库中DataFrame对象的一个非常有用的方法,它用于快速获取DataFrame的简要信息。当你对一个DataFrame执行df.info()
时,它会输出以下一些关键信息:
-
<class 'pandas.core.frame.DataFrame'>:这一行表示你正在查看的是一个DataFrame对象。
-
RangeIndex:显示DataFrame的索引类型(默认情况下是RangeIndex,即从0开始的整数索引)以及索引的范围(即第一个索引和最后一个索引的值)。
-
Data columns (total N columns):告诉你DataFrame中总共有多少列,N是列的总数。
-
Columns:列出每一列的名称,以及每列的非空值数量(Non-Null Count)、数据类型(Dtype)。这对于快速检查数据缺失情况和数据类型非常有用。
-
Memory usage:显示整个DataFrame占用的内存大小。
2.2观察表格前10行和后15行
df.head()用于查看DataFrame的前几行数据。
df.tail()用于查看DataFrame的后几行数据。
2.3判断数据是否为空,为空的地方返回True,其余地方返回False
df.isnull()
方法用于检测DataFrame中的缺失值(即NaN值)。它会返回一个与原DataFrame形状相同的布尔型DataFrame,其中每个元素都是True
或False
,表示对应位置的元素是否为缺失值(NaN)。接着,你可以使用.head(5)
方法来查看这个布尔型DataFrame的前5行,以快速了解数据集中哪些位置存在缺失值。
三,pandas基础
3.1认识数据类型
pandas中有两个数据类型DateFrame和Series,假设我们有一个简单的员工数据集,包含员工的姓名、年龄和部门。我们可以使用DataFrame
来表示这个数据集,并使用Series
来展示某个特定列(比如年龄)的数据。
import pandas as pd
# 创建一个DataFrame来存储员工数据
data = {
'姓名': ['张三', '李四', '王五', '赵六'],
'年龄': [28, 34, 29, 32],
'部门': ['技术部', '市场部', '技术部', '财务部']
}
df = pd.DataFrame(data)
# 显示DataFrame
print("完整的员工DataFrame:")
print(df)
# 使用Series来展示年龄列
ages = df['年龄']
print("\n员工年龄Series:")
print(ages)
# 对Series进行操作,比如找出年龄最大的员工
max_age = ages.max()
print(f"\n年龄最大的员工是: {max_age}岁")
# 结合DataFrame和Series进行条件筛选,比如找出技术部的员工
tech_dept = df[df['部门'] == '技术部']
print("\n技术部的员工:")
print(tech_dept)
# 进一步,我们可以从筛选后的DataFrame中选取特定列(比如姓名)
tech_dept_names = tech_dept['姓名']
print("\n技术部员工的姓名:")
print(tech_dept_names)
3.2查看DataFrame数据的每列的名称
df.columns
3.3查看"Cabin"这列的所有值
df['Name']
3.4删除多余的列
del test1['a']
也可以使用drop:drop()方法是pandas中删除列最常用的方法之一。通过指定axis=1(表示按列操作)和列名(或列名列表)
可以灵活地删除单列或多列。此外,通过设置inplace=True参数,
可以直接在原DataFrame上进行修改,否则将返回一个新的DataFrame。
四,筛选的逻辑
4.1以"Age"为筛选条件,显示年龄在10岁以下的乘客信息。
df[df['Age']<10]
4.2 以"Age"为条件,将年龄在10岁以上和50岁以下的乘客信息显示出来,并将这个数据命名为midage
midage=df[(df['Age']>10)&(df['Age'])<50]
midage.head(3)
4.3将midage的数据中第100行的"Pclass"和"Sex"的数据显示出来
midage.loc[[100],['Pclass','Sex']]
reset_index()函数的作用是pandas 中主要用于重置 DataFrame 或 Series 的索引,使其从0开始
使用 reset_index() 来恢复原始列,可能将无法直接访问该列的值。
4.4使用loc方法将midage的数据中第100,105,108行的"Pclass","Name"和"Sex"的数据显示出来
midage.loc[[100,105,108],['Pclass','Name','Sex']]
4.5任务五:使用iloc方法将midage的数据中第100,105,108行的"Pclass","Name"和"Sex"的数据显示出来¶
midage.iloc[[100,105,108],[2,3,4]]
五,探索性数据分析
5.1在pandas中对数据进行排序
frame = pd.DataFrame(np.arange(8).reshape((2, 4)),
index=['2', '1'],
columns=['d', 'a', 'b', 'c'])
frame
【代码解析】
pd.DataFrame() :创建一个DataFrame对象
np.arange(8).reshape((2, 4)) : 生成一个二维数组(2*4),第一列:0,1,2,3 第二列:4,5,6,7
index=['2, 1] :DataFrame 对象的索引列
columns=['d', 'a', 'b', 'c'] :DataFrame 对象的索引行
利用Pandas对示例数据进行排序,要求升序
frame.sort_values(by='c',ascending=True)
# 让行索引升序排序
frame.sort_index()
# 让列索引升序排序
frame.sort_index(axis=1)
# 让列索引降序排序
frame.sort_index(axis=1,ascending=False)
# 让任选两列数据同时降序排序
frame.sort_values(by=['a','c'],ascending=False)
5.2利用Pandas进行算术计算,计算两个DataFrame数据相加结果
frame1_a = pd.DataFrame(np.arange(9.).reshape(3, 3),
columns=['a', 'b', 'c'],
index=['one', 'two', 'three'])
frame1_b = pd.DataFrame(np.arange(12.).reshape(4, 3),
columns=['a', 'e', 'c'],
index=['first', 'one', 'two', 'second'])
frame1_a
frame1_a+frame1_b
5.3学会使用Pandas describe()函数查看数据基本统计信息
frame2 = pd.DataFrame([[1.4, np.nan],
[7.1, -4.5],
[np.nan, np.nan],
[0.75, -1.3]
], index=['a', 'b', 'c', 'd'], columns=['one', 'two'])
frame2.describe()