一文搞定Pandas核心概念之DataFrame

 

DataFrame概述

DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。如下图所示：整个表格是DataFrame，每一列就是一个Series。关于Series可以参考文章： https://blog.csdn.net/liwenxiang629/article/details/128184091

 

DataFrame 构造方法如下：

pandas.DataFrame( data, index, columns, dtype, copy)

参数说明：

data：一组数据(ndarray、series, map, lists, dict 等类型)。

index：索引值，或者可以称为行标签。

columns：列标签，默认为 RangeIndex (0, 1, 2, …, n) 。

dtype：数据类型。

copy：拷贝数据，默认为 False。

DataFrame获取元素的经典实例

实例1

import pandas as pd
data = [['kevin',40],['mike',40],['tony',50]]
df = pd.DataFrame(data,columns=['name','Age'])
print(df)

输出

<class 'pandas.core.frame.DataFrame'>

name Age

0 kevin 40

1 mike 40

2 tony 50

实例2

我们还可以使用字典创建DataFrame

data = [{'a': 40, 'b': 40},{'c': 50},{'a': 50, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print (df)

a b c

0 40.0 40.0 NaN

1 NaN NaN 50.0

2 50.0 10.0 20.0

注意这里没有对应的部分数据为 NaN。

实例3

我们可以改变用如下方法改变index的值，代码如下：

data1 = [['kevin',40],['mike',40],['tony',50]]
df = pd.DataFrame(data1,columns=['name','Age'],index = ["a", "b", "c"])
print(df)

输出

name Age

a kevin 40

b mike 40

c tony 50

默认索引值是0 1 2

实例4

Pandas 可以使用 loc 属性返回指定索引对应到某一行：

例如获取上面例子中kevin的值，可以通过如下方法

print(df.loc["a","name"])

kevin

实例5

获取a 行所有的值可以使用

print(df.loc["a"])

输出

name kevin

Age 40

Name: a, dtype: object

实例6

获取name列所有的值可以使用

print(df.loc[:,"name"])

输出

a kevin

b mike

c tony

Name: name, dtype: object

实例7

获取index a和b 所在的name列的值可以使用

print(df.loc["a":"b","name"])

输出

a kevin

b mike

Name: name, dtype: object

API的概要说明

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