一、文件读取与写入
Pandas是基于Numpy的一种工具,纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具。
导入库
import pandas as pd
import numpy as np
读取数据
- csv文件
df = pd.read_csv('data/table.csv')
df.head()
- txt文件
df_txt = pd.read_table('data/table.txt') #可设置sep分隔符参数
df_txt
- xls或xlsx文件(需要先安装xlrd包)
df_excel = pd.read_excel('data/table.xlsx')
df_excel.head()
写入数据
- csv格式
df.to_csv('data/new_table.csv')
#df.to_csv('data/new_table.csv', index=False) #保存时除去行索引
- xls或xlsx格式(需要安装openpyxl)
df.to_excel('data/new_table2.xlsx', sheet_name='Sheet1')
二、基本数据结构
Pandas基于两种数据类型:series和dataframe。
Series
series是pandas中最基本的对象,类似一维数组。和numpy的数组不同,series能为数据自定义标签(即索引),并通过索引来访问数组中的数据。
对于一个Series,其中最常用的属性为值(values),索引(index),名字(name),类型(dtype)。
创建一个series
s = pd.Series(np.random.randn(5),index=['a','b','c','d','e'],name='这是一个Series',dtype='float64')
访问series属性
属性方法 | 说明 |
---|---|
s.values | 访问s的内容 |
s.index | 获取s的索引 |
s.iteritems() | 获取索引和值对 |
s.dtype | 获取s的数据类型 |
s[‘a’] | 根据索引访问元素 |
调用方法
s.mean()
查看series可调用的方法
print([attr for attr in dir(s) if not attr.startswith('_')])
DataFrame
dataframe是一个二维的表结构,可以存储不同的数据类型,并且每一个坐标轴都有自己的标签。
创建一个dataframe
df = pd.DataFrame({'col1':list('abcde'),'col2':range(5,10),'col3':[1.3,2.5,3.6,4.6,5.8]},
index=list('一二三四五'))
从dataframe取出一列为Series
df['col1']
修改行或列名
df.rename(index={'一':'one'},columns={'col1':'new_col1'})
调用属性和方法
属性方法 | 说明 |
---|---|
df.index | 访问行索引 |
df.columns | 访问列索引 |
df.values | 访问数据 |
df.shape | 获取df的数据形状 |
索引对齐特性
df1 = pd.DataFrame({'A':[1,2,3]},index=[1,2,3])
df2 = pd.DataFrame({'A':[1,2,3]},index=[3,1,2])
df1-df2 #由于索引对齐,因此结果不是0
列的删除——drop、del、pop
- drop
df.drop(index='五',columns='col1') #设置inplace=True后会直接在原DataFrame中改动
2. del
df['col1']=[1,2,3,4,5]
del df['col1']
df
- pop
pop方法直接在原来的DataFrame上操作,且返回被删除的列
df['col1']=[1,2,3,4,5]
df.pop('col1')
df
列的增加
df1['B']=list('abc')
df1
df1.assign(C=pd.Series(list('def')))#assign方法不会对原DataFrame做修改
根据类型选择列
df.select_dtypes(include=['number']).head()
将series转换为dataframe
s.to_frame()
s.to_frame().T #转置
三、常用基本函数
基本函数 | 说明 |
---|---|
head(n) | 默认返回前5行,可指定返回行数 |
tail() | 返回后5行 |
nunique() | 显示有多少个唯一值 |
unique() | 显示所有的唯一值 |
count() | 返回非缺失值元素个数 |
value_counts() | 返回每个元素有多少个 |
info() | 返回有哪些列、有多少非缺失值、每列的类型 |
describe() | 统计数值型数据的各个统计量 |
idxmax () | 返回最大值 |
nlargest(n) | 返回前n个大的元素值 |
clip(m,n) | 对超过或者低于某些值的数进行截断 |
replace() | 替换值 |
四、排序
索引排序
df.set_index('Math').sort_index().head() #可以设置ascending参数,默认为升序,True
值排序
df.sort_values(by='Class').head()
多个值排序,即先对第一层排,在第一层相同的情况下对第二层排序。
df.sort_values(by=['Address','Height']).head()
五、问题与练习
1. 问题
【问题一】 Series和DataFrame有哪些常见属性和方法?
Series
属性方法 | 说明 |
---|---|
s.values | 访问s的内容 |
s.index | 获取s的索引 |
s.iteritems() | 获取索引和值对 |
s.dtype | 获取s的数据类型 |
s[‘a’] | 根据索引访问元素 |
DataFrame
属性方法 | 说明 |
---|---|
df.index | 访问行索引 |
df.columns | 访问列索引 |
df.values | 访问数据 |
df.shape | 获取df的数据形状 |
【问题二】 value_counts会统计缺失值吗?
value_counts不会统计缺失值。
【问题三】 与idxmax和nlargest功能相反的是哪两组函数?
idxmin和nsmallest
【问题四】 在常用函数一节中,由于一些函数的功能比较简单,因此没有列入,现在将它们列在下面,请分别说明它们的用途并尝试使用。sum/mean/median/mad/min/max/abs/std/var/quantile/cummax/cumsum/cumprod
函数 | 说明 |
---|---|
sum | 求和 |
mean | 求均值 |
median | 求中位数 |
mad | 求平均绝对偏差 |
max | 求最大值 |
min | 求最小值 |
abs | 求绝对值 |
std | 求标准差 |
var | 求方差 |
quantile | 求分位数 |
cummax | 累积最大值 |
cumsum | 累积求和 |
cumprod | 累乘 |
【问题五】 df.mean(axis=1)是什么意思?它与df.mean()的结果一样吗?第一问提到的函数也有axis参数吗?怎么使用?
df.mean(axis=1)意思是对df按列求均值。
axis = 0表示保持列标签不变,对行进行操作;axis = 1表示保持行标签不变,对列进行操作。
2. 练习
【练习一】 现有一份关于美剧《权力的游戏》剧本的数据集,请解决以下问题:
(a)在所有的数据中,一共出现了多少人物?
(b)以单元格计数(即简单把一个单元格视作一句),谁说了最多的话?
(c)以单词计数,谁说了最多的单词?
import pandas as pd
df = pd.read_csv('data/Game_of_Thrones_Script.csv')
df.head()
df['Name'].nunique()
一共出现了564个人物。
df['Name'].value_counts()
以单元格计数,tyrion lannister说了最多的话。
【练习二】现有一份关于科比的投篮数据集,请解决如下问题:
(a)哪种action_type和combined_shot_type的组合是最多的?
(b)在所有被记录的game_id中,遭遇到最多的opponent是一个支?
import pandas as pd
df = pd.read_csv('data/Kobe_data.csv',index_col='shot_id')
df.head()
pd.Series(list(zip(df['action_type'],df['combined_shot_type']))).value_counts()
Jump Shot, Jump Shot的组合最多。
df.groupby('game_id')['opponent'].unique().astype('str').value_counts()