目录
一、生成数据表
1、首先导入pandas库,一般都会用到numpy库,所以我们先导入备用:
import numpy as np
import pandas as pd
2、导入CSV或者xlsx文件:
df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))
3、用pandas创建数据表:
df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
"date":pd.date_range('20130102', periods=6),
"city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
"age":[23,44,54,32,34,32],
"category":['100-A','100-B','110-A','110-C','210-A','130-F'],
"price":[1200,np.nan,2133,5433,np.nan,4432]},
columns =['id','date','city','category','age','price'])
注:在pandas中有一个非常常用的函数date_range,尤其是在处理时间序列数据时,这个函数的作用就是产生一个DatetimeIndex,就是时间序列数据的索引。这个函数的使用方式就是如下所示:pd.data_range(start=none,end=none,...)
二、数据表信息查看
1、维度查看:
df.shape
2、数据表基本信息(维度、列名称、数据格式、所占空间等):
df.info()
3、每一列数据的格式:
df.dtypes
4、某一列格式:
df['B'].dtype
5、空值:
df.isnull()
6、查看某一列的唯一值:
df['B].unique()
7、查看数据表的值:
df.values
8、查看列名称:
df.columns
9、查看前10行数据、后10行数据:
df.head()
df.tail()
三、数据表清洗
1、用数字0填充空值:
df.fillna(value=0)
2、使用列prce的均值对NA进行填充:
df.fillna(df['price'].mean())
补充1:替换
1)、replace:在处理数据的时候,很多时候会遇到批量替换的情况,如果一个一个去修改效率过低,也容易出错。replace()是很好的方法。
Python replace() 方法把字符串中的 old(旧字符串) 替换成 new(新字符串),如果指定第三个参数max,则替换不超过 max 次。
replace()方法语法:
str.replace(old, new[, max])
- old -- 将被替换的子字符串。
- new -- 新字符串,用于替换old子字符串。
- max -- 可选字符串, 替换不超过 max 次
返回字符串中的 old(旧字符串) 替换成 new(新字符串)后生成的新字符串,如果指定第三个参数max,则替换不超过 max 次。
以下实例展示了replace()函数的使用方法:
#!/usr/bin/python
str = "this is string example....wow!!! this is really string";
print str.replace("is", "was");
print str.replace("is", "was", 3);
以上实例输出结果如下:
thwas was string example....wow!!! thwas was really string
thwas was string example....wow!!! thwas is really string
3、清楚city字段的字符空格:
1 |
|
4、大小写转换:
df['city']=df['city'].str.lower()
5、更改数据格式:
df['price'].astype('int')
6、更改列名称:
df.rename(columns={'category': 'category-size'})
7、删除后出现的重复值:
df['city'].drop_duplicates()
8、删除先出现的重复值:
1 |
|
9、数据替换:
df['city'].replace('sh', 'shanghai')
四、数据预处理
df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],
"gender":['male','female','male','female','male','female','male','female'],
"pay":['Y','N','Y','Y','N','Y','N','Y',],
"m-point":[10,12,20,40,40,40,30,20]})
1、数据表合并
df_inner=pd.merge(df,df1,how='inner') # 匹配合并,交集
df_left=pd.merge(df,df1,how='left') #
df_right=pd.merge(df,df1,how='right')
df_outer=pd.merge(df,df1,how='outer') #并集
how : {‘left’, ‘right’, ‘outer’, ‘inner’}, default ‘inner’
- left: use only keys from left frame, similar to a SQL left outer join; preserve key order(以左表为主)
- right: use only keys from right frame, similar to a SQL right outer join; preserve key order(以右表为主)
- outer: use union of keys from both frames, similar to a SQL full outer join; sort keys lexicographically(包含两个全部信息)
- inner: use intersection of keys from both frames, similar to a SQL inner join; preserve the order of the left keys(包含两表共同信息)
2、设置索引列
df_inner.set_index('id')
3、按照特定列的值排序:
df_inner.sort_values(by=['age'])
4、按照索引列排序:
df_inner.sort_index()
5、如果prince列的值>3000,group列显示high,否则显示low:
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
6、对复合多个条件的数据进行分组标记
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1
7、对category字段的值依次进行分列,并创建数据表,索引值为df_inner的索引列,列名称为category和size
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))
补充:split
Python中有split()和os.path.split()两个函数,具体作用如下:
split():拆分字符串。通过指定分隔符对字符串进行切片,并返回分割后的字符串列表(list)
os.path.split():按照路径将文件名和路径分割开
1、split()函数
语法:str.split(str="",num=string.count(str))[n]
参数说明:
str:表示为分隔符,默认为空格,但是不能为空('')。若字符串中没有分隔符,则把整个字符串作为列表的一个元素
num:表示分割次数。如果存在参数num,则仅分隔成 num+1 个子字符串,并且每一个子字符串可以赋给新的变量
[n]:表示选取第n个分片
注意:当使用空格作为分隔符时,对于中间为空的项会自动忽略
2、os.path.split()函数
语法:os.path.split('PATH')
参数说明:
1.PATH指一个文件的全路径作为参数:
2.如果给出的是一个目录和文件名,则输出路径和文件名
3.如果给出的是一个目录名,则输出路径和为空文件名
二、分离字符串
string = "www.gziscas.com.cn"
1.以'.'为分隔符
print(string.split('.'))
['www', 'gziscas', 'com', 'cn']
2.分割两次
print(string.split('.',2))
['www', 'gziscas', 'com.cn']
3.分割两次,并取序列为1的项
print(string.split('.',2)[1])
gziscas
4.分割两次,并把分割后的三个部分保存到三个文件
u1, u2, u3 =string.split('.',2)
print(u1)—— www
print(u2)—— gziscas
print(u3) ——com.cn
三、分离文件名和路径
import os
print(os.path.split('/dodo/soft/python/'))
('/dodo/soft/python', '')
print(os.path.split('/dodo/soft/python'))
('/dodo/soft', 'python')
四、实例
str="hello boy<[www.baidu.com]>byebye"
print(str.split("[")[1].split("]")[0])
www.baidu.com
8、将完成分裂后的数据表和原df_inner数据表进行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
五、数据提取
主要用到的三个函数:loc,iloc和ix,loc函数按标签值进行提取,iloc按位置进行提取,ix可以同时按标签和位置进行提取。
1、按索引提取单行的数值
df_inner.loc[3]
补充:按条件提取替换:
raw.loc[raw['season']=='9-Oct','season'] = 'Oct-9' #将raw的season列的9-Oct替换成Oct-9,注:索引,位置用[]
2、按索引提取区域行数值
df_inner.iloc[0:5]
3、重设索引
df_inner.reset_index()
4、设置日期为索引
df_inner=df_inner.set_index('date')
5、提取4日之前的所有数据
df_inner[:'2013-01-04']
6、使用iloc按位置区域提取数据
1 |
|
7、适应iloc按位置单独提起数据
1 |
|
8、使用ix按索引标签和位置混合提取数据
1 |
|
9、判断city列的值是否为北京
1 |
|
10、判断city列里是否包含beijing和shanghai,然后将符合条件的数据提取出来
1 |
|
11、提取前三个字符,并生成数据表
1 |
|
六、数据筛选
使用与、或、非三个条件配合大于、小于、等于对数据进行筛选,并进行计数和求和。
1、使用“与”进行筛选
1 |
|
2、使用“或”进行筛选
1 |
|
3、使用“非”条件进行筛选
1 |
|
4、对筛选后的数据按city列进行计数
1 |
|
5、使用query函数进行筛选
1 |
|
6、对筛选后的结果按price进行求和
1 |
|
七、数据汇总
主要函数是groupby和pivote_table
1、对所有的列进行计数汇总
1 |
|
2、按城市对id字段进行计数
1 |
|
3、对两个字段进行汇总计数
1 |
|
4、对city字段进行汇总,并分别计算prince的合计和均值
1 |
|
八、数据统计
数据采样,计算标准差,协方差和相关系数
1、简单的数据采样
1 |
|
2、手动设置采样权重
1 2 |
|
3、采样后不放回
1 |
|
4、采样后放回
1 |
|
5、 数据表描述性统计
1 |
|
6、计算列的标准差
1 |
|
7、计算两个字段间的协方差
1 |
|
8、数据表中所有字段间的协方差
1 |
|
9、两个字段的相关性分析
1 |
|
10、数据表的相关性分析
1 |
|
九、数据输出
分析后的数据可以输出为xlsx格式和csv格式
1、写入Excel
1 |
|
2、写入到CSV
1 |
|
十、数据拼接合并
1、merge 函数
现有两个DataFrame:
基本的结构pd.merge(第一个DataFrame,第二个DataFrame,合并方式,第一个DataFrame合并用的键,第二个DataFrame合并用的键)。
后面两个好像有点累赘(第一个DataFrame合并用的键,第二个DataFrame合并用的键),如果两个DataFrame用的键列名都一样的话,可以改成on='门店'。这样就简洁一点了。
如果两个DataFrame中有相同的列名,合并时默认会在第一个DataFrame的列名后加后缀_x, 在第二个的后面加_y。如果想修改需要用到参数suffixes=(,)。
从上面的表我们发现,这个很多列并不是我们想要的,在填写两个DataFrame时可以直接选取我们想要的几列,这样显示的结果就简洁了。记得筛选多列的时候是两个方括号。
合并的方式有四种left, inner, right,outer。
how='inner' 只合并两个DataFrame里面都有行。
how='left' 除了含两个表里都有的行,也会将第一个表中独有的行合并。
how='right' 除了含两个表里都有的行,也会将第二个表中独有的行合并。
how='outer'除了含两个表里都有的行,也会将两个表中独有的行合并。
所以,在写函数时,第一个和第二个DataFrame的顺序不要错了。
在使用left,right的时候就会产生空值。只要在语句后面加.fillna(0)就可以填充了。
pandas有个很方便的特点就是多个函数可以连在一起使用,只要用点连起来就行了。
如果合并的时候要用索引作为键的话,就不能用on, left_on, right_on了,要使用left_index=True, right_index=True
在合并的时候,是默认按照键的顺序进行排列,如果两个DataFrame都很大的话,合并时就会很慢,如果不需要排序就需要添加参数sort=False。
系统还提供了一个参数,indicator=True,这个参数会添加一列,用来注明,每一行是来自于哪个DataFrame:
合并时,还有一个类似的函数 df.join(df2, on='门店', how='left'),跟merge差不多,但是不如merge方便,好理解(1:没有left_on,right_on;2:如果有相同列名,一定要指明后缀)。这里就不多讲了。
还有最后一个问题:
如果我想纵向匹配合并,怎么办???
merge()里面并没有axis=0这样的参数,如果需要纵向匹配合并,可以先将DataFrame转置之后(.T)再合并。
参考:https://zhuanlan.zhihu.com/p/30113030
2、concat 两组或者多组数据直接简单合并,不需要匹配
如,有df, df2:
(1)、将他们纵向直接合并:
索引还是以前的索引,在其它表没有的列会用NaN填充。所以在实际使用中要注意重新设定索引,并填充空值。
细心的你也许会发现,concat()的格式跟其它函数不太一样,concat()合并的应该是一个可迭代的对象,这里是有df和df2组成的一个list,所以要用[ ]括起来。
其实concat()可以合并多个数据组。
前面提到的所有索引沿用前数据组的情况,可以利用添加参数ignore_index=True去取原有的索引,并添加新的索引。
除了纵向合并之外,添加参数axis=1可以横向合并:
在横向合并时,合并的依据是索引,索引相同的行就会合并在一起。
当然如果只需要部分列进行合并的话,可以直接选取部分列。
如果在合并的时候,我只想要两个数据组都有的列,只需要添加参数join='inner'就可以了。
横向合并也类似,添加join='inner',只有索引相同的行才会合并。主要'inner'要用引号,她在这里是一个字符串。
如果想注明合并后,数组来源,贴上标签,可以用参数keys。
添加的标签后,索引就变成了多层索引。可以使用names给这些索引添加索引名称。
横向合并也类似:
十一、举例程序:
import pickle
import numpy as np
import pandas as pd
with open('./train_history_list.pkl', 'rb') as fr:
inf = pickle.load(fr) #读取pkl文件的内容
num_object = len(inf)
head = list(inf[1].keys())
print(head)
data = pd.DataFrame(columns=head)
print('初始维度:', len(data['val_loss']))
len_all = 0
for i in range(num_object):
data_temp = pd.DataFrame(inf[i])
#print('data_temp:',data_temp.shape())
len_tem = len(data_temp['val_loss'])
print('len_temp:', len_tem)
len_all += len_tem
print('len_all: ',len_all)
data = pd.concat([data, data_temp], ignore_index=True)
len_f = len(data['val_loss'])
print('len_f', len_f)
data.to_csv('train_history_list.csv')