目录
6、Pandas的数据转换函数map、apply、applymap ⭐⭐⭐
6.1.2、方法2:Series.map(function)
6.2、apply用于Series和DataFrame的转换
6.2.2、DataFrame.apply(function)
10.1.2、one-to-many 一对多关系的merge
10.1.3、many-to-many 多对多关系的merge
10.2、理解left join、right join、inner join、outer join的区别
11.1.1、默认的concat,参数为axis=0、join=outer、ignore_index=False
11.1.2、使用ignore_index=True可以忽略原来的索引
11.2.1、给1个dataframe添加另一个dataframe
11.2.2、忽略原来的索引ignore_index=True
12.4.2、查看每个月的最高温度、最低温度、平均空气质量指数
思维导图:
准备工作:
链接:https://pan.baidu.com/s/1njXR5DK1REh5xqSMMrRUWw
提取码:nlxx
下面的文件都需要用到这个文件夹
1、安装jupyter
在windows里使用"win+r",弹窗出来之后敲击"cmd",输入"pip install jupyter"就能够安装了。若是使用的是国外源且下载速度较慢的话,我们可以使用"pip install -i + 国内源 + jupyter",来切换国内源,这样的话,下载速度就比较快了。
1.1、启用jupyter
我们需要下载最上边提供的链接文件,并且在这个文件里"Git Bash Here"
进入Git之后,输入下面的内容
$ jupyter notebook
执行上边的代码之后,会弹出一个窗口,然后执行就会得到下边的内容
2、 pandas介绍
python数据分析三剑客:numpy、pandas、Matplotlib
NumPy(Numerical Python):Python语言的一个扩展程序库,支持大量的维度数据与矩阵运算,针对数组提供大量的数学函数库 Pandas是一个强大的分析结构化数据的工具集;它的使用基础是Numpy(提供高性能的矩阵运算);用于数据挖掘和数据分析,同时也提供数据清洗功能。 Matplotlib是一个python绘图包
pandas安装: 1、下载使用Python类库集成安装包:anaconda https://www.anaconda.com 当今最流行的Python数据分析发行版 已经安装了数据分析需要的几乎所有的类库
2、pip3 install pandas
本课程演示方式 使用jupyter Jupyter Notebook 的本质是一个 Web 应用程序,便于创建和共享文学化程序文档,支持实时代码,数学方程,可视化和 markdown。 安装: pip3 install jupyter(需要python3.3或更高版本,或python2.7) 运行: jupyter notebook
2.1、pip3和pip的区别
使用pip install XXX
新安装的库会放在这个目录下面
python2.7/site-packages
使用pip3 install XXX
新安装的库会放在这个目录下面
python3.6/site-packages
如果使用python3执行程序,那么就不能import python2.7/site-packages中的库
那么问题来了,我没有py2.7啊
经过实践发现应该是这样的,应该是将包安装在路径里面第一个检索到的pip系列软件在的地方。
由图可以看到,我在一个没有pip的地方pip3了selenium包,所以,它自动检索,将包安装在了pip3第一次出现的地方。 c:\users\challenger\appdata\local\programs\python\python36\lib\site-packages
而且你用pip show是看不到相关信息的,只有pip3 show才行。
而在使用 pip 安装后
大家可以看到,安装位置已经变成:Location: d:\program\anaconda\envs\python36fordrl\lib\site-packages
因此,这也提示我们在使用pip包安装的时候,应该想好用哪个命令
原理
这个是我想起c语言里面 include“”和inluce<>的异同,一个首先检索当前路径是否有相关文件,一个直接进path环境变量里的库检索文件。
而这里也是如此,如果环境里有相关函数则直接使用,没有则到path路径找第一个符合的函数
2.2、pip或者pip3换源
因为国外源下载很慢,所以我们需要换国内源下载
2.2.1、临时修改
# 临时换为清华源下载
pip3 install 库名 -i https://pypi.tuna.tsinghua.edu.cn/simple
2.2.2、永久修改
首先在当前用户目录下建立文件夹.pip,然后在文件夹中创建pip.conf文件,再将源地址加进去即可。
mkdir ~/.pip
vim ~/.pip/pip.conf
# 然后将下面这两行复制进去就好了
[global]
index-url = https://mirrors.aliyun.com/pypi/simple
注意:不管你用的是pip3还是pip,方法都是一样的,都是创建pip文件夹。
2.2.3、国内其他pip源
- 清华大学:https://pypi.tuna.tsinghua.edu.cn/simple
- 阿里云:http://mirrors.aliyun.com/pypi/simple/
- 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
- 华中理工大学:http://pypi.hustunique.com/
- 山东理工大学:http://pypi.sdutlinux.org/
- 豆瓣:http://pypi.douban.com/simple/
3、Pandas数据结构
3.1、Series
Series是一种类似于一维数组的对象,它由一组数据(不同数据类型)以及一组与之相关的数据标签(即索引)组成。Seriers的交互式显示的字符串表示形式是索引在左边,值在右边。 类似一个有序的字典。
3.1.1、 仅有数据列表即可产生最简单的Series
>>> import pandas as pd
>>> s1 = pd.Series([1,5,2,7,'a'])
>>> s1
0 1
1 5
2 2
3 7
4 a
dtype: object
#查看每列数据类型,object为通用数据类型,一般某列中有多种数据类型,或者全为str,则类型为object。默认int、float类型的位数为操作系统位数。
########################
>>> s1 = pd.Series([1,5,2,7])
>>> s1
0 1
1 5
2 2
3 7
dtype: int64
######################
# 获得索引
>>> s1.index
RangeIndex(start=0, stop=4, step=1)
######################
# 获得数据
>>> s1.values
array([1, 5, 2, 7])
>>> s1[0]
1
>>> s1[1]
5
改变s1中的一些类型,会强制改变总的数据类型变为一致的。所以Series的数据类型是统一的。
3.1.2、创建一个具有标签索引的Series
>>> s2 = pd.Series([1, 'a', 5.2, 7], index=['d','b','a','c'])
>>> s2
d 1
b a
a 5.2
c 7
dtype: object
>>> s2.index
Index(['d', 'b', 'a', 'c'], dtype='object')
# 可以重复标签
>>> s2 = pd.Series([1, 'a', 5.2, 7], index=['d','b','a','a'])
>>> s2
d 1
b a
a 5.2
a 7
dtype: object
3.1.3、使用python字典创建Series
类似Python的字典dict
>>> sdata={"a":35000,"b":7200,"c":16000,"d":5000}
>>> sdata
{'a': 35000, 'b': 7200, 'c': 16000, 'd': 5000}
>>> s3 = pd.Series(sdata)
>>> s3
a 35000
b 7200
c 16000
d 5000
dtype: int64
3.1.4、 根据标签索引查询数据
>>> s2 = pd.Series([1, 'a', 5.2, 7], index=['d','b','a','c'])
>>> s2
d 1
b a
a 5.2
c 7
dtype: object
>>> s2["a"]
5.2
>>> type(s2["a"])
<class 'float'>
>>> s2[["b","a"]]
b a
a 5.2
dtype: object
>>> type(s2[["b","a"]])
<class 'pandas.core.series.Series'>
3.2、DataFrame
DataFrame是一个表格型的数据结构
- 每列可以是不同的值类型(数值、字符串、布尔值等)
- 既有行索引index,也有列索引columns
- 可以被看做由Series组成的字典
3.2.1、根据多个字典序列创建dataframe
>>> data={
... 'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],
... 'year':[2000,2001,2002,2001,2002],
... 'pop':[1.5,1.7,3.6,2.4,2.9]
... }
>>> df = pd.DataFrame(data)
>>> df
state year pop
0 Ohio 2000 1.5
1 Ohio 2001 1.7
2 Ohio 2002 3.6
3 Nevada 2001 2.4
4 Nevada 2002 2.9
>>> df.dtypes
state object
year int64
pop float64
dtype: object
>>> df.columns # 查看有几个列
Index(['state', 'year', 'pop'], dtype='object')
>>> df.index
RangeIndex(start=0, stop=5, step=1)
>>> df['state']
0 Ohio
1 Ohio
2 Ohio
3 Nevada
4 Nevada
Name: state, dtype: object
>>> df['state'][1]
'Ohio'
>>> df[['state','year']] # 拿多列的话,要使用"[[]]"
state year
0 Ohio 2000
1 Ohio 2001
2 Ohio 2002
3 Nevada 2001
4 Nevada 2002
3.2.2、从文件、mysql中读取创建dataframe
- 读取csv、txt文件 --> read_csv()
- 读取xlsx文件 --> read_excel()
- 读取mysql数据库 --> read_sql()
- 从网页读取table -->read_html()
>>> fpath = '/root/linux/script/pass_parameter/datas/read_test.csv'
>>> df = pd.read_csv(fpath)
>>> df
date prov isp pv uv
0 2020-04-26 hunan cmnet 2000 1000
1 2020-04-26 hunan cmnet 3000 1500
2 2020-04-26 hunan cmcc 4000 1000
3 2020-04-26 hubei ctc 2500 1000
4 2020-04-26 hubei cmcc 2000 1000
5 2020-04-26 hubei ctc 2100 1600
6 2020-04-27 hunan cmnet 4000 1700
7 2020-04-27 hunan cmnet 3200 1500
8 2020-04-27 hunan cmcc 2800 1600
9 2020-04-27 hubei ctc 2600 1400
10 2020-04-27 hubei cmcc 3800 1900
11 2020-04-27 hubei ctc 2400 1900
🚀[从网页中拉取table数据]🚀
>>> url = 'http://ranking.promisingedu.com/qs'
>>> df = pd.read_html(url)[0]
>>> df
Ranking University English Name ... Overall Score Free
0 1 Massachusetts Institute of Technology (MIT) ... 100.0 免费评估
1 2 牛津大学University of Oxford ... 99.5 免费评估
2 3 Stanford University ... 98.7 免费评估
3 3 剑桥大学University of Cambridge ... 98.7 免费评估
4 5 Harvard University ... 98.0 免费评估
.. ... ... ... ... ...
496 494 Dongguk University ... 24.1 免费评估
497 494 Iowa State University ... 24.1 免费评估
498 494 Sogang University ... 24.1 免费评估
499 494 University of Rome "Tor Vergata" ... 24.1 免费评估
500 494 York University ... 24.1 免费评估
[501 rows x 11 columns]
🚀[从数据库中拉取]🚀
🚀[新加内容到数据库里边]🚀
4、pandas的基本功能(pandas命令总结)
- DataFrame() 创建一个DataFrame对象
- df.values 返回ndarray类型的对象
- df.shape 返回行列数
- df.index 获取行索引
- df.set_index 设置索引
- df.reset_index 重制索引
- df.columns 获取列索引
- df.rename 重新设置列名
- df.dtypes 查看每列数据类型
- df.axes 获取行及列索引
- df.T 行与列对调
- df.info() 打印DataFrame对象的信息
- df.head(i) 显示前 i 行数据
- df.tail(i) 显示后 i 行数据
- df.count() # 返回每一列中的非空值的个数
- df.value_counts() # 按值计数
- df.unique() # 唯一去重
- df.describe() 查看数据按列的统计信息
- df.sum() # 返回每一列的和, 无法计算返回空, 下同
- df.sum(numeric_only=True) # numeric_only=True代表只计算数字型元素, 下同
- df.max() # 返回每一列的最大值
- df.min() # 返回每一列的最小值
- df.argmax() # 返回最大值所在的自动索引位置,就是从0开始的系统下标
- df.argmin() # 返回最小值所在的自动索引位置
- df.idxmax() # 返回最大值所在的自定义索引位置
- df.idxmin() # 返回最小值所在的自定义索引位置
- df.mean() # 返回每一列的均值
- df.median() # 返回每一列的中位数
- df.var() # 返回每一列的方差
- df.std() # 返回每一列的标准差
- df.isnull() # 检查df中空值, NaN为True, 否则False, 返回一个布尔数组
- df.notnull() # 检查df中空值, 非NaN为True, 否则False, 返回一个布尔数组
4.1、命令执行
pf是一个可变数据类型,若是我们使用"df2=df"的形式来给df2赋值的话,df改变那么df2也会发生改变
>>> fpath = '/root/linux/script/pass_parameter/datas/read_test.csv' # 这个路径是安装本文章中最上边这个链接的文件路径
>>> df = pd.read_csv(fpath) # 用csv格式打开这个文件
>>> df
date prov isp pv uv
0 2020-04-26 hunan cmnet 2000 1000
1 2020-04-26 hunan cmnet 3000 1500
2 2020-04-26 hunan cmcc 4000 1000
3 2020-04-26 hubei ctc 2500 1000
4 2020-04-26 hubei cmcc 2000 1000
5 2020-04-26 hubei ctc 2100 1600
6 2020-04-27 hunan cmnet 4000 1700
7 2020-04-27 hunan cmnet 3200 1500
8 2020-04-27 hunan cmcc 2800 1600
9 2020-04-27 hubei ctc 2600 1400
10 2020-04-27 hubei cmcc 3800 1900
11 2020-04-27 hubei ctc 2400 1900
[把df赋值给其他变量]
>>> df
date prov isp pv uv
0 2020-04-26 hunan cmnet 2000 1000
1 2020-04-26 hunan cmnet 3000 1500
2 2020-04-26 hunan cmcc 4000 1000
3 2020-04-26 hubei ctc 2500 1000
4 2020-04-26 hubei cmcc 2000 1000
5 2020-04-26 hubei ctc 2100 1600
6 2020-04-27 hunan cmnet 4000 1700
7 2020-04-27 hunan cmnet 3200 1500
8 2020-04-27 hunan cmcc 2800 1600
9 2020-04-27 hubei ctc 2600 1400
10 2020-04-27 hubei cmcc 3800 1900
11 2020-04-27 hubei ctc 2400 1900
4.2、查看信息类函数
# 返回ndarray类型的对象
>>> df.values
array([['2020-04-26', 'hunan', 'cmnet', 2000, 1000],
['2020-04-26', 'hunan', 'cmnet', 3000, 1500],
['2020-04-26', 'hunan', 'cmcc', 4000, 1000],
['2020-04-26', 'hubei', 'ctc', 2500, 1000],
['2020-04-26', 'hubei', 'cmcc', 2000, 1000],
['2020-04-26', 'hubei', 'ctc', 2100, 1600],
['2020-04-27', 'hunan', 'cmnet', 4000, 1700],
['2020-04-27', 'hunan', 'cmnet', 3200, 1500],
['2020-04-27', 'hunan', 'cmcc', 2800, 1600],
['2020-04-27', 'hubei', 'ctc', 2600, 1400],
['2020-04-27', 'hubei', 'cmcc', 3800, 1900],
['2020-04-27', 'hubei', 'ctc', 2400, 1900]], dtype=object)
# 查看数据的形状,返回(行数、列数)
>>> df.shape
(12, 5)
#查看行索引
>>> df.index
RangeIndex(start=0, stop=12, step=1)
>>> df2 = df.set_index('date') # 以"date"作为key排序
>>> df2
prov isp pv uv
date
2020-04-26 hunan cmnet 2000 1000
2020-04-26 hunan cmnet 3000 1500
2020-04-26 hunan cmcc 4000 1000
2020-04-26 hubei ctc 2500 1000
2020-04-26 hubei cmcc 2000 1000
2020-04-26 hubei ctc 2100 1600
2020-04-27 hunan cmnet 4000 1700
2020-04-27 hunan cmnet 3200 1500
2020-04-27 hunan cmcc 2800 1600
2020-04-27 hubei ctc 2600 1400
2020-04-27 hubei cmcc 3800 1900
2020-04-27 hubei ctc 2400 1900
# "inplace=True"表示在原基础上作出修改;"drop=True",表示把行标去掉
>>> df2.reset_index(inplace = True, drop = True)
>>> df2
prov isp pv uv
0 hunan cmnet 2000 1000
1 hunan cmnet 3000 1500
2 hunan cmcc 4000 1000
3 hubei ctc 2500 1000
4 hubei cmcc 2000 1000
5 hubei ctc 2100 1600
6 hunan cmnet 4000 1700
7 hunan cmnet 3200 1500
8 hunan cmcc 2800 1600
9 hubei ctc 2600 1400
10 hubei cmcc 3800 1900
11 hubei ctc 2400 1900
# 获得列索引
>>> df.columns
Index(['date', 'prov', 'isp', 'pv', 'uv'], dtype='object')
#重新设置列表名,必须要对应输入所有的列
df2 = df.copy() # 因为DataFrame是可变的数据类型,所以我们要使用copy拷贝他的值
df2.columns=['a','b','c','d','e']
df2
#重新设置列表名,可以只设置一部分
>>>df2.rename(columns = {'a':'日期','b':'省份','c':'运营商','d':'pv','e':'uv'}, inplace = True)
>>> df2
日期 省份 运营商 pv uv
0 2020-04-26 hunan cmnet 2000 1000
1 2020-04-26 hunan cmnet 3000 1500
2 2020-04-26 hunan cmcc 4000 1000
3 2020-04-26 hubei ctc 2500 1000
4 2020-04-26 hubei cmcc 2000 1000
5 2020-04-26 hubei ctc 2100 1600
6 2020-04-27 hunan cmnet 4000 1700
7 2020-04-27 hunan cmnet 3200 1500
8 2020-04-27 hunan cmcc 2800 1600
9 2020-04-27 hubei ctc 2600 1400
10 2020-04-27 hubei cmcc 3800 1900
11 2020-04-27 hubei ctc 2400 1900
#查看每列数据类型,object为通用数据类型,一般某列中有多种数据类型,或者全为str,则类型为object。默认int、float类型的位数为操作系统位数。
>>> df.dtypes
date object
prov object
isp object
pv int64
uv int64
dtype: object
##################################
# 显示行和列表以及类型
>>> df.axes
[RangeIndex(start=0, stop=12, step=1), Index(['date', 'prov', 'isp', 'pv', 'uv'], dtype='object')]
#############################
# 转置,没有在原来基础上做出改变
>>> df.T
0 1 2 3 ... 8 9 10 11
date 2020-04-26 2020-04-26 2020-04-26 2020-04-26 ... 2020-04-27 2020-04-27 2020-04-27 2020-04-27
prov hunan hunan hunan hubei ... hunan hubei hubei hubei
isp cmnet cmnet cmcc ctc ... cmcc ctc cmcc ctc
pv 2000 3000 4000 2500 ... 2800 2600 3800 2400
uv 1000 1500 1000 1000 ... 1600 1400 1900 1900
[5 rows x 12 columns]
###########################
>>> df.head(5)
date prov isp pv uv
0 2020-04-26 hunan cmnet 2000 1000
1 2020-04-26 hunan cmnet 3000 1500
2 2020-04-26 hunan cmcc 4000 1000
3 2020-04-26 hubei ctc 2500 1000
4 2020-04-26 hubei cmcc 2000 1000
>>> df.tail(5)
date prov isp pv uv
7 2020-04-27 hunan cmnet 3200 1500
8 2020-04-27 hunan cmcc 2800 1600
9 2020-04-27 hubei ctc 2600 1400
10 2020-04-27 hubei cmcc 3800 1900
11 2020-04-27 hubei ctc 2400 1900
# 只对数值类进行计算。这些百分号表示箱型图的意思
>>> df.describe()
pv uv
count 12.000000 12.000000
mean 2866.666667 1425.000000
std 743.863787 346.738046
min 2000.000000 1000.000000
25% 2325.000000 1000.000000
50% 2700.000000 1500.000000
75% 3350.000000 1625.000000
max 4000.000000 1900.000000
4.3、数据统计类函数
# 返回每一列中的非空值的个数
>>> df.count()
date 12
prov 12
isp 12
pv 12
uv 12
dtype: int64
##########################
# 按值计数
>>> df["prov"].value_counts()
hunan 6
hubei 6
Name: prov, dtype: int64
#############
# 唯一去重
>>> df["prov"].unique()
array(['hunan', 'hubei'], dtype=object)
5、Pandas查询选取数据
5.1、Pandas查询数据的几种方法
- df[]按行列选取,这种情况一次只能选取行或者列
- df.loc方法,根据行、列的标签值查询
- df.iloc方法,根据行、列的数字位置查询,根据索引定位
- df.query方法
5.2、Pandas使用df.loc查询数据的方法
- 使用单个label值查询数据
- 使用值列表批量查询
- 使用数值区间进行范围查询
- 使用条件表达式查询
- 调用函数查询
注意:以上查询方法,既适用于行,也适用于列
5.2.1、df[]
df[]按行列选取,这种情况一次只能选取行或者列
>>> df = pd.DataFrame(np.random.rand(25).reshape([5, 5]), index=['A', 'B', 'C', 'D', 'E'], columns=['c1', 'c2', 'c3', 'c4', 'c5'])
>>> df
c1 c2 c3 c4 c5
A 0.678642 0.600271 0.715437 0.613857 0.618137
B 0.326720 0.742239 0.124217 0.844608 0.560314
C 0.199805 0.614843 0.521589 0.530966 0.166661
D 0.575750 0.592821 0.492156 0.200419 0.437495
E 0.863142 0.480158 0.339556 0.904514 0.955364
###################
# 获取c1列
>>> df.c1
A 0.678642
B 0.326720
C 0.199805
D 0.575750
E 0.863142
Name: c1, dtype: float64
###################
# 获取c1、c2两列
>>> df[["c1","c2"]]
c1 c2
A 0.678642 0.600271
B 0.326720 0.742239
C 0.199805 0.614843
D 0.575750 0.592821
E 0.863142 0.480158
##########################
# 获取索引为A-C行数据
>>> df["A":"C"]
c1 c2 c3 c4 c5
A 0.678642 0.600271 0.715437 0.613857 0.618137
B 0.326720 0.742239 0.124217 0.844608 0.560314
C 0.199805 0.614843 0.521589 0.530966 0.166661
##########################
# 获取2-3行数据,左闭右开
>>> df[1:3]
c1 c2 c3 c4 c5
B 0.326720 0.742239 0.124217 0.844608 0.560314
C 0.199805 0.614843 0.521589 0.530966 0.166661
5.2.2、df.loc方法查询
df.loc方法,根据行、列的标签值查询
(1)使用数据值区间进行范围查询
有点类似list的切片
# 前边确定行,后边确定列
>>> df.loc["A":"D", :]
c1 c2 c3 c4 c5
A 0.678642 0.600271 0.715437 0.613857 0.618137
B 0.326720 0.742239 0.124217 0.844608 0.560314
C 0.199805 0.614843 0.521589 0.530966 0.166661
D 0.575750 0.592821 0.492156 0.200419 0.437495
>>> df.loc["A":"D","c1"]
A 0.678642
B 0.326720
C 0.199805
D 0.575750
Name: c1, dtype: float64
>>> df.loc["A":"D","c1":"c3"]
c1 c2 c3
A 0.678642 0.600271 0.715437
B 0.326720 0.742239 0.124217
C 0.199805 0.614843 0.521589
D 0.575750 0.592821 0.492156
(2)单个label值查询
>>> df.loc["A","c2"]
0.6002706557290689
(3)使用列表批量查询
>>> df.loc['B':'D','c5':'c1':-1]
c5 c4 c3 c2 c1
B 0.560314 0.844608 0.124217 0.742239 0.326720
C 0.166661 0.530966 0.521589 0.614843 0.199805
D 0.437495 0.200419 0.492156 0.592821 0.575750
(4)使用条件表达式查询
# 找出c2中所有大于0.5的值,并且输出符合条件的全部表格内容
>>> df.loc[df["c2"]>0.5,:]
c1 c2 c3 c4 c5
A 0.678642 0.600271 0.715437 0.613857 0.618137
B 0.326720 0.742239 0.124217 0.844608 0.560314
C 0.199805 0.614843 0.521589 0.530966 0.166661
D 0.575750 0.592821 0.492156 0.200419 0.437495
#########################
>>> df.loc[(df["c2"]>0.2) & (df["c3"]< 0.8)]
c1 c2 c3 c4 c5
A 0.678642 0.600271 0.715437 0.613857 0.618137
B 0.326720 0.742239 0.124217 0.844608 0.560314
C 0.199805 0.614843 0.521589 0.530966 0.166661
D 0.575750 0.592821 0.492156 0.200419 0.437495
E 0.863142 0.480158 0.339556 0.904514 0.955364
(5)使用函数查询
>>> def query_my_data(df):
... return ((df['c3']>0.2) & (df["c4"]<0.8))
...
##################
>>> query_my_data
<function query_my_data at 0x7f24aff36d08>
######################
>>> df.loc[query_my_data, :]
c1 c2 c3 c4 c5
A 0.678642 0.600271 0.715437 0.613857 0.618137
C 0.199805 0.614843 0.521589 0.530966 0.166661
D 0.575750 0.592821 0.492156 0.200419 0.437495
5.2.3、df.iloc方法查询
同df.loc类似,根据索引定位
# 提取2-3行,1-2列的数据
>>> df.iloc[1:3,0:2]
c1 c2
B 0.326720 0.742239
C 0.199805 0.614843
##############################
# 提取第二第三行,第4列数据
>>> df.iloc[[1,2],[3]]
c4
B 0.844608
C 0.530966
########################
# 提取指定位置单个数据
>>> df.iloc[3,4]
0.43749457263810054
6、Pandas的数据转换函数map、apply、applymap ⭐⭐⭐
数据转换函数对比:map、apply、applymap:
- map:只用于Series,实现每个值->值的映射;
- apply:用于Series实现每个值的处理,用于Dataframe实现某个轴的Series的处理;
- applymap:只能用于DataFrame,用于处理该DataFrame的每个元素;
准备工作
>>> import pandas as pd
>>> df = pd.read_csv("read_test.csv")
>>> df.head()
date prov isp pv uv
0 2020-04-26 hunan cmnet 2000 1000
1 2020-04-26 hunan cmnet 3000 1500
2 2020-04-26 hunan cmcc 4000 1000
3 2020-04-26 hubei ctc 2500 1000
4 2020-04-26 hubei cmcc 2000 1000
6.1、map用于Series值的转化
实例:将股票代码英文转换成中文名字
Series.map(dict) or Series.map(function)均可
isp中文映射,注意这里是小写
>>> dict_isp_names = {
... "cmnet": "中国移动",
... "cmcc": "中国联通",
... "ctc": "中国电信"
... }
6.1.1、方法1:Series.map(dict)
# map函数只对Series生效
>>> df["isp1"]=df["isp"].map(dict_isp_names)
>>> df.head()
date prov isp pv uv isp1
0 2020-04-26 hunan cmnet 2000 1000 中国移动
1 2020-04-26 hunan cmnet 3000 1500 中国移动
2 2020-04-26 hunan cmcc 4000 1000 中国联通
3 2020-04-26 hubei ctc 2500 1000 中国电信
4 2020-04-26 hubei cmcc 2000 1000 中国联通
6.1.2、方法2:Series.map(function)
function的参数是Series的每个元素的值
>>> df["isp2"]=df["isp"].map(lambda x : dict_isp_names[x])
>>> df.head()
date prov isp pv uv isp1 isp2
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通
>>> df['float_column'] = 5.67435 # 没有那列的话,会自动添加
>>> df.head()
date prov isp pv uv isp1 isp2 float_column
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动 5.67435
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动 5.67435
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通 5.67435
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信 5.67435
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通 5.67435
>>> df['float_column_1'] = df['float_column'].map(lambda x: '%.3f'%x)
>>> df.head()
date prov isp pv uv isp1 isp2 float_column float_column_1
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动 5.67435 5.674
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动 5.67435 5.674
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通 5.67435 5.674
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信 5.67435 5.674
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通 5.67435 5.674
6.2、apply用于Series和DataFrame的转换
- Series.apply(function), 函数的参数是每个值
- DataFrame.apply(function), 函数的参数是Series
6.2.1、Series.apply(function)
function的参数是Series的每个值
>>> df["isp3"]=df["isp"].apply(lambda x : dict_isp_names[x])
>>> df.head()
date prov isp pv uv isp1 isp2 float_column float_column_1 isp3
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动 5.67435 5.674 中国移动
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动 5.67435 5.674 中国移动
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通 5.67435 5.674 中国联通
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信 5.67435 5.674 中国电信
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通 5.67435 5.674 中国联通
6.2.2、DataFrame.apply(function)
function的参数是对应轴的Series
>>> df["total"]=df[["pv","uv"]].apply(lambda x : x.sum(), axis=1)
>>> df.head()
date prov isp pv uv isp1 isp2 float_column float_column_1 isp3 total
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动 5.67435 5.674 中国移动 3000
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动 5.67435 5.674 中国移动 4500
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通 5.67435 5.674 中国联通 5000
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信 5.67435 5.674 中国电信 3500
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通 5.67435 5.674 中国联通 3000
注意这个代码:
1、apply是在df[['pv','uv']]这个DataFrame上调用;
2、lambda x的x是一个Series,axis=1表示跨列,axis=0 表示跨行
>>> df.loc['total'] = df[['pv','uv']].apply(lambda x : x.sum(), axis = 0)
>>> df.tail()
date prov isp pv uv isp1 isp2 float_column float_column_1 isp3 total
8 2020-04-27 hunan cmcc 2800.0 1600.0 中国联通 中国联通 5.67435 5.674 中国联通 4400.0
9 2020-04-27 hubei ctc 2600.0 1400.0 中国电信 中国电信 5.67435 5.674 中国电信 4000.0
10 2020-04-27 hubei cmcc 3800.0 1900.0 中国联通 中国联通 5.67435 5.674 中国联通 5700.0
11 2020-04-27 hubei ctc 2400.0 1900.0 中国电信 中国电信 5.67435 5.674 中国电信 4300.0
total NaN NaN NaN 34400.0 17100.0 NaN NaN NaN NaN NaN NaN
6.3、applymap用于DataFrame所有值的转换
>>> sub_df = df[['pv', 'uv']]
>>> sub_df.head()
pv uv
0 2000.0 1000.0
1 3000.0 1500.0
2 4000.0 1000.0
3 2500.0 1000.0
4 2000.0 1000.0
############################
# 将这些数字取整数,应用于所有元素
>>> sub_df = sub_df.applymap(lambda x : int(x))
# 直接修改原df的这几列
>>> sub_df.head()
pv uv
0 2000 1000
1 3000 1500
2 4000 1000
3 2500 1000
4 2000 1000
7、Pandas怎样新增数据列?
在进行数据分析时,经常需要按照一定条件创建新的数据列,然后进行进一步分析。
- 直接赋值
- df.apply方法
- df.assign方法
- 按条件选择分组分别赋值
准备工作
>>> import pandas as pd
# 读取csv数据到DataFrame
>>> fpath = "beijing_tianqi_2018.csv"
>>> df = pd.read_csv(fpath)
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
0 2018-01-01 3℃ -6℃ 晴~多云 东北风 1-2级 59 良 2
1 2018-01-02 2℃ -5℃ 阴~多云 东北风 1-2级 49 优 1
2 2018-01-03 2℃ -5℃ 多云 北风 1-2级 28 优 1
3 2018-01-04 0℃ -8℃ 阴 东北风 1-2级 28 优 1
4 2018-01-05 3℃ -6℃ 多云~晴 西北风 1-2级 50 优 1
7.1、直接赋值的方法
实例:清理温度列,变成数据类型
# 替换掉温度的后缀℃
>>> df["bWendu"] = df["bWendu"].str.replace("℃", "").astype('int64')
>>> df["yWendu"] = df["yWendu"].str.replace("℃", "").astype('int64')
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1
实例:计算温差
# 注意,df["bWendu"]其实是一个Series,后边的减法返回的是Series
>>> df["wencha"] = df["bWendu"] - df["yWendu"]
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel wencha
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2 9
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1 7
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1 7
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1 8
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1 9
7.2、df.apply方法
Apply a function along an axis of the DataFrame.
Objects passed to the function are Series objects whose index is either the DataFrame’s index (axis=0) or the DataFrame’s columns (axis=1).
实例:添加一列温度类型:
- 如果最高温度大于33度就是高温
- 低于-10度是低温
- 否则是常温
>>> def get_wendu_type(x):
... if x["bWendu"] > 33:
... return "高温"
... if x["yWendu"] < -10:
... return '低温'
... return "常温"
...
# 注意需要设置axis==1,这是series的index是columns
>>> df["wendu_type"] = df.apply(get_wendu_type,axis=1)
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel wencha wendu_type
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2 9 常温
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1 7 常温
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1 7 常温
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1 8 常温
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1 9 常温
###################
# 查看温度类型的计数
>>> df["wendu_type"].value_counts()
常温 328
高温 29
低温 8
Name: wendu_type, dtype: int64
>>> df2 = df["wendu_type"].value_counts()
>>> for k,v in df2.iteritems():
... print(k,v)
...
常温 328
高温 29
低温 8
7.3、df.assign方法
Assign new columns to a DataFrame.(将新列分配给DataFrame。 )
Returns a new object with all original columns in addition to new ones.(返回一个新对象,除新列外,还包含所有原始列 )
实例:将温度从摄氏度变成华氏度
>>> df.assign(
... yWendu_huashi = lambda x : x["yWendu"] * 9 / 5 + 32,
... bWendu_huashi = lambda x : x["bWendu"] * 9 / 5 + 32
... ).head()
ymd bWendu yWendu tianqi fengxiang ... aqiLevel wencha wendu_type yWendu_huashi bWendu_huashi
0 2018-01-01 3 -6 晴~多云 东北风 ... 2 9 常温 21.2 37.4
1 2018-01-02 2 -5 阴~多云 东北风 ... 1 7 常温 23.0 35.6
2 2018-01-03 2 -5 多云 北风 ... 1 7 常温 23.0 35.6
3 2018-01-04 0 -8 阴 东北风 ... 1 8 常温 17.6 32.0
4 2018-01-05 3 -6 多云~晴 西北风 ... 1 9 常温 21.2 37.4
[5 rows x 13 columns]
7.4、按条件选择分组分别赋值
按条件先选择数据,然后对这部分数据赋值新列
实例:高低温差大于10度,则认为温差大
# 先创建空列(这是第一种创建新列的方法)
>>> df["wencha_type"] = ''
>>> df.loc[df["bWendu"]-df["yWendu"] > 10, "wencha_type"] = "温差大"
>>> df.loc[df["bWendu"]-df["yWendu"] <= 10, "wencha_type"] = "温差正常"
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel wencha wendu_type wencha_type
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2 9 常温 温差正常
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1 7 常温 温差正常
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1 7 常温 温差正常
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1 8 常温 温差正常
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1 9 常温 温差正常
##############
>>> df["wencha_type"].value_counts()
温差正常 187
温差大 178
Name: wencha_type, dtype: int64
8、Pandas对缺失值的处理
Pandas使用这些函数处理缺失值:
- isnull和notnull:检测是否是空值,可用于df和series
- dropna:丢弃、删除缺失值
- axis : 删除行还是列,{0 or ‘index’, 1 or ‘columns’}, default 0
- how : 如果等于any则任何值为空都删除,如果等于all则所有值都为空才删除
- inplace : 如果为True则修改当前df,否则返回新的df
- fillna:填充空值
- value:用于填充的值,可以是单个值,或者字典(key是列名,value是值)
- method : 等于ffill,即使用前一个不为空的值填充forword fill;等于bfill,即使用后一个不为空的值填充backword fill
- axis : 按行还是列填充,{0 or ‘index’, 1 or ‘columns’}
- inplace : 如果为True则修改当前df,否则返回新的df
实列:特殊Excel的读取、清洗、处理。前提准备:安装openpyxl或者xlrd
8.1、读取excel的时候,忽略前几个行
import pandas as pd
########################
>>> studf = pd.read_excel("student_excel.xlsx")
>>> studf
Unnamed: 0 Unnamed: 1 Unnamed: 2 Unnamed: 3
0 NaN NaN NaN NaN
1 NaN 姓名 科目 分数
2 NaN 小明 语文 85
3 NaN NaN 数学 80
4 NaN NaN 英语 90
5 NaN NaN NaN NaN
6 NaN 小王 语文 85
7 NaN NaN 数学 NaN
8 NaN NaN 英语 90
9 NaN NaN NaN NaN
10 NaN 小刚 语文 85
11 NaN NaN 数学 80
12 NaN NaN 英语 90
############################
>>> studf = pd.read_excel("student_excel.xlsx", skiprows=1)
>>> studf
Unnamed: 0 Unnamed: 1 Unnamed: 2 Unnamed: 3
0 NaN 姓名 科目 分数
1 NaN 小明 语文 85
2 NaN NaN 数学 80
3 NaN NaN 英语 90
4 NaN NaN NaN NaN
5 NaN 小王 语文 85
6 NaN NaN 数学 NaN
7 NaN NaN 英语 90
8 NaN NaN NaN NaN
9 NaN 小刚 语文 85
10 NaN NaN 数学 80
11 NaN NaN 英语 90
#########################
# skiprows=2,跳过前边两行
studf = pd.read_excel("student_excel.xlsx", skiprows=2)
>>> studf
Unnamed: 0 姓名 科目 分数
0 NaN 小明 语文 85.0
1 NaN NaN 数学 80.0
2 NaN NaN 英语 90.0
3 NaN NaN NaN NaN
4 NaN 小王 语文 85.0
5 NaN NaN 数学 NaN
6 NaN NaN 英语 90.0
7 NaN NaN NaN NaN
8 NaN 小刚 语文 85.0
9 NaN NaN 数学 80.0
10 NaN NaN 英语 90.0
读取的时候,若是出现“xlrd.biffh.XLRDError: Excel xlsx file; not supported”的情况,那就是你的xlrd版本过高。我安装的xlrd版本为2以上的版本,程序报错主要是xlrd的2.0以上版本不支持后缀名.xlsx文件的读取,支持.xls文件的读取。
或者你也可以这么使用
# 两个命令,选其中一个就行了
studf = pd.read_excel("student_excel.xlsx", skiprows=2,engine="openpyxl")
# 或者安装"pip3 install xlrd==1.2.0"的版本,再执行下面那个命令
studf = pd.read_excel("student_excel.xlsx", skiprows=2)
8.2、检测空值
# 没有空值的就为False,有就为True
>>> studf.isnull()
Unnamed: 0 姓名 科目 分数
0 True False False False
1 True True False False
2 True True False False
3 True True True True
4 True False False False
5 True True False True
6 True True False False
7 True True True True
8 True False False False
9 True True False False
10 True True False False
########################################################
>>> studf["分数"].isnull()
0 False
1 False
2 False
3 True
4 False
5 True
6 False
7 True
8 False
9 False
10 False
Name: 分数, dtype: bool
################################################
>>> studf["分数"].notnull()
0 True
1 True
2 True
3 False
4 True
5 False
6 True
7 False
8 True
9 True
10 True
Name: 分数, dtype: bool
###########################
# 筛选没有空分数的所有行
>>> studf.loc[studf["分数"].notnull(), :]
Unnamed: 0 姓名 科目 分数
0 NaN 小明 语文 85.0
1 NaN NaN 数学 80.0
2 NaN NaN 英语 90.0
4 NaN 小王 语文 85.0
6 NaN NaN 英语 90.0
8 NaN 小刚 语文 85.0
9 NaN NaN 数学 80.0
10 NaN NaN 英语 90.0
8.3、删除掉全是空值的列
# 当列全为NAN就删除这列;当axis为0或者index,则对应行;当为1或者columns,则对应列
>>> studf.dropna(axis="columns", how="all", inplace=True)
>>> studf
姓名 科目 分数
0 小明 语文 85.0
1 NaN 数学 80.0
2 NaN 英语 90.0
3 NaN NaN NaN
4 小王 语文 85.0
5 NaN 数学 NaN
6 NaN 英语 90.0
7 NaN NaN NaN
8 小刚 语文 85.0
9 NaN 数学 80.0
10 NaN 英语 90.0
8.4、删除掉全是空值的行
# 用这个方法不会重置原来索引号
>>> studf.dropna(axis="index", how='all', inplace=True)
>>> studf
姓名 科目 分数
0 小明 语文 85.0
1 NaN 数学 80.0
2 NaN 英语 90.0
4 小王 语文 85.0
5 NaN 数学 NaN
6 NaN 英语 90.0
8 小刚 语文 85.0
9 NaN 数学 80.0
10 NaN 英语 90.0
8.5、将分数列为空的填充为0分
#下面两个命令都可以执行
# studf.loc[:, '分数'] = studf['分数'].fillna(0)
>>> studf["分数"] = studf["分数"].fillna(0)
>>> studf
姓名 科目 分数
0 小明 语文 85.0
1 NaN 数学 80.0
2 NaN 英语 90.0
4 小王 语文 85.0
5 NaN 数学 0.0
6 NaN 英语 90.0
8 小刚 语文 85.0
9 NaN 数学 80.0
10 NaN 英语 90.0
#############
# method2
>>> studf.fillna({"分数":0})
姓名 科目 分数
0 小明 语文 85.0
1 NaN 数学 80.0
2 NaN 英语 90.0
4 小王 语文 85.0
5 NaN 数学 0.0
6 NaN 英语 90.0
8 小刚 语文 85.0
9 NaN 数学 80.0
10 NaN 英语 90.0
# method3
>>> studf["分数"].fillna(0)
0 85.0
1 80.0
2 90.0
4 85.0
5 0.0
6 90.0
8 85.0
9 80.0
10 90.0
Name: 分数, dtype: float64
8.6、将姓名的缺失值填充
使用前面的有效值填充,用ffill:forward fill 向后填充,用bfill:before fill,向前填充
>>> studf['姓名'] = studf['姓名'].fillna(method="ffill")
>>> studf
姓名 科目 分数
0 小明 语文 85.0
1 小明 数学 80.0
2 小明 英语 90.0
4 小王 语文 85.0
5 小王 数学 1.0
6 小王 英语 90.0
8 小刚 语文 85.0
9 小刚 数学 80.0
10 小刚 英语 90.0
8.7、将清洗好的excel保存
studf.to_excel("./datas/student_excel_clean.xlsx", index=False)
9、Pandas数据排序
Series的排序:
Series.sort_values(ascending=True, inplace=False)
参数说明:
- ascending:默认为True升序排序,为False降序排序
- inplace:是否修改原始Series
DataFrame的排序:
DataFrame.sort_values(by, ascending=True, inplace=False)
参数说明:
- by:字符串或者List<字符串>,单列排序或者多列排序
- ascending:bool或者List,升序还是降序,如果是list对应by的多列
- inplace:是否修改原始DataFrame
9.1、读取数据
>>> import pandas as pd
>>> fpath = "beijing_tianqi_2018.csv"
>>> df = pd.read_csv(fpath)
>>> df["bWendu"] = df["bWendu"].str.replace("℃", "").astype('int64')
>>> df["yWendu"] = df["yWendu"].str.replace("℃", "").astype('int64')
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1
9.2、Series的排序
>>> df["aqi"].sort_values()
271 21
281 21
249 22
272 22
301 22
...
317 266
71 287
91 287
72 293
86 387
Name: aqi, Length: 365, dtype: int64
####################################
>>> df["aqi"].sort_values(ascending=False)
86 387
72 293
91 287
71 287
317 266
...
301 22
272 22
249 22
281 21
271 21
Name: aqi, Length: 365, dtype: int64
####################################
# 用中文的万国码排序的,默认升序
>>> df["tianqi"].sort_values()
225 中雨~小雨
230 中雨~小雨
197 中雨~雷阵雨
196 中雨~雷阵雨
112 多云
...
191 雷阵雨~大雨
219 雷阵雨~阴
335 雾~多云
353 霾
348 霾
Name: tianqi, Length: 365, dtype: object
9.3、DataFrame的排序
9.3.1、单排序
>>> df.sort_values(by='aqi')
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
271 2018-09-29 22 11 晴 北风 3-4级 21 优 1
281 2018-10-09 15 4 多云~晴 西北风 4-5级 21 优 1
249 2018-09-07 27 16 晴 西北风 3-4级 22 优 1
272 2018-09-30 19 13 多云 西北风 4-5级 22 优 1
301 2018-10-29 15 3 晴 北风 3-4级 22 优 1
.. ... ... ... ... ... ... ... ... ...
317 2018-11-14 13 5 多云 南风 1-2级 266 重度污染 5
71 2018-03-13 17 5 晴~多云 南风 1-2级 287 重度污染 5
91 2018-04-02 26 11 多云 北风 1-2级 287 重度污染 5
72 2018-03-14 15 6 多云~阴 东北风 1-2级 293 重度污染 5
86 2018-03-28 25 9 多云~晴 东风 1-2级 387 严重污染 6
[365 rows x 9 columns]
###################################
# 降序排序
>>> df.sort_values(by="aqi", ascending=False)
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
86 2018-03-28 25 9 多云~晴 东风 1-2级 387 严重污染 6
72 2018-03-14 15 6 多云~阴 东北风 1-2级 293 重度污染 5
71 2018-03-13 17 5 晴~多云 南风 1-2级 287 重度污染 5
91 2018-04-02 26 11 多云 北风 1-2级 287 重度污染 5
317 2018-11-14 13 5 多云 南风 1-2级 266 重度污染 5
.. ... ... ... ... ... ... ... ... ...
249 2018-09-07 27 16 晴 西北风 3-4级 22 优 1
301 2018-10-29 15 3 晴 北风 3-4级 22 优 1
272 2018-09-30 19 13 多云 西北风 4-5级 22 优 1
271 2018-09-29 22 11 晴 北风 3-4级 21 优 1
281 2018-10-09 15 4 多云~晴 西北风 4-5级 21 优 1
[365 rows x 9 columns]
9.3.2、多列排序
# 按空气质量等级、最高温度排序,默认升序
>>> df.sort_values(by=["aqiLevel","bWendu"])
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
360 2018-12-27 -5 -12 多云~晴 西北风 3级 48 优 1
22 2018-01-23 -4 -12 晴 西北风 3-4级 31 优 1
23 2018-01-24 -4 -11 晴 西南风 1-2级 34 优 1
340 2018-12-07 -4 -10 晴 西北风 3级 33 优 1
21 2018-01-22 -3 -10 小雪~多云 东风 1-2级 47 优 1
.. ... ... ... ... ... ... ... ... ...
71 2018-03-13 17 5 晴~多云 南风 1-2级 287 重度污染 5
90 2018-04-01 25 11 晴~多云 南风 1-2级 218 重度污染 5
91 2018-04-02 26 11 多云 北风 1-2级 287 重度污染 5
85 2018-03-27 27 11 晴 南风 1-2级 243 重度污染 5
86 2018-03-28 25 9 多云~晴 东风 1-2级 387 严重污染 6
[365 rows x 9 columns]
############################################
# 两个字段都是降序
>>> df.sort_values(by=["aqiLevel","bWendu"],ascending=False)
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
86 2018-03-28 25 9 多云~晴 东风 1-2级 387 严重污染 6
85 2018-03-27 27 11 晴 南风 1-2级 243 重度污染 5
91 2018-04-02 26 11 多云 北风 1-2级 287 重度污染 5
90 2018-04-01 25 11 晴~多云 南风 1-2级 218 重度污染 5
71 2018-03-13 17 5 晴~多云 南风 1-2级 287 重度污染 5
.. ... ... ... ... ... ... ... ... ...
362 2018-12-29 -3 -12 晴 西北风 2级 29 优 1
22 2018-01-23 -4 -12 晴 西北风 3-4级 31 优 1
23 2018-01-24 -4 -11 晴 西南风 1-2级 34 优 1
340 2018-12-07 -4 -10 晴 西北风 3级 33 优 1
360 2018-12-27 -5 -12 多云~晴 西北风 3级 48 优 1
[365 rows x 9 columns]
################################
# 分别指定升序和降序
>>> df.sort_values(by=["aqiLevel","bWendu"],ascending=[True,False])
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
178 2018-06-28 35 24 多云~晴 北风 1-2级 33 优 1
149 2018-05-30 33 18 晴 西风 1-2级 46 优 1
206 2018-07-26 33 25 多云~雷阵雨 东北风 1-2级 40 优 1
158 2018-06-08 32 19 多云~雷阵雨 西南风 1-2级 43 优 1
205 2018-07-25 32 25 多云 北风 1-2级 28 优 1
.. ... ... ... ... ... ... ... ... ...
317 2018-11-14 13 5 多云 南风 1-2级 266 重度污染 5
329 2018-11-26 10 0 多云 东南风 1级 245 重度污染 5
335 2018-12-02 9 2 雾~多云 东北风 1级 234 重度污染 5
57 2018-02-27 7 0 阴 东风 1-2级 220 重度污染 5
86 2018-03-28 25 9 多云~晴 东风 1-2级 387 严重污染 6
[365 rows x 9 columns]
10、Pandas怎样实现DataFrame的Merge
merge的语法:
pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=True, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)
- left,right:要merge的dataframe或者有name的Series
- how:join类型,'left', 'right', 'outer', 'inner'
- on:join的key,left和right都需要有这个key
- left_on:left的df或者series的key
- right_on:right的df或者seires的key
- left_index,right_index:使用index而不是普通的column做join
- suffixes:两个元素的后缀,如果列有重名,自动添加后缀,默认是('_x', '_y')
文档地址:pandas.DataFrame.merge — pandas 1.4.2 documentation
准备工作
>>> left = pd.DataFrame({'A': ['a0', 'a1', 'a2', 'a3'],
... 'B': ['b0', 'b1', 'b2', 'b3'],
... 'k1': ['x', 'x', 'y', 'y']})
>>> right = pd.DataFrame({'C': ['c1', 'c2', 'c3', 'c4'],
... 'D': ['d1', 'd2', 'd3', 'd4'],
... 'k1': ['y', 'y', 'z', 'z']})
>>> left
A B k1
0 a0 b0 x
1 a1 b1 x
2 a2 b2 y
3 a3 b3 y
>>> right
C D k1
0 c1 d1 y
1 c2 d2 y
2 c3 d3 z
3 c4 d4 z
# 默认inner,即取交集
>>> pd.merge(left,right,on="k1")
A B k1 C D
0 a2 b2 y c1 d1
1 a2 b2 y c2 d2
2 a3 b3 y c1 d1
3 a3 b3 y c2 d2
可以看到只有left和right的key1=y的行保留了下来,即默认合并后只保留有共同列项并且值相等行(即交集)。
本例中left和right的k1=y分别有2个,最终构成了2*2=4行
若是左右的key不一样的话,比如下面这种情况
>>> left = pd.DataFrame({'A': ['a0', 'a1', 'a2', 'a3'],
... 'B': ['b0', 'b1', 'b2', 'b3'],
... 'k1': ['x', 'x', 'y', 'y']})
>>> right = pd.DataFrame({'C': ['c1', 'c2', 'c3', 'c4'],
... 'D': ['d1', 'd2', 'd3', 'd4'],
... 'k2': ['y', 'y', 'z', 'z']})
########################################
>>> right
C D k2
0 c1 d1 y
1 c2 d2 y
2 c3 d3 z
3 c4 d4 z
>>> left
A B k1
0 a0 b0 x
1 a1 b1 x
2 a2 b2 y
3 a3 b3 y
#######################################
# 就用left_on和right_on,区别基准
>>> pd.merge(left,right,left_on='k1',right_on='k2')
A B k1 C D k2
0 a2 b2 y c1 d1 y
1 a2 b2 y c2 d2 y
10.1、理解merge时数量的对齐关系
以下关系要正确理解:
- one-to-one:一对一关系,关联的key都是唯一的
- 比如(学号,姓名) merge (学号,年龄)
- 结果条数为:1*1
- one-to-many:一对多关系,左边唯一key,右边不唯一key
- 比如(学号,姓名) merge (学号,[语文成绩、数学成绩、英语成绩])
- 结果条数为:1*N
- many-to-many:多对多关系,左边右边都不是唯一的
- 比如(学号,[语文成绩、数学成绩、英语成绩]) merge (学号,[篮球、足球、乒乓球])
- 结果条数为:M*N
10.1.1、one-to-one 一对一关系的merge
>>> left = pd.DataFrame({'sno': [11, 12, 13, 14],
... 'name': ['name_a', 'name_b', 'name_c', 'name_d']
... })
>>> left
sno name
0 11 name_a
1 12 name_b
2 13 name_c
3 14 name_d
########################
>>> right = pd.DataFrame({'sno':[11,12,13,14],'age':['21','22','23','24']})
>>> right
sno age
0 11 21
1 12 22
2 13 23
3 14 24
#########################
# 一对一关系,结果中有4条
>>> pd.merge(left,right,on='sno')
sno name age
0 11 name_a 21
1 12 name_b 22
2 13 name_c 23
3 14 name_d 24
10.1.2、one-to-many 一对多关系的merge
注意:数据会被复制
>>> left = pd.DataFrame({'sno': [11, 12, 13, 14],
... 'name': ['name_a', 'name_b', 'name_c', 'name_d']
... })
>>> left
sno name
0 11 name_a
1 12 name_b
2 13 name_c
3 14 name_d
################################################
>>> right = pd.DataFrame({'sno': [11, 11, 11, 12, 12, 13],
... 'grade': ['语文88', '数学90', '英语75','语文66', '数学55', '英语29']
... })
>>> right
sno grade
0 11 语文88
1 11 数学90
2 11 英语75
3 12 语文66
4 12 数学55
5 13 英语29
############################
>>> pd.merge(left,right,on='sno')
sno name grade
0 11 name_a 语文88
1 11 name_a 数学90
2 11 name_a 英语75
3 12 name_b 语文66
4 12 name_b 数学55
5 13 name_c 英语29
10.1.3、many-to-many 多对多关系的merge
>>> left = pd.DataFrame({'sno': [11, 11, 12, 12,12],
... '爱好': ['篮球', '羽毛球', '乒乓球', '篮球', "足球"]
... })
>>> left
sno 爱好
0 11 篮球
1 11 羽毛球
2 12 乒乓球
3 12 篮球
4 12 足球
>>> right = pd.DataFrame({'sno': [11, 11, 11, 12, 12, 13],
... 'grade': ['语文88', '数学90', '英语75','语文66', '数学55', '英语29']
... })
>>> right
sno grade
0 11 语文88
1 11 数学90
2 11 英语75
3 12 语文66
4 12 数学55
5 13 英语29
>>> pd.merge(left, right, on='sno')
sno 爱好 grade
0 11 篮球 语文88
1 11 篮球 数学90
2 11 篮球 英语75
3 11 羽毛球 语文88
4 11 羽毛球 数学90
5 11 羽毛球 英语75
6 12 乒乓球 语文66
7 12 乒乓球 数学55
8 12 篮球 语文66
9 12 篮球 数学55
10 12 足球 语文66
11 12 足球 数学55
10.2、理解left join、right join、inner join、outer join的区别
>>> left = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
... 'A': ['A0', 'A1', 'A2', 'A3'],
... 'B': ['B0', 'B1', 'B2', 'B3']})
>>>
>>> right = pd.DataFrame({'key': ['K0', 'K1', 'K4', 'K5'],
... 'C': ['C0', 'C1', 'C4', 'C5'],
... 'D': ['D0', 'D1', 'D4', 'D5']})
>>> left
key A B
0 K0 A0 B0
1 K1 A1 B1
2 K2 A2 B2
3 K3 A3 B3
>>> right
key C D
0 K0 C0 D0
1 K1 C1 D1
2 K4 C4 D4
3 K5 C5 D5
10.2.1、inner join,默认为这个
左边和右边的key都有,才会出现在结果里
>>> pd.merge(left,right,how='inner')
key A B C D
0 K0 A0 B0 C0 D0
1 K1 A1 B1 C1 D1
10.2.2、left join
左边的都会出现在结果里,右边的如果无法匹配则为Null
>>> pd.merge(left,right,how='left')
key A B C D
0 K0 A0 B0 C0 D0
1 K1 A1 B1 C1 D1
2 K2 A2 B2 NaN NaN
3 K3 A3 B3 NaN NaN
10.2.3、right join
右边的都会出现在结果里,左边的如果无法匹配则为Null
>>> pd.merge(left,right,how='right')
key A B C D
0 K0 A0 B0 C0 D0
1 K1 A1 B1 C1 D1
2 K4 NaN NaN C4 D4
3 K5 NaN NaN C5 D5
10.2.4、outer join
左边、右边的都会出现在结果里,如果无法匹配则为Null
>>> pd.merge(left,right,how='outer')
key A B C D
0 K0 A0 B0 C0 D0
1 K1 A1 B1 C1 D1
2 K2 A2 B2 NaN NaN
3 K3 A3 B3 NaN NaN
4 K4 NaN NaN C4 D4
5 K5 NaN NaN C5 D5
10.3、如果出现非Key的字段重名怎么办
>>> left = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
... 'A': ['A0', 'A1', 'A2', 'A3'],
... 'B': ['B0', 'B1', 'B2', 'B3']})
>>>
>>> right = pd.DataFrame({'key': ['K0', 'K1', 'K4', 'K5'],
... 'A': ['A10', 'A11', 'A12', 'A13'],
... 'D': ['D0', 'D1', 'D4', 'D5']})
>>> left
key A B
0 K0 A0 B0
1 K1 A1 B1
2 K2 A2 B2
3 K3 A3 B3
>>> right
key A D
0 K0 A10 D0
1 K1 A11 D1
2 K4 A12 D4
3 K5 A13 D5
>>> pd.merge(left,right,on='key')
key A_x B A_y D
0 K0 A0 B0 A10 D0
1 K1 A1 B1 A11 D1
#####################################
# suffixes:两个元素的后缀,如果列有重名,自动添加后缀,默认是('_x', '_y')
>>> pd.merge(left, right, on='key', suffixes=('_left', '_right'))
key A_left B A_right D
0 K0 A0 B0 A10 D0
1 K1 A1 B1 A11 D1
11、Pandas实现数据的合并concat
使用场景:
批量合并相同格式的Excel、给DataFrame添加行、给DataFrame添加列
一句话说明concat语法:
- 使用某种合并方式(inner/outer)
- 沿着某个轴向(axis=0/1)
- 把多个Pandas对象(DataFrame/Series)合并成一个。
concat语法:pandas.concat(objs, axis=0, join='outer', ignore_index=False)
- objs:一个列表,内容可以是DataFrame或者Series,可以混合
- axis:默认是0代表按行合并,如果等于1代表按列合并
- join:合并的时候索引的对齐方式,默认是outer join,也可以是inner join
- ignore_index:是否忽略掉原来的数据索引
append语法:DataFrame.append(other, ignore_index=False)
append只有按行合并,没有按列合并,相当于concat按行的简写形式
- other:单个dataframe、series、dict,或者列表
- ignore_index:是否忽略掉原来的数据索引
参考文档:
- pandas.concat的api文档:pandas.concat — pandas 1.4.2 documentation
- pandas.concat的教程:Merge, join, concatenate and compare — pandas 1.4.2 documentation
- pandas.append的api文档:pandas.DataFrame.append — pandas 1.4.2 documentation
准备工作
>>> import pandas as pd
>>> import warnings
>>> warnings.filterwarnings('ignore')
11.1、使用pandas.concat合并数据
>>> df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
... 'B': ['B0', 'B1', 'B2', 'B3'],
... 'C': ['C0', 'C1', 'C2', 'C3'],
... 'D': ['D0', 'D1', 'D2', 'D3'],
... 'E': ['E0', 'E1', 'E2', 'E3']
... })
>>> df1
A B C D E
0 A0 B0 C0 D0 E0
1 A1 B1 C1 D1 E1
2 A2 B2 C2 D2 E2
3 A3 B3 C3 D3 E3
###########################################
>>> df2 = pd.DataFrame({ 'A': ['A4', 'A5', 'A6', 'A7'],
... 'B': ['B4', 'B5', 'B6', 'B7'],
... 'C': ['C4', 'C5', 'C6', 'C7'],
... 'D': ['D4', 'D5', 'D6', 'D7'],
... 'F': ['F4', 'F5', 'F6', 'F7']
... })
>>> df2
A B C D F
0 A4 B4 C4 D4 F4
1 A5 B5 C5 D5 F5
2 A6 B6 C6 D6 F6
3 A7 B7 C7 D7 F7
11.1.1、默认的concat,参数为axis=0、join=outer、ignore_index=False
>>> pd.concat([df1,df2])
A B C D E F
0 A0 B0 C0 D0 E0 NaN
1 A1 B1 C1 D1 E1 NaN
2 A2 B2 C2 D2 E2 NaN
3 A3 B3 C3 D3 E3 NaN
0 A4 B4 C4 D4 NaN F4
1 A5 B5 C5 D5 NaN F5
2 A6 B6 C6 D6 NaN F6
3 A7 B7 C7 D7 NaN F7
11.1.2、使用ignore_index=True可以忽略原来的索引
>>> pd.concat([df1,df2], ignore_index=True)
A B C D E F
0 A0 B0 C0 D0 E0 NaN
1 A1 B1 C1 D1 E1 NaN
2 A2 B2 C2 D2 E2 NaN
3 A3 B3 C3 D3 E3 NaN
4 A4 B4 C4 D4 NaN F4
5 A5 B5 C5 D5 NaN F5
6 A6 B6 C6 D6 NaN F6
7 A7 B7 C7 D7 NaN F7
11.1.3、使用join=inner过滤掉不匹配的列
>>> pd.concat([df1,df2], ignore_index=True, join='inner')
A B C D
0 A0 B0 C0 D0
1 A1 B1 C1 D1
2 A2 B2 C2 D2
3 A3 B3 C3 D3
4 A4 B4 C4 D4
5 A5 B5 C5 D5
6 A6 B6 C6 D6
7 A7 B7 C7 D7
11.1.4、使用axis=1相当于添加新列
>>> df1
A B C D E
0 A0 B0 C0 D0 E0
1 A1 B1 C1 D1 E1
2 A2 B2 C2 D2 E2
3 A3 B3 C3 D3 E3
(1)添加一列Series
>>> s1 = pd.Series(list(range(4)), name="F")
>>> pd.concat([df1,s1], axis=1)
A B C D E F
0 A0 B0 C0 D0 E0 0
1 A1 B1 C1 D1 E1 1
2 A2 B2 C2 D2 E2 2
3 A3 B3 C3 D3 E3 3
(2)添加多列Series
>>> s2 = df1.apply(lambda x:x["A"]+"_GG",axis=1)
>>> s2
0 A0_GG
1 A1_GG
2 A2_GG
3 A3_GG
dtype: object
>>> s2.name="G"
# 原来基础上并没有发生改变
>>> pd.concat([df1,s1,s2], axis=1)
A B C D E F G
0 A0 B0 C0 D0 E0 0 A0_GG
1 A1 B1 C1 D1 E1 1 A1_GG
2 A2 B2 C2 D2 E2 2 A2_GG
3 A3 B3 C3 D3 E3 3 A3_GG
# 列表可以只有Series
>>> pd.concat([s1,s2], axis=1)
F G
0 0 A0_GG
1 1 A1_GG
2 2 A2_GG
3 3 A3_GG
##########################
# 列表是可以混合顺序的
>>> pd.concat([s1,df1,s2], axis=1)
F A B C D E G
0 0 A0 B0 C0 D0 E0 A0_GG
1 1 A1 B1 C1 D1 E1 A1_GG
2 2 A2 B2 C2 D2 E2 A2_GG
3 3 A3 B3 C3 D3 E3 A3_GG
11.2、使用DataFrame.append按行合并数据
>>> df1 = pd.DataFrame([[1,2], [3,4]], columns=list('AB'))
>>> df1
A B
0 1 2
1 3 4
>>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB'))
>>> df2
A B
0 5 6
1 7 8
11.2.1、给1个dataframe添加另一个dataframe
>>> df1.append(df2)
A B
0 1 2
1 3 4
0 5 6
1 7 8
11.2.2、忽略原来的索引ignore_index=True
>>> df1.append(df2, ignore_index=True)
A B
0 1 2
1 3 4
2 5 6
3 7 8
11.2.3、可以一行一行的给DataFrame添加数据
>>> df = pd.DataFrame(columns=['A'])
>>> df
Empty DataFrame
Columns: [A]
Index: []
(1)低性能版本
for i in range(5):
# 注意这里每次都在复制
df = df.append({'A': i}, ignore_index=True)
df
>>> for i in range(5):
... df = df.append({'A':i}, ignore_index=True)
...
>>> df
A
0 0
1 1
2 2
3 3
4 4
(2)性能好的版本
# 传入的参数是一个列表,避免了多次复制
pd.concat(
[pd.DataFrame([i], columns=['A']) for i in range(5)],
ignore_index=True
)
#####################
>>> pd.concat(
... [pd.DataFrame([i], columns=['A']) for i in range(5)],
... ignore_index=True
... )
A
0 0
1 1
2 2
3 3
4 4
11.3、merge和concat的区别
merge一次只能操作两个DataFrame,但是concat能操作多个
12、Pandas怎样实现groupby分组统计
类似SQL:
select city,max(temperature) from city_weather group by city;
groupby:先对数据分组,然后在每个分组上应用聚合函数、转换函数
本次演示:
一、分组使用聚合函数做数据统计
二、遍历groupby的结果理解执行流程
三、实例分组探索天气数据
准备工作
>>> import pandas as pd
>>> import numpy as np
>>> df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],
... 'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
... 'C': np.random.randn(8),
... 'D': np.random.randn(8)})
>>> df
A B C D
0 foo one 0.943498 -1.057291
1 bar one -0.201177 -0.293867
2 foo two -0.089857 0.190784
3 bar three -0.805926 0.892312
4 foo two -0.343189 0.747129
5 bar two 1.635383 0.101340
6 foo one 2.403976 -0.893356
7 foo three 0.169233 0.694649
12.1、分组使用聚合函数做数据统计
12.1.1、单个列groupby,查询所有数据列的统计
>>> df.groupby("A").sum()
C D
A
bar 0.62828 0.699785
foo 3.08366 -0.318085
我们看到:
- groupby中的'A'变成了数据的索引列
- 因为要统计sum,但B列不是数字,所以被自动忽略掉
12.1.2、多个列groupby,查询所有数据列的统计
>>> df.groupby(["A","B"]).sum()
C D
A B
bar one -0.201177 -0.293867
three -0.805926 0.892312
two 1.635383 0.101340
foo one 3.347473 -1.950647
three 0.169233 0.694649
two -0.433046 0.937913
# 我们看到:('A','B')成对变成了二级索引
>>> df.groupby(['A','B'], as_index=False).mean()
A B C D
0 bar one -0.201177 -0.293867
1 bar three -0.805926 0.892312
2 bar two 1.635383 0.101340
3 foo one 1.673737 -0.975324
4 foo three 0.169233 0.694649
5 foo two -0.216523 0.468957
12.1.3、 同时查看多种数据统计
>>> df.groupby('A').agg([np.sum, np.mean, np.std])
C D
sum mean std sum mean std
A
bar 0.62828 0.209427 1.271394 0.699785 0.233262 0.603993
foo 3.08366 0.616732 1.109278 -0.318085 -0.063617 0.862098
我们看到:列变成了多级索引
12.1.4、 查看单列的结果数据统计
# method1:预过滤,性能更好
>>> df.groupby("A")["C"].agg([np.sum, np.mean, np.std])
sum mean std
A
bar 0.62828 0.209427 1.271394
foo 3.08366 0.616732 1.109278
####################
# method2
>>> df.groupby('A').agg([np.sum, np.mean, np.std])['C']
sum mean std
A
bar 0.62828 0.209427 1.271394
foo 3.08366 0.616732 1.109278
12.1.5、不同列使用不同的聚合函数
>>> df.groupby('A').agg({'C':np.sum, 'D':np.mean})
C D
A
bar 0.62828 0.233262
foo 3.08366 -0.063617
12.2、遍历groupby的结果理解执行流程
for循环可以直接遍历每个group
12.2.1、遍历单个列聚合的分组
>>> g = df.groupby('A')
>>> g
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x7fc7c448e710>
>>> for name,group in g:
... print(name)
... print(group)
... print()
...
bar
A B C D
1 bar one -0.201177 -0.293867
3 bar three -0.805926 0.892312
5 bar two 1.635383 0.101340
foo
A B C D
0 foo one 0.943498 -1.057291
2 foo two -0.089857 0.190784
4 foo two -0.343189 0.747129
6 foo one 2.403976 -0.893356
7 foo three 0.169233 0.694649
可以获取单个分组的数据
# 里边填写的是组名,即上边的name
>>> g.get_group("bar")
A B C D
1 bar one -0.201177 -0.293867
3 bar three -0.805926 0.892312
5 bar two 1.635383 0.101340
12.3、遍历多个列聚合的分组
>>> g = df.groupby(['A', 'B'])
>>> for name,group in g:
... print(name)
... print(group)
... print()
...
('bar', 'one')
A B C D
1 bar one -0.201177 -0.293867
('bar', 'three')
A B C D
3 bar three -0.805926 0.892312
('bar', 'two')
A B C D
5 bar two 1.635383 0.10134
('foo', 'one')
A B C D
0 foo one 0.943498 -1.057291
6 foo one 2.403976 -0.893356
('foo', 'three')
A B C D
7 foo three 0.169233 0.694649
('foo', 'two')
A B C D
2 foo two -0.089857 0.190784
4 foo two -0.343189 0.747129
# 可以看到,name是一个2个元素的tuple,代表不同的列
# 可以直接查询group后的某几列,生成Series或者子DataFrame
>>> g.get_group(('foo', 'one'))
A B C D
0 foo one 0.943498 -1.057291
6 foo one 2.403976 -0.893356
# 其实所有的聚合统计,都是在dataframe和series上进行的
>>> g['C']
<pandas.core.groupby.generic.SeriesGroupBy object at 0x7fc7c497a828>
>>> for name, group in g['C']:
... print(name)
... print(group)
... print(type(group))
... print()
...
('bar', 'one')
1 -0.201177
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('bar', 'three')
3 -0.805926
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('bar', 'two')
5 1.635383
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('foo', 'one')
0 0.943498
6 2.403976
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('foo', 'three')
7 0.169233
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
('foo', 'two')
2 -0.089857
4 -0.343189
Name: C, dtype: float64
<class 'pandas.core.series.Series'>
12.4、实例分组探索天气数据
>>> fpath = "beijing_tianqi_2018.csv"
>>> df = pd.read_csv(fpath)
# 替换掉温度的后缀℃
>>> df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃", "").astype('int32')
>>> df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃", "").astype('int32')
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1
# 这里是切片df["ymd"]的从第1为位到第7位,下标为[0:6]
# 新增一列为月份
>>> df['month'] = df['ymd'].str[:7]
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel month
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2 2018-01
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1 2018-01
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1 2018-01
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1 2018-01
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1 2018-01
12.4.1、 查看每个月的最高温度
>>> data = df.groupby('month')['bWendu'].max()
>>> data
month
2018-01 7
2018-02 12
2018-03 27
2018-04 30
2018-05 35
2018-06 38
2018-07 37
2018-08 36
2018-09 31
2018-10 25
2018-11 18
2018-12 10
Name: bWendu, dtype: int32
########
>>> type(data)
<class 'pandas.core.series.Series'>
画图功能在linux实现不了,但是可以在jupyter里边实现
12.4.2、查看每个月的最高温度、最低温度、平均空气质量指数
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel month
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2 2018-01
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1 2018-01
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1 2018-01
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1 2018-01
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1 2018-01
>>> group_data = df.groupby('month').agg({"bWendu":np.max, "yWendu":np.min, "aqi":np.mean})
>>> group_data
bWendu yWendu aqi
month
2018-01 7 -12 60.677419
2018-02 12 -10 78.857143
2018-03 27 -4 130.322581
2018-04 30 1 102.866667
2018-05 35 10 99.064516
2018-06 38 17 82.300000
2018-07 37 22 72.677419
2018-08 36 20 59.516129
2018-09 31 11 50.433333
2018-10 25 1 67.096774
2018-11 18 -4 105.100000
2018-12 10 -12 77.354839
13、Pandas处理日期数据
Pandas日期处理的作用:将2018-01-01、1/1/2018等多种日期格式映射成统一的格式对象,在该对象上提供强大的功能支持
几个概念:
- pd.to_datetime:pandas的一个函数,能将字符串、列表、series变成日期形式
- Timestamp:pandas表示日期的对象形式
- DatetimeIndex:pandas表示日期的对象列表形式
其中:
- DatetimeIndex是Timestamp的列表形式
- pd.to_datetime对单个日期字符串处理会得到Timestamp
- pd.to_datetime对日期字符串列表处理会得到DatetimeIndex
问题:怎样统计每周、每月、每季度的最高温度?
13.1、读取天气数据到dataframe
>>> import pandas as pd
>>> fpath = "beijing_tianqi_2018.csv"
>>> df = pd.read_csv(fpath)
# 替换掉温度的后缀℃
>>> df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃", "").astype('int32')
>>> df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃", "").astype('int32')
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1
13.2、将日期列转换成pandas的日期
>>> pd.to_datetime(df["ymd"], format="%Y-%m-%d")
0 2018-01-01
1 2018-01-02
2 2018-01-03
3 2018-01-04
4 2018-01-05
...
360 2018-12-27
361 2018-12-28
362 2018-12-29
363 2018-12-30
364 2018-12-31
Name: ymd, Length: 365, dtype: datetime64[ns]
# 把ymd变成索引
>>> df.set_index(pd.to_datetime(df["ymd"]), inplace=True)
>>> df.head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel ymd2
ymd
2018-01-01 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2 2018-01-01
2018-01-02 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1 2018-01-02
2018-01-03 2018-01-03 2 -5 多云 北风 1-2级 28 优 1 2018-01-03
2018-01-04 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1 2018-01-04
2018-01-05 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1 2018-01-05
>>> df.index
DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04',
'2018-01-05', '2018-01-06', '2018-01-07', '2018-01-08',
'2018-01-09', '2018-01-10',
...
'2018-12-22', '2018-12-23', '2018-12-24', '2018-12-25',
'2018-12-26', '2018-12-27', '2018-12-28', '2018-12-29',
'2018-12-30', '2018-12-31'],
dtype='datetime64[ns]', name='ymd', length=365, freq=None)
########################
# DatetimeIndex是Timestamp的列表形式
>>> df.index[0]
Timestamp('2018-01-01 00:00:00')
############################
>>> df.index.strftime('%y/%m/%d')
Index(['18/01/01', '18/01/02', '18/01/03', '18/01/04', '18/01/05', '18/01/06',
'18/01/07', '18/01/08', '18/01/09', '18/01/10',
...
'18/12/22', '18/12/23', '18/12/24', '18/12/25', '18/12/26', '18/12/27',
'18/12/28', '18/12/29', '18/12/30', '18/12/31'],
dtype='object', name='ymd', length=365)
13.3、方便的对DatetimeIndex进行查询
# 筛选固定的某天
>>> df.loc['2018-01-05']
ymd 2018-01-05
bWendu 3
yWendu -6
tianqi 多云~晴
fengxiang 西北风
fengli 1-2级
aqi 50
aqiInfo 优
aqiLevel 1
ymd2 2018-01-05 00:00:00
Name: 2018-01-05 00:00:00, dtype: object
# 日期区间
>>> df.loc['2018-01-05':'2018-01-10']
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel ymd2
ymd
2018-01-05 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1 2018-01-05
2018-01-06 2018-01-06 2 -5 多云~阴 西南风 1-2级 32 优 1 2018-01-06
2018-01-07 2018-01-07 2 -4 阴~多云 西南风 1-2级 59 良 2 2018-01-07
2018-01-08 2018-01-08 2 -6 晴 西北风 4-5级 50 优 1 2018-01-08
2018-01-09 2018-01-09 1 -8 晴 西北风 3-4级 34 优 1 2018-01-09
2018-01-10 2018-01-10 -2 -10 晴 西北风 1-2级 26 优 1 2018-01-10
# 按月份前缀筛选
>>> df['2018-03'].head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel ymd2
ymd
2018-03-01 2018-03-01 8 -3 多云 西南风 1-2级 46 优 1 2018-03-01
2018-03-02 2018-03-02 9 -1 晴~多云 北风 1-2级 95 良 2 2018-03-02
2018-03-03 2018-03-03 13 3 多云~阴 北风 1-2级 214 重度污染 5 2018-03-03
2018-03-04 2018-03-04 7 -2 阴~多云 东南风 1-2级 144 轻度污染 3 2018-03-04
2018-03-05 2018-03-05 8 -3 晴 南风 1-2级 94 良 2 2018-03-05
# 按索引号进行搜索
>>> df.loc["2018-07":"2018-09"].index
DatetimeIndex(['2018-07-01', '2018-07-02', '2018-07-03', '2018-07-04',
'2018-07-05', '2018-07-06', '2018-07-07', '2018-07-08',
'2018-07-09', '2018-07-10', '2018-07-11', '2018-07-12',
'2018-07-13', '2018-07-14', '2018-07-15', '2018-07-16',
'2018-07-17', '2018-07-18', '2018-07-19', '2018-07-20',
'2018-07-21', '2018-07-22', '2018-07-23', '2018-07-24',
'2018-07-25', '2018-07-26', '2018-07-27', '2018-07-28',
'2018-07-29', '2018-07-30', '2018-07-31', '2018-08-01',
'2018-08-02', '2018-08-03', '2018-08-04', '2018-08-05',
'2018-08-06', '2018-08-07', '2018-08-08', '2018-08-09',
'2018-08-10', '2018-08-11', '2018-08-12', '2018-08-13',
'2018-08-14', '2018-08-15', '2018-08-16', '2018-08-17',
'2018-08-18', '2018-08-19', '2018-08-20', '2018-08-21',
'2018-08-22', '2018-08-23', '2018-08-24', '2018-08-25',
'2018-08-26', '2018-08-27', '2018-08-28', '2018-08-29',
'2018-08-30', '2018-08-31', '2018-09-01', '2018-09-02',
'2018-09-03', '2018-09-04', '2018-09-05', '2018-09-06',
'2018-09-07', '2018-09-08', '2018-09-09', '2018-09-10',
'2018-09-11', '2018-09-12', '2018-09-13', '2018-09-14',
'2018-09-15', '2018-09-16', '2018-09-17', '2018-09-18',
'2018-09-19', '2018-09-20', '2018-09-21', '2018-09-22',
'2018-09-23', '2018-09-24', '2018-09-25', '2018-09-26',
'2018-09-27', '2018-09-28', '2018-09-29', '2018-09-30'],
dtype='datetime64[ns]', name='ymd', freq=None)
######
# 按年份进行索引
>>> df.loc["2018"].head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel ymd2
ymd
2018-01-01 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2 2018-01-01
2018-01-02 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1 2018-01-02
2018-01-03 2018-01-03 2 -5 多云 北风 1-2级 28 优 1 2018-01-03
2018-01-04 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1 2018-01-04
2018-01-05 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1 2018-01-05
# 过滤掉指定日期之前的内容
>>> df.truncate(before="2018-2-25").head()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel ymd2
ymd
2018-02-25 2018-02-25 6 -4 多云 西南风 1-2级 73 良 2 2018-02-25
2018-02-26 2018-02-26 12 -1 晴~多云 西南风 1-2级 157 中度污染 4 2018-02-26
2018-02-27 2018-02-27 7 0 阴 东风 1-2级 220 重度污染 5 2018-02-27
2018-02-28 2018-02-28 9 -2 多云~晴 西南风 3-4级 139 轻度污染 3 2018-02-28
2018-03-01 2018-03-01 8 -3 多云 西南风 1-2级 46 优 1 2018-03-01
##############
#过滤掉之后的
>>> df.truncate(after='2018-2-25').tail()
ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel ymd2
ymd
2018-02-21 2018-02-21 8 -4 晴 南风 1-2级 53 良 2 2018-02-21
2018-02-22 2018-02-22 9 -4 多云 西南风 1-2级 42 优 1 2018-02-22
2018-02-23 2018-02-23 10 -4 多云 东北风 1-2级 45 优 1 2018-02-23
2018-02-24 2018-02-24 3 -6 多云~晴 南风 1-2级 66 良 2 2018-02-24
2018-02-25 2018-02-25 6 -4 多云 西南风 1-2级 73 良 2 2018-02-25
13.4、生成日期范围
pandas.date_range(start=None, end=None, periods=None, freq='D', tz=None, normalize=False, name=None, closed=None, **kwargs)
该函数主要用于生成一个固定频率的时间索引,在调用构造方法时,必须指定start、end、periods中的两个参数值,否则报错. start: 起始时间 end: 末尾时间 periods: 要生成的时段数 freq: 日期偏移量,取值为string或DateOffset,默认为'D' freq 参数详解:pandas.date_range freq参数枚举_浪_沏沙的博客-CSDN博客_date_range freq
# 默认都是一个单位为一天
>>> pd.date_range(start='20180101',end='20180110')
DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04',
'2018-01-05', '2018-01-06', '2018-01-07', '2018-01-08',
'2018-01-09', '2018-01-10'],
dtype='datetime64[ns]', freq='D')
>>> pd.date_range(start='20180101',periods=3)
DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03'], dtype='datetime64[ns]', freq='D')
##############
>>> pd.date_range(start='20180101',end='20180110' , periods=3)
DatetimeIndex(['2018-01-01 00:00:00', '2018-01-05 12:00:00',
'2018-01-10 00:00:00'],
dtype='datetime64[ns]', freq=None)
################
>>> pd.date_range(start="201801010000", end="201801010100", freq="300s")
DatetimeIndex(['2018-01-01 00:00:00', '2018-01-01 00:05:00',
'2018-01-01 00:10:00', '2018-01-01 00:15:00',
'2018-01-01 00:20:00', '2018-01-01 00:25:00',
'2018-01-01 00:30:00', '2018-01-01 00:35:00',
'2018-01-01 00:40:00', '2018-01-01 00:45:00',
'2018-01-01 00:50:00', '2018-01-01 00:55:00',
'2018-01-01 01:00:00'],
dtype='datetime64[ns]', freq='300S')
13.5、方便的获取周、月、季度
Timestamp、DatetimeIndex支持大量的属性可以获取日期分量:
Time series / date functionality — pandas 1.4.2 documentation
>>> df.index.week
__main__:1: FutureWarning: weekofyear and week have been deprecated, please use DatetimeIndex.isocalendar().week instead, which returns a Series. To exactly reproduce the behavior of week and weekofyear and return an Index, you may call pd.Int64Index(idx.isocalendar().week)
Int64Index([ 1, 1, 1, 1, 1, 1, 1, 2, 2, 2,
...
51, 51, 52, 52, 52, 52, 52, 52, 52, 1],
dtype='int64', name='ymd', length=365)
# 使用提示的语法,结果是这样的
>>> df.index.isocalendar()
year week day
ymd
2018-01-01 2018 1 1
2018-01-02 2018 1 2
2018-01-03 2018 1 3
2018-01-04 2018 1 4
2018-01-05 2018 1 5
... ... ... ...
2018-12-27 2018 52 4
2018-12-28 2018 52 5
2018-12-29 2018 52 6
2018-12-30 2018 52 7
2018-12-31 2019 1 1
[365 rows x 3 columns]
>>> df.index.isocalendar().week
ymd
2018-01-01 1
2018-01-02 1
2018-01-03 1
2018-01-04 1
2018-01-05 1
..
2018-12-27 52
2018-12-28 52
2018-12-29 52
2018-12-30 52
2018-12-31 1
Name: week, Length: 365, dtype: UInt32
>>> df.ymd2.dt.week
__main__:1: FutureWarning: Series.dt.weekofyear and Series.dt.week have been deprecated. Please use Series.dt.isocalendar().week instead.
ymd
2018-01-01 1
2018-01-02 1
2018-01-03 1
2018-01-04 1
2018-01-05 1
..
2018-12-27 52
2018-12-28 52
2018-12-29 52
2018-12-30 52
2018-12-31 1
Name: ymd2, Length: 365, dtype: int64
# 使用提示语法
>>> df.ymd2.dt.isocalendar()
year week day
ymd
2018-01-01 2018 1 1
2018-01-02 2018 1 2
2018-01-03 2018 1 3
2018-01-04 2018 1 4
2018-01-05 2018 1 5
... ... ... ...
2018-12-27 2018 52 4
2018-12-28 2018 52 5
2018-12-29 2018 52 6
2018-12-30 2018 52 7
2018-12-31 2019 1 1
[365 rows x 3 columns]
# 月数字列表
>>> df.index.month
Int64Index([ 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
...
12, 12, 12, 12, 12, 12, 12, 12, 12, 12],
dtype='int64', name='ymd', length=365)
#############
# 季度数字列表
>>> df.index.quarter
Int64Index([1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
...
4, 4, 4, 4, 4, 4, 4, 4, 4, 4],
dtype='int64', name='ymd', length=365)
13.6、统计每周、每月、每个季度的最高温度
13.6.1、统计每周的数据
>>> df.groupby(df.index.week)["bWendu"].max().head()
__main__:1: FutureWarning: weekofyear and week have been deprecated, please use DatetimeIndex.isocalendar().week instead, which returns a Series. To exactly reproduce the behavior of week and weekofyear and return an Index, you may call pd.Int64Index(idx.isocalendar().week)
ymd
1 3
2 6
3 7
4 -1
5 4
Name: bWendu, dtype: int32
# 使用提示语句后的结果
>>> df.groupby(df.index.isocalendar().week)["bWendu"].max().head()
week
1 3
2 6
3 7
4 -1
5 4
Name: bWendu, dtype: int32
13.6.2、统计每个月的数据
>>> df.groupby(df.index.month)["bWendu"].max()
ymd
1 7
2 12
3 27
4 30
5 35
6 38
7 37
8 36
9 31
10 25
11 18
12 10
Name: bWendu, dtype: int32
13.6.3、统计每个季度的数据
>>> df.groupby(df.index.quarter)["bWendu"].max()
ymd
1 27
2 38
3 37
4 25
Name: bWendu, dtype: int32
13.7、python中时间日期格式化符号
%y 两位数的年份表示(00-99) %Y 四位数的年份表示(000-9999) %m 月份(01-12) %d 月内中的一天(0-31) %H 24小时制小时数(0-23) %I 12小时制小时数(01-12) %M 分钟数(00=59) %S 秒(00-59) %a 本地简化星期名称 %A 本地完整星期名称 %b 本地简化的月份名称 %B 本地完整的月份名称 %c 本地相应的日期表示和时间表示 %j 年内的一天(001-366) %p 本地A.M.或P.M.的等价符 %U 一年中的星期数(00-53)星期天为星期的开始 %w 星期(0-6),星期天为星期的开始 %W 一年中的星期数(00-53)星期一为星期的开始 %x 本地相应的日期表示 %X 本地相应的时间表示 %Z 当前时区的名称 %% %号本身