人工智能科学计算库—Pandas教程

1.0 Pandas简介

image-20220904115908368

Pandas 是 Python 语言的一个扩展程序库,用于数据分析。

​   Pandas 是一个开放源码、BSD 许可的库,提供高性能、易于使用的数据结构和数据分析工具。

​   Pandas 名字衍生自术语 “panel data”(面板数据)和 “Python data analysis”(Python 数据分析)。

​   Pandas 一个强大的分析结构化数据的工具集,基础是 Numpy(提供高性能的矩阵运算)。

​   Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。Pandas 可以对各种数据进行运算操作,比如归并、再成形、选择,还有数据清洗和数据加工特征。

​   Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。

pandas应用

​   Pandas 的主要数据结构是 Series (一维数据)与 DataFrame(二维数据),这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。

数据结构

​   Series 是一种类似于一维数组的对象,它由一组数据(各种Numpy数据类型)以及一组与之相关的数据标签(即索引)组成。

​   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)。

2.0 Pandas安装

使用 pip 安装 pandas:

pip install pandas

安装成功后,我们就可以导入 pandas 包使用:

import pandas

实例 - 查看 pandas 版本

import pandas
pandas.__version__  # 查看版本
'1.1.5'

导入 pandas 一般使用别名 pd 来代替:

import pandas as pd

实例 - 查看 pandas 版本

 import pandas as pd
 pd.__version__  # 查看版本
 '1.1.5'

一个简单的 pandas 实例:

使用测试

import pandas as pd

mydataset = {
 'sites': ["Google", "Runoob", "Wiki"],
 'number': [1, 2, 3]
}

myvar = pd.DataFrame(mydataset)

print(myvar)

执行以上代码,输出结果为:

img

2.0数据结构 - Series

  Pandas Series 类似表格中的一个列(column),类似于一维数组,可以保存任何数据类型。

  Series 由索引(index)和列组成,函数如下:

pandas.Series( data, index, dtype, name, copy)

参数说明:

  • data:一组数据(ndarray 类型)。
  • index:数据索引标签,如果不指定,默认从 0 开始。
  • dtype:数据类型,默认会自己判断。
  • name:设置名称。
  • copy:拷贝数据,默认为 False。

测试一:创建一个简单的 Series 实例:

import pandas as pd

a = [1, 2, 3]

myvar = pd.Series(a)

print(myvar)

image-20220904123106851

  运行结果为:第一列为索引,第二列为数据,最后一行为数据类型

测试二:根据索引输出数据的值

import pandas as pd

a = [1, 2, 3]

myvar = pd.Series(a)

print(myvar[1])

image-20220904123324170

  运行结果输出为:2

测试三:指定索引

import pandas as pd

a = ["Google", "Runoob", "Wiki"]

myvar = pd.Series(a, index = ["x", "y", "z"])

print(myvar)

image-20220904123509340

测试四:根据索引值读取数据

import pandas as pd

a = ["Google", "Runoob", "Wiki"]

myvar = pd.Series(a, index = ["x", "y", "z"])

print(myvar["y"])

image-20220904123635926

测试五:使用 key/value 对象,类似字典来创建 Series

import pandas as pd

sites = {1: "Google", 2: "Runoob", 3: "Wiki"}

myvar = pd.Series(sites)

print(myvar)

image-20220904123819257

测试六:只需要字典中的一部分数据,只需要指定需要数据的索引即可

import pandas as pd

sites = {1: "Google", 2: "Runoob", 3: "Wiki"}

myvar = pd.Series(sites, index = [1, 2])

print(myvar)

image-20220904123917146

测试七:设置 Series 名称参数

import pandas as pd

sites = {1: "Google", 2: "Runoob", 3: "Wiki"}

myvar = pd.Series(sites, index = [1, 2], name="RUNOOB-Series-TEST" )

print(myvar)

image-20220904124018219

3.0数据结构 - DataFrame

​   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)。

image-20220904124152103

DataFrame 构造方法

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。

测试一:列表创建

import pandas as pd

data = [['Google',10],['Runoob',12],['Wiki',13]]

df = pd.DataFrame(data,columns=['Site','Age'],dtype=float)

print(df)

image-20220904124447044

测试二:使用ndarrays创建

import pandas as pd

data = {'Site':['Google', 'Runoob', 'Wiki'], 'Age':[10, 12, 13]}

df = pd.DataFrame(data)

print (df)

image-20220904124647503

测试三:使用字典创建

import pandas as pd

data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]

df = pd.DataFrame(data)

print (df)

image-20220904124836071

没有对应的部分数据为 NaN

测试四:使用 loc 属性返回指定行的数据

import pandas as pd

data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}

# 数据载入到 DataFrame 对象
df = pd.DataFrame(data)

# 返回第一行
print(df.loc[0])
# 返回第二行
print(df.loc[1])

image-20220904125047068

测试五:返回多行数据

import pandas as pd

data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}

# 数据载入到 DataFrame 对象
df = pd.DataFrame(data)

# 返回第一行和第二行
print(df.loc[[0, 1]])

image-20220904125308712

测试六:指定索引值

import pandas as pd

data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}

df = pd.DataFrame(data, index = ["day1", "day2", "day3"])

print(df)

image-20220904125444216

测试七:通过索引值返回某一行

import pandas as pd

data = {
  "calories": [420, 380, 390],
  "duration": [50, 40, 45]
}

df = pd.DataFrame(data, index = ["day1", "day2", "day3"])

# 指定索引
print(df.loc["day2"])

image-20220904125600255

4.0Pandas CSV

下载数据集:点击获取

测试一:数据查看

import pandas as pd

df = pd.read_csv('nba.csv')

print(df.to_string())

  to_string() 用于返回 DataFrame 类型的数据,如果不使用该函数,则输出结果为数据的前面 5 行和末尾 5 行,中间部分以 代替。

image-20220904131325052

image-20220904131342455

测试二:将数据存储为csv文件

import pandas as pd
   
# 三个字段 name, site, age
nme = ["Google", "Runoob", "Taobao", "Wiki"]
st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"]
ag = [90, 40, 80, 98]
   
# 字典
dict = {'name': nme, 'site': st, 'age': ag}
     
df = pd.DataFrame(dict)
 
# 保存 dataframe
df.to_csv('site.csv')

image-20220904131515486

测试三:head( n ) 方法用于读取前面的 n 行,如果不填参数 n ,默认返回 5 行。

import pandas as pd

df = pd.read_csv('nba.csv')

print(df.head())

image-20220904131755855

测试四:tail读取尾部的 n 行

import pandas as pd

df = pd.read_csv('nba.csv')

print(df.tail())

image-20220904132004752

测试五:info() 方法返回表格的一些基本信息

import pandas as pd

df = pd.read_csv('nba.csv')

print(df.info())

image-20220904132111877

5.0Pandas JSON

​    JSON(JavaScript Object Notation,JavaScript 对象表示法),是存储和交换文本信息的语法,类似XML。

​    JSON 比 XML 更小、更快,更易解析,更多 JSON 内容可以参考 JSON 教程

​    Pandas 可以很方便的处理 JSON 数据,本文以 sites.json 为例,内容如下:

  测试一:返回 DataFrame 类型的数据,我们也可以直接处理 JSON 字符串

import pandas as pd

data =[
    {
      "id": "A001",
      "name": "菜鸟教程",
      "url": "www.runoob.com",
      "likes": 61
    },
    {
      "id": "A002",
      "name": "Google",
      "url": "www.google.com",
      "likes": 124
    },
    {
      "id": "A003",
      "name": "淘宝",
      "url": "www.taobao.com",
      "likes": 45
    }
]
df = pd.DataFrame(data)

print(df)

image-20220904132833355

测试二:将 Python 字典转化为 DataFrame 数据

import pandas as pd


# 字典格式的 JSON                                                                                              
s = {
    "col1":{"row1":1,"row2":2,"row3":3},
    "col2":{"row1":"x","row2":"y","row3":"z"}
}

# 读取 JSON 转为 DataFrame                                                                                          
df = pd.DataFrame(s)
print(df)

6.0Pandas 数据清洗

数据集快速下载: property-data.csv

​   数据清洗是对一些没有用的数据进行处理的过程。

​   很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况,如果要对使数据分析更加准确,就需要对这些没有用的数据进行处理。

  表中包含了四种空数据:

  • n/a
  • NA
  • na

Pandas 清洗空值

image-20220904134140983

如果我们要删除包含空字段的行,可以使用 dropna() 方法,语法格式如下:

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

参数说明:

  • axis:默认为 0,表示逢空值剔除整行,如果设置参数 axis=1 表示逢空值去掉整列。
  • how:默认为 ‘any’ 如果一行(或一列)里任何一个数据有出现 NA 就去掉整行,如果设置 how=‘all’ 一行(或列)都是 NA 才去掉这整行。
  • thresh:设置需要多少非空值的数据才可以保留下来的。
  • subset:设置想要检查的列。如果是多个列,可以使用列名的 list 作为参数。
  • inplace:如果设置 True,将计算得到的值直接覆盖之前的值并返回 None,修改的是源数据。

我们可以通过 isnull() 判断各个单元格是否为空。

测试一:判断数据是否为空

import pandas as pd

df = pd.read_csv('property-data.csv')

print(df['NUM_BEDROOMS'])
print(df['NUM_BEDROOMS'].isnull())

以上实例输出结果如下:

​   以上例子中我们看到 Pandas 把 n/a 和 NA 当作空数据,na 不是空数据,不符合我们要求,我们可以指定空数据类型:

image-20220904134220897

测试二:指定空数据类型

import pandas as pd

missing_values = ["n/a", "na", "--"]
df = pd.read_csv('property-data.csv', na_values = missing_values)

print (df['NUM_BEDROOMS'])
print (df['NUM_BEDROOMS'].isnull())

  以上实例输出结果如下:

image-20220904140109755

测试三:删除包含空数据的行并对行数据进行输出

import pandas as pd

df = pd.read_csv('property-data.csv')

new_df = df.dropna()

print(new_df.to_string())

以上实例输出结果如下:

image-20220904140446896

  注意:默认情况下,dropna() 方法返回一个新的 DataFrame,不会修改源数据。

  如果你要修改源数据 DataFrame, 可以使用 inplace = True 参数:

  测试四:修改源数据 DataFrame, 可以使用 inplace = True参数:

import pandas as pd

df = pd.read_csv('property-data.csv')

df.dropna(inplace = True)

print(df.to_string())

img

  测试五:我们也可以移除指定列有空值的行

  移除 ST_NUM 列中字段值为空的行:

import pandas as pd

df = pd.read_csv('property-data.csv')

df.dropna(subset=['ST_NUM'], inplace = True)

print(df.to_string())

以上实例输出结果如下:

image-20220904141446486

我们也可以 fillna() 方法来替换一些空字段:

测试六:使用 12345 替换空字段:

import pandas as pd

df = pd.read_csv('property-data.csv')

df.fillna(12345, inplace = True)

print(df.to_string())

以上实例输出结果如下:

img

我们也可以指定某一个列来替换数据:

测试七:使用 12345 替换 PID 为空数据

import pandas as pd

df = pd.read_csv('property-data.csv')

df['PID'].fillna(12345, inplace = True)

print(df.to_string())

以上实例输出结果如下:

img

  替换空单元格的常用方法是计算列的均值、中位数值或众数。

  Pandas使用 mean()median()mode() 方法计算列的均值(所有值加起来的平均值)、中位数值(排序后排在中间的数)和众数(出现频率最高的数)。

测试八:使用 mean() 方法计算列的均值并替换空单元格

import pandas as pd

df = pd.read_csv('property-data.csv')

x = df["ST_NUM"].mean()

df["ST_NUM"].fillna(x, inplace = True)

print(df.to_string())

以上实例输出结果如下,红框为计算的均值替换来空单元格:

img

测试九:使用 median() 方法计算列的中位数并替换空单元格:

import pandas as pd

df = pd.read_csv('property-data.csv')

x = df["ST_NUM"].median()

df["ST_NUM"].fillna(x, inplace = True)

print(df.to_string())

以上实例输出结果如下,红框为计算的中位数替换来空单元格:

img

测试十:使用 mode() 方法计算列的众数并替换空单元格:

import pandas as pd

df = pd.read_csv('property-data.csv')

x = df["ST_NUM"].mode()

df["ST_NUM"].fillna(x, inplace = True)

print(df.to_string())

以上实例输出结果如下,红框为计算的众数替换来空单元格:

img


Pandas 清洗格式错误数据

  数据格式错误的单元格会使数据分析变得困难,甚至不可能。

  我们可以通过包含空单元格的行,或者将列中的所有单元格转换为相同格式的数据。

测试十一:格式化日期:

import pandas as pd

# 第三个日期格式错误
data = {
 "Date": ['2020/12/01', '2020/12/02' , '20201226'],
 "duration": [50, 40, 45]
}

df = pd.DataFrame(data, index = ["day1", "day2", "day3"])

df['Date'] = pd.to_datetime(df['Date'])

print(df.to_string())

以上实例输出结果如下:

           Date  duration
day1 2020-12-01        50
day2 2020-12-02        40
day3 2020-12-26        45

数据错误也是很常见的情况,我们可以对错误的数据进行替换或移除。

测试十二:替换错误年龄的数据:

import pandas as pd

person = {
 "name": ['Google', 'Runoob' , 'Taobao'],
 "age": [50, 40, 12345]   # 12345 年龄数据是错误的
}

df = pd.DataFrame(person)

df.loc[2, 'age'] = 30 # 修改数据

print(df.to_string())

以上实例输出结果如下:

     name  age
0  Google   50
1  Runoob   40
2  Taobao   30

也可以设置条件语句:

测试十三:将 age 大于 120 的设置为 120

import pandas as pd

person = {
 "name": ['Google', 'Runoob' , 'Taobao'],
 "age": [50, 200, 12345]   
}

df = pd.DataFrame(person)

for x in df.index:
 if df.loc[x, "age"] > 120:
  df.loc[x, "age"] = 120

print(df.to_string())
     name  age
0  Google   50
1  Runoob  120
2  Taobao  120

测试十四:将 age 大于 120 的删除

import pandas as pd

person = {
 "name": ['Google', 'Runoob' , 'Taobao'],
 "age": [50, 40, 12345]   # 12345 年龄数据是错误的
}

df = pd.DataFrame(person)

for x in df.index:
 if df.loc[x, "age"] > 120:
  df.drop(x, inplace = True)

print(df.to_string())
     name  age
0  Google   50
1  Runoob   40

Pandas 清洗重复数据

  如果我们要清洗重复数据,可以使用 duplicated()drop_duplicates() 方法。

  如果对应的数据是重复的,duplicated() 会返回 True,否则返回 False。

测试十五:判断是否有重复值

import pandas as pd

person = {
 "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],
 "age": [50, 40, 40, 23] 
}
df = pd.DataFrame(person)

print(df.duplicated())
0    False
1    False
2     True
3    False
dtype: bool

测试十六:删除重复数据

import pandas as pd

persons = {
 "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],
 "age": [50, 40, 40, 23] 
}

df = pd.DataFrame(persons)

df.drop_duplicates(inplace = True)
print(df)
     name  age
0  Google   50
1  Runoob   40
3  Taobao   23
  • 41
    点赞
  • 55
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Fang GL

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值