教程地址:joyful-pandas/第1章 Pandas基础——datawhalechina
Pandas基础
准备工作:Pandas包的下载(Mac环境下)
使用pip方式下载,在命令行中输入
python3 -m pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
查询pandas版本(python中输入)
print(pd.__version__)
因为推荐使用的是pandas的最新版本1.0.3,如果电脑中已经安装了较低的可用版本,用以上命令是不能更新的,所以需要先卸载再重新安装
python3 -m pip uninstall pandas
python3 -m pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
或者可以直接使用更新命令更新版本
python3 -m pip install --upgrade pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
一、数据的读取和写入
1.csv格式
- 读取
df = pd.read_csv('table.csv')
- 写入
index : 保存时除去行索引
df.to_csv('test.csv', index = False)
2.txt格式
- 读取
df_txt = pd.read_table('table.txt')
- 写入
和csv一样
sep : 分隔符参数
df_txt.to_csv('test.txt',sep = '\t')
3.excel格式
- 读取
import xlrd
df_excel = pd.read_excel('table.xlsx')
- 写入
import openpyxl
df_excel.to_excel('test.xlsx', sheet_name='Sheet1')
二、基本数据结构及其基本操作
1. Series
- 创建
values:值,index:索引,name:名字,dtype:类型
s = pd.Series(np.random.randn(5),
index = ['a','b','c','d','e'],
name = 'ISeries',dtype = 'float64')
print(s)
print("values:",s.values) # 输出属性
print("a = ",s['a']) # 输出某一数据项
结果:
a -1.634038
b -0.336814
c -0.045692
d 1.472455
e -0.589899
Name: ISeries, dtype: float64
values: [-1.63403797 -0.33681387 -0.04569219 1.4724545 -0.58989854]
a = -1.6340379719536748
- 调用方法
print("mean = ",s.mean()) #求均值
结果:
mean = -0.22679761295776563
2. DataFrame
- 创建
values:值,index:索引,name:名字,dtype:类型
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'))
print(df)
结果:
col1 col2 col3
一 a 5 1.3
二 b 6 2.5
三 c 7 3.6
四 d 8 4.6
五 e 9 5.8
- 行列操作
注意:从DataFrame中取出一列,其类型为Series
col1 = df['col1']
print(col1,'\n',type(col1))
结果:
一 a
二 b
三 c
四 d
五 e
Name: col1, dtype: object
<class 'pandas.core.series.Series'>
(1)删除
# drop()会同时删除行和列,但不改变原DataFrame
df.drop(index='五',columns = 'col2')
# del 直接在原来的DataFrame上操作
del df['col3']
# pop()直接在原来的DataFrame上操作,且返回被删除的列
df.pop('col2')
(2)添加
# 直接添加
df['B'] = list('abcd0')
# assign()不改变原DataFrame
df.assign(C = pd.Series(list('defg0')))
(3)根据类型选择列
print(df.select_dtypes(include=['number']))
结果:
col2 col3
一 5 1.3
二 6 2.5
三 7 3.6
四 8 4.6
五 9 5.8
(4)修改行或列名(inplace:是否将原数据结构替换为修改后格式)
df.rename(index = {'一':'one'},columns = {'col1':'new_col1'},
inplace = True)
- 将Series转换为DataFrame
s = df.mean() #只求数值型变量的均值
s.name='df_mean' #列名
news = s.to_frame()
print(news)
结果:
df_mean
col2 7.00
col3 3.56
- 转置
print(df.T)
结果:
一 二 三 四 五
col1 a b c d e
col2 5 6 7 8 9
col3 1.3 2.5 3.6 4.6 5.8
- 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])
print(df1 - df2)
结果:由于索引对齐,因此差不是0
A
1 -1
2 -1
3 2
- 调用属性和方法
同Series,但本质是一种Aggregation操作
三、常用基本函数
1. head和tail:取出两端数据行
df.head(3) # 从头部开始取出数据行,默认为5
df.tail(3) # 从尾部开始取出数据行,默认为5
2. unique和nunique:显示唯一值
df['Physics'].nunique() # 显示有多少个唯一值
df['Physics'].unique() # 显示所有唯一值
3. count和value_counts:计数
print(df['Physics'].count()) # 返回非缺失值元素个数
print(df['Physics'].value_counts()) # 返回每个元素有多少个
结果:(可见value_counts不统计空缺值)
35
B+ 9
B 8
B- 6
A 4
A+ 3
A- 3
C 2
4. describe和info:数据描述
# 默认统计数值型数据的各个统计量(percentiles:自行选择分位数)
print(df.describe(percentiles=[.05, .25, .75, .95]))
print(df['Physics'].describe()) # 非数值型也可以用describe函数
结果:
ID Height Weight Math
count 35.00000 35.000000 35.000000 35.000000
mean 1803.00000 174.142857 74.657143 61.351429
std 536.87741 13.541098 12.895377 19.915164
min 1101.00000 155.000000 53.000000 31.500000
5% 1102.70000 157.000000 56.100000 32.640000
25% 1204.50000 161.000000 63.000000 47.400000
50% 2103.00000 173.000000 74.000000 61.700000
75% 2301.50000 187.500000 82.000000 77.100000
95% 2403.30000 193.300000 97.600000 90.040000
max 2405.00000 195.000000 100.000000 97.000000
count 35
unique 7
top B+
freq 9
Name: Physics, dtype: object
df.info() # 返回有哪些列、有多少非缺失值、每列的类型
结果:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 35 entries, 0 to 34
Data columns (total 9 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 School 35 non-null object
1 Class 35 non-null object
2 ID 35 non-null int64
3 Gender 35 non-null object
4 Address 35 non-null object
5 Height 35 non-null int64
6 Weight 35 non-null int64
7 Math 35 non-null float64
8 Physics 35 non-null object
dtypes: float64(1), int64(3), object(5)
memory usage: 2.6+ KB
5. idxmax和nlargest:最值
# 5. idxmax和nlargest
print(df['Math'].idxmax()) #返回最大值,idxmin功能类似
print(df['Math'].nlargest(3)) #返回前几个大的元素值,nsmallest功能类似
6. clip和replace:截断和替换
df['Math'].clip(33,80) # 截断超过80或者低于33的数
# 将'street_1','street_2'分别替换为'one','two'(下面两种形式皆可)
df['Address'].replace(['street_1','street_2'],['one','two'])
df.replace({'Address':{'street_1':'one','street_2':'two'}})
7. apply函数:批量处理数据
#将表中每个数据后加一个'!'
newdf = df.apply(lambda x:x.apply(lambda x:str(x)+'!'))
print(newdf.head(3))
结果:
School Class ID Gender Address Height Weight Math Physics
0 S_1! C_1! 1101! M! street_1! 173! 63! 34.0! A+!
1 S_1! C_1! 1102! F! street_2! 192! 73! 32.5! B+!
2 S_1! C_1! 1103! M! street_2! 186! 82! 87.2! B+!
四、排序
1. 索引排序
# set_index()指定索引
indexsort = df.set_index('Math').sort_index()
print(indexsort.head(3))
结果:
School Class ID Gender Address Height Weight Physics
Math
31.5 S_1 C_3 1301 M street_4 161 68 B+
32.5 S_1 C_1 1102 F street_2 192 73 B+
32.7 S_2 C_3 2302 M street_5 171 88 A
2. 值排序
valuessort1 = df.sort_values(by = 'Class')
print(valuessort1.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
valuessort2 = df.sort_values(by = ['Class','ID'])
print(valuessort2.head())
结果:
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 1101 M street_1 173 63 34.0 A+
19 S_2 C_1 2105 M street_4 170 81 34.2 A
18 S_2 C_1 2104 F street_5 159 97 72.2 B+
16 S_2 C_1 2102 F street_6 161 61 50.6 B+
15 S_2 C_1 2101 M street_7 174 84 83.3 C
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 1101 M street_1 173 63 34.0 A+
1 S_1 C_1 1102 F street_2 192 73 32.5 B+
2 S_1 C_1 1103 M street_2 186 82 87.2 B+
3 S_1 C_1 1104 F street_2 167 81 80.4 B-
4 S_1 C_1 1105 F street_4 159 64 84.8 B+
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常用属性:
values(值),index(索引),name(名字),dtype(类型)
DataFrame常用属性:
shape(大小), index(索引), columns(行), values(值)
方法(常用的上面基本都提到了)
更多属性和方法:
pandas.Series — pandas 1.0.3 documentation
pandas.DataFrame — pandas 1.0.3 documentation - 【问题二】 value_counts会统计缺失值吗?
value_counts不会统计缺失值(见上方输出) - 【问题三】 与idxmax和nlargest功能相反的是哪两组函数?
idxmin() 返回最小值
nsmallest() 返回前几个小的元素值 - 【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:求和
mean:求均值
median:求中位数
mad:平均绝对偏差
min:最小值
max:最大值
abs:绝对值
std:样品标准偏差
var:方差
quantile:分位数
cummax:累计最大值
cumsum:累计和
cumprod:累计积 - 【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 = pd.DataFrame({'A':[1,2,3],'B':[9,8,7]},index = [1,2,3])
print(df.mean())
print(df.mean(axis=1))
结果:
A 2.0
B 8.0
dtype: float64
1 5.0
2 5.0
3 5.0
dtype: float64
可见df.mean()默认计算的是列的均值,axis=1可使其计算行的
其他函数也有此参数,同理可使其计算行的
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?
df = pd.read_csv('joyful-pandas-master/data/Game_of_Thrones_Script.csv')
print("(a)",df['Name'].nunique())
print("(b)",df['Name'].value_counts().index[0])
# 计算每句单词数
df['word'] = df['Sentence'].apply(lambda x: len(x.split()))
# 将人名和对应句子单词数量匹配成元组
words = list(zip(df['Name'], df['word']))
# 遍历元组计算每个人的单词数量
results = {}
for item in words:
if item[0] in results: # 若字典中已经有此人,加上新单词数
results[item[0]] += item[1]
else: # 若字典中无此人,将人名和单词数放入字典
results[item[0]] = item[1]
# 字典按值排序得出结果
print("(c)",sorted(results.items(), key = lambda item:item[1], reverse = True)[0][0])
结果:
(a) 564
(b) tyrion lannister
(c) tyrion lannister
- 【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?
df = pd.read_csv('joyful-pandas-master/data/Kobe_data.csv')
# 将action_type和combined_shot_type组合成元组
ac = pd.Series(list(zip(df['action_type'],df['combined_shot_type'])))
# 对元组计数并输出最大的组合
print("(a)",ac.value_counts().index[0])
# 因为不了解'opponent'是什么,所以以下过程是从参考答案中整理出来的
# 将game_id和opponent组合并去重
s1 = pd.Series(list(zip(df['game_id'],df['opponent']))).unique()
# 取出opponent
s2 = pd.Series(list(zip(*s1.tolist()))[1])
# 排序并输出
print("(b)",s2.value_counts().index[0])
结果:
(a) ('Jump Shot', 'Jump Shot')
(b) SAS