读取数据
数据库数据读取/存储:
import pymysql
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:123456@localhost:3306/databasename?charset=utf8')
sql = 'select * from tb_name'
df = pd.read_sql(sql=sql,con=con,index_col=True,coerce_float=True,columns=True)
#或者:
df = pd.read_sql_table(tablename,con=con,index_col=True,coerce_float=True,columns=True)
# sql--查询语句 ,con--数据库连接信息(地址,用户名,密码,数据库名称)
# index_col--设定的列作为行名,默认为None ,coerce_float--将数据库中的decimal的数据
# 转换为pandas里的float64类型,默认为True ,columns--读取数据的列名,默认为None
#将表存入mysql:
pd.io.sql.to_sql(df,tablename,con=con,if_exists='fail')
常用读取CSV以及excel:
#文本文件,csv文件读取/存储:
pd.read_table(filepath,sep='/t',header='infer',names=None,index_col=None,
dtype=None,encoding='utf-8',nrows=None)
pd.read_csv(filepath,sep=',',header='infer',names=None,index_col=None,
dtype=None,encoding='utf-8',nrows=None)
# header--将某行数据作为列名,默认infer,表示自动识别 names--接受array,自定义列名nrows表示读取前n行,默认为None
df.to_csv(path_or_buf,sep=',',na_rep='',columns=None,header=True,index=True,
index_label=None,mode='w',encoding='utf-8')
# path_or_buf--存储的路径 na_rep--代表缺失值 columns--写出的列名 header--是否将列名写出, mode--数据写入模式,默认‘w’
#excel文件读取/存储
pd.read_excel(filepath,sheetname='',header='infer',names=None,index_col=None,
dtype=None)
# sheetname--接受string,int,数据表的位置,默认0 header--将某行作为列名,默认infer。names--接受array,自定义列名
df.to_excel(excel_writer,sheetname='',na_rep='',header=True,index=True,
index_label=None,mode='w',encoding='utf-8')
# excel_writer--存储文件路径 sheetname--sheet表名,默认sheet1
DataFrame的增删改查
查看DF状态:
df.values # 查看所有元素
df.index # 查看索引
df.columns # 查看所有列名
df.dtype # 查看字段类型
df.size # 元素总数
df.ndim # 表的维度数
df.shape # 返回表的行数与列数
df.info # DataFrame的详细内容
df.T # 表转置
查看属性(切片操作):
df['col1'] #单列数据
df['col1'][2:7] #单列多行
df[['col1','col2']][2:7] # 多列多行
df[:][2:7] #多行数据
df.head() #前几行
df.tail() #后几行
# 切片iloc,loc:
# loc[行索引名称或条件,列索引名称]
# iloc[行索引位置,列索引位置]
#单列切片:
df.loc[:,'col1']
df.iloc[:,3]
#多列切片:
df.loc[:,['col1','col2']]
df.iloc[:,[1,3]]
#花式切片:
df.loc[2:5,['col1','col2']]
df.iloc[2:5,[1,3]]
#条件切片:
df.loc[df['col1']=='245',['col1','col2']]
df.iloc[(df['col1']=='245').values,[1,5]]
更改某个字段的数据
df.loc[df['col1']=='258','col1']=214
# 注意:数据更改的操作无法撤销,建议开始时对数据就行拷贝
增加一列数据
df['col2'] = 计算公式/常量/列表...
删除数据:
# 删除某几行数据,inplace为True时在源数据上删除,False时需要新增数据集
df.drop(labels=range(1,11),axis=0,inplace=True)
# 删除某几列数据
df.drop(labels=['col1','col2'],axis=1,inplace=True)
1.删除/选取某列含有特殊数值的行
#df1=df1[df1['col'].isin([1])]
#df1[df1['col'].isin([1])] 选取df1中col列包含数字1的行
df1=df1[~df1['col'].isin([1])]
#通过~取反,选取不包含数字1的行
2.删除/选取某行含有特殊数值的列
#删除/选取某行含有特定数值的列
## iat类似于iloc使用隐式索引访问某个元素
cols=[x for i,x in enumerate(df1.columns) if df1.iat[0,i]==1]
#利用enumerate对row0进行遍历,将含有数字1的列放入cols中
df1=df1.drop(cols,axis=1) #利用drop方法将含有特定数值的列删除
3.删除满足条件元素所在的行
#单条件删除
df_clear = df1.drop(df1[df1['x']<0.01].index)
# 也可以使用多个条件
df_clear = df1.drop(df1[(df1['x']<0.01) | (df1['x']>10)].index) #删除x小于0.01或大于10的行
DataFrame数据的描述分析
#数值型:
df[['col1','col2']].describe()
#类别型:
df['col1'].value_counts()[0:10]
#category型:
df['col1'] = df['col1'].astype('category')
df['col1'].describe()
处理时间序列数据
# 转换字符串时间为标准时间:
df['time'] = pd.to_datetime(df['time'])
# 提取时间序列信息
year = df['time'].year()
# year-年,month-月,day-天,hour-小时,minute-分钟,second-秒,date-日期,time-时间 week-一年中第几周,quarter-季节,dayofweek-一周中第几天,weekday_name-星期名称
# 加减时间:
# 使用Timedelta,支持weeks,days,hours,minutes,seconds,但不支持月和年
df['time'] = df['time'] + pd.Timedelta(days=1)
df['time'] = df['time'] - pd.to_datetime('2016-1-1')
# 时间跨度计算:
df['time'].max() - df['time'].min()
使用分组聚合
使用groupby拆分数据并计算
by–分组的字段 level–标签所在级别,默认None as_index–聚合标签是否以df形式输出,
默认True,sort–是否对分组依据,分组标签进行排序,默认True group_keys–是否显示分组
标签名称,默认True squeeze–是否对返回数据进行降维,默认False
聚合函数有count,head,max,min,median,size,std,sum
df.groupby(by='',axis=0,level=None,as_index=True,sort=True,group_keys=True
,squeeze=False).count()
使用agg聚合数据:
# 求出当前数据的统计量
df[['col1','col2']].agg([np.mean,np.sum])
# 分别求字段的不同统计量
df.agg({'col1':np.sum,'col2':np.mean})
# 求不同字段不同数目的统计量
df.agg({'col1':np.sum,'col2':[np.mean,np.sum]})
5.3 使用transform聚合数据:
# 实现组内数据离差标准化
dfgroup.transform(lambda x:(x.mean()-x.min())/(x.max()-x,min()))
合并数据
当axis=1时,concat作行合并,join参数为inner(交集)和outer(并集),默认为outer ignore_index,keys,levels,names,verify_integrity这几个参数不常用,设为默认即可
横向合并数据:
pd.concat([df1,df2,df3],axis=1,join='inner',ignore_index=False,keys=None,
levels=None,names=None,verify_integrity=False)
纵向合并数据:
# 使用concat合并
pd.concat([df1,df2,df3],axis=0,join='inner',ignore_index=False,keys=None,
levels=None,names=None,verify_integrity=False)
# 使用append合并,前提条件是两张表的列名需完全一致
df1.append(df2,ignore_index=False,verify_integrity=False)
主键合并数据(表联接)
使用merge合并:
left_on为表1的主键,right为表2的主键,left_index为是否将表1的index作为主键,默认False
sort为是否根据连接键对合并后的数据进行排序,默认False,suffixes为合并后数据列名相同的
后缀,默认(’_x’,’_y’)。
pd.merge(left,right,how='inner',on=None,left_on=None,right_on=None,
left_index=False,right_index=False,sort=False,
suffixes=('_x','_y'),copy=True,indicator=False)
# left和right为联接的表1和表2,how为联接的方式(inner,outer,right,left),默认inner
使用join进行合并(前提是俩张表的主键的名字必须相同):
df1.join(df2,on=None,how='inner',lsuffix='',rsuffix='',sort=None)
# lsuffix为合并后左侧重叠列名的后缀,rsuffix为合并后右侧重叠列名的后缀