Pandas常用操作总结

前言

pandas：是一个数据分析包，灵活处理缺失值、类SQL操作，能处理多种类型的数据。
DataFrame：表格型的数据结构，含有一组有序的列，每列的值的类型不同。可以看做是Series组成的字典（key为列名，value为Series）
Series:类map的数据结构，区别是左边是一个index值，右边是value值。

1、DF常用的两种创建方式

两种方式：通过numpy和字典创建

方式一：通过np来生成

#生成时间序列
dates = pd.date_range('20160101', periods=6)
#index相当于索引参考数据库中的索引，即行。生成DataFrame的第一种方式：通过np来生成
df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=['A','B','C','D'])

#方法1.1、通过数组创建
arr = [0, 1, 2, 3, 4]
df = pd.Series(arr) # 如果不指定索引，则默认从 0 开始

方式二：通过字典来生成

#生成DataFrame的第二种方式：通过字典生成
df2 =pd.DataFrame({'A' : 1.,
                   'B' : pd.Timestamp('20130102'),
                    'C' : pd.Series(1,index=list(range(4)),dtype='float32'),
                    'D' : np.array([3] * 4,dtype='int32'),
                    'E' : pd.Categorical(["test","train","test","train"]),
                    'F' : 'foo'})

2、pandas常用的属性及方法

df2.dtypes
df.index：索引即行
df.columns：列
df.T：转置
df.describe()：描述df的一些常用的数学值即均值、方差等。基于列来统计的
df.sort_index(axis=1, ascending=False)：按行排序
df.sort_values(by=‘B’)：按某一列进行排序

3、Pandas Select(数据选择)

#df['A']与df.A选择列是等效的
print(df['A'], df.A)#选中列名

#选择行也是等效的。注意[0:3)是左闭(包含)右开（开除）
print(df[0:3], df['20130102':'20130104'])#选中行号

选择数据的四种方法：
方法一：#通过lab（列或行标签）来选择数据

# select by label: loc
print(df.loc[:,["A","B"]])
#方法二
print(df[["A", "C"]])

方法二：#通过位置来选择数据

# select by position: iloc
#前三行数据
print(df.iloc[0:3])
# 方法二
#df.head(3)

方法三：混合选择

#结合前面两种选择数据的方法：即按标签和位置选择数据
# mixed selection: ix
#第1-3行、A和C列的数据
print(df.ix[:3, ['A', 'C']])

方法四：#通过判断选择部分数据

# Boolean indexing
#选择df中A列表大于0的所有的行数据
print(df[df["A"] > 0])

4、Pandas Set_values设置值

设置值的操作直接把选择值的操作移植过来添加想要设置的值即可
特别注意的一点是：添加数据的时候直接声明要添加的数据的标签和值即可

#添加数据
df['F'] = np.nan

5、Pandas Nan处理缺失值

pandas处理缺失值的三种方法：

方法一：剔除缺失值所在的行或列

#剔除df中有Nan的行(也可单独对某一列进行处理)
print(df.dropna(axis=0, how='any')) 
# how={'any', 'all'}：any有一个Nan即剔除；all全部为Nan即剔除。

方法二：填充Nan值

#将Nan值填充为0
print(df.fillna(value=0))

方法三：显示Nan值的位置，做进一步处理

#显示出pd的A列中值是否为Nan；是为True否为False
print(df["A"].isnull())
#进一步处理
#判断pd中是否有nan，有的话返回True，没有的话返回False。any：只要包含一个true则返回true
print(np.any(pd.isnull(df))==True)

6、Pandas导入导出数据

读取、保存数据的方法：

# read from
data = pd.read_csv('student.csv')
# save to
data.to_pickle('student.pickle')

7、pandas合并操作（重点）

1、concat

#将三个df进行合并，按行合并，ignore_index：忽略三个df之前的索引
res = pd.concat([df1, df2, df3], axis=0, ignore_index=True)

#参考SQL的join操作：outer join
res = pd.concat([df1, df2], axis=1, join='outer')

#inner join：理解为将两个df的index作为连接条件进行join，所以只保留的2和3
res = pd.concat([df1, df2], axis=1, join='inner')

#默认向下追加数据
res = df1.append(df2, ignore_index=True)

concat：不需要指定对应的链接条件，按轴进行合并！
merge：必须指定对应的链接条件即链接的字段！

2、merge(更常用的操作)

知道merge的核心思想也就是SQL的join操作
注意以下几点：
1、注意连接条件：一个或多个key；还可以通过对比index来连接
2、注意连接方式：[‘left’, ‘right’, ‘outer’, ‘inner’]

# merging two df by key/keys. (may be used in database)
res = pd.merge(left, right, on='key')
# consider two keys
# default for how='inner'：即取共用的key
# how = ['left', 'right', 'outer', 'inner']
res = pd.merge(left, right, on=['key1', 'key2'], how='inner') 
# indicator：将join的具体信息显示出来即怎么进行merge。
res = pd.merge(df1, df2, on='col1', how='outer', indicator=True)
#通过对比index来进行join操作
# left_index and right_index
res = pd.merge(left, right, left_index=True, right_index=True, how='outer')

其他Demo

1、从某行读取数据

（heard=None：列名为None;=0则代表列名为第0行数据），并筛选出其中的几列数据并自定义列名

all_user_data = pd.read_csv("tf_bank_cus.csv",header=None,skiprows=int(record_number_row),encoding="utf-8")
all_user_data=all_user_data[[1,3,4,10,14,24]]
all_user_data.columns=['applyno','customername','certid','paydate','partnercode','contactno']

2、判断某列是否含有某值

pause_call_number_row_index = all_user_data[all_user_data['contactno'].isin([pause_call_number])]
#df[df['列名'].isin([相应的值])]返回值为一整行的数据。通过index获得索引值

3、练手的Demo

**基本操作**

import numpy as np

data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
        'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
        'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}

labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']

df = pd.DataFrame(data, index=labels)

1、计算每个不同种类animal的age的平均数
df.groupby('animal')['age'].mean()
2、计算df中每个种类animal的数量
df['animal'].value_counts()
3、先按age降序排列，后按visits升序排列
df.sort_values(by=['age', 'visits'], ascending=[False, True])
4、将priority列中的yes, no替换为布尔值True, False
df['priority'] = df['priority'].map({'yes': True, 'no': False})
5、将animal列中的snake替换为python
df['animal'] = df['animal'].replace('snake', 'python')

6、对每种animal的每种不同数量visits，计算平均age，即，返回一个表格，行是aniaml种类，列是visits数量，表格值是行动物种类列访客数量的平均年龄
df.pivot_table(index='animal', columns='visits', values='age', aggfunc='mean')

**进阶操作**

7、有一列整数列A的DatraFrame，删除数值重复的行
#判断是否有重复项
用duplicated()函数判断  
#有重复项，则可以用drop_duplicates()移除重复项
df1 = df.drop_duplicates(subset='A')
print(df1)

8、一个全数值DatraFrame，每个数字减去该行的平均数
df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
df1 = df.sub(df.mean(axis=1), axis=0)
print(df1)

9、一个有5列的DataFrame，求哪一列的和最小
df = pd.DataFrame(np.random.random(size=(5, 5)), columns=list('abcde'))
print(df)
df.sum().idxmin()

10、给定DataFrame，求A列每个值的前3大的B的和
df = pd.DataFrame({'A': list('aaabbcaabcccbbc'), 
                   'B': [12,345,3,1,45,14,4,52,54,23,235,21,57,3,87]})
print(df)
df1 = df.groupby('A')['B'].nlargest(3).sum(level=0)
print(df1)

11、给定DataFrame，有列A, B，A的值在1-100（含），对A列每10步长，求对应的B的和
df = pd.DataFrame({'A': [1,2,11,11,33,34,35,40,79,99], 
                   'B': [1,2,11,11,33,34,35,40,79,99]})
print(df)
df1 = df.groupby(pd.cut(df['A'], np.arange(0, 101, 10)))['B'].sum()
print(df1)

12、给定DataFrame，计算每个元素至左边最近的0（或者至开头）的距离，生成新列y
df = pd.DataFrame({'X': [7, 2, 0, 3, 4, 2, 5, 0, 3, 4]})

izero = np.r_[-1, (df['X'] == 0).to_numpy().nonzero()[0]] # 标记0的位置
idx = np.arange(len(df))
df['Y'] = idx - izero[np.searchsorted(izero - 1, idx) - 1]
print(df)

# 方法二
# x = (df['X'] != 0).cumsum()
# y = x != x.shift()
# df['Y'] = y.groupby((y != y.shift()).cumsum()).cumsum()

# 方法三
# df['Y'] = df.groupby((df['X'] == 0).cumsum()).cumcount()
#first_zero_idx = (df['X'] == 0).idxmax()
# df['Y'].iloc[0:first_zero_idx] += 1

13、一个全数值的DataFrame，返回最大3值的坐标
df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
df.unstack().sort_values()[-3:].index.tolist()

14、给定DataFrame，将负值代替为同组的平均值
df = pd.DataFrame({'grps': list('aaabbcaabcccbbc'), 
                   'vals': [-12,345,3,1,45,14,4,-52,54,23,-235,21,57,3,87]})
print(df)

def replace(group):
    mask = group<0
    group[mask] = group[~mask].mean()
    return group

df['vals'] = df.groupby(['grps'])['vals'].transform(replace)
print(df)

15、计算3位滑动窗口的平均值，忽略NAN
df = pd.DataFrame({'group': list('aabbabbbabab'),
                    'value': [1, 2, 3, np.nan, 2, 3, np.nan, 1, 7, 3, np.nan, 8]})
print(df)

g1 = df.groupby(['group'])['value']
g2 = df.fillna(0).groupby(['group'])['value'] 

s = g2.rolling(3, min_periods=1).sum() / g1.rolling(3, min_periods=1).count()

s.reset_index(level=0, drop=True).sort_index()


**Series 和 Datetime索引**

16、创建Series s，将2015所有工作日作为随机值的索引
dti = pd.date_range(start='2015-01-01', end='2015-12-31', freq='B') 
s = pd.Series(np.random.rand(len(dti)), index=dti)
s.head(10)

17、所有礼拜三的值求和
s[s.index.weekday == 2].sum() 
18、求每个自然月的平均数
s.resample('M').mean()
19、每连续4个月为一组，求最大值所在的日期
s.groupby(pd.Grouper(freq='4M')).idxmax()
20、创建2015-2016每月第三个星期四的序列
pd.date_range('2015-01-01', '2016-12-31', freq='WOM-3THU')

**数据清洗**

df = pd.DataFrame({'From_To': ['LoNDon_paris', 'MAdrid_miLAN', 'londON_StockhOlm', 
                               'Budapest_PaRis', 'Brussels_londOn'],
              'FlightNumber': [10045, np.nan, 10065, np.nan, 10085],
              'RecentDelays': [[23, 47], [], [24, 43, 87], [13], [67, 32]],
                   'Airline': ['KLM(!)', '<Air France> (12)', '(British Airways. )', 
                               '12. Air France', '"Swiss Air"']})
df
21、FlightNumber列中有些值缺失了，他们本来应该是每一行增加10，填充缺失的数值，并且令数据类型为整数
df['FlightNumber'] = df['FlightNumber'].interpolate().astype(int)
df
22、将From_To列从_分开，分成From, To两列，并删除原始列
temp = df.From_To.str.split('_', expand=True)
temp.columns = ['From', 'To']
df = df.join(temp)
df = df.drop('From_To', axis=1)
df
23、将From, To大小写统一
df['From'] = df['From'].str.capitalize()
df['To'] = df['To'].str.capitalize()
df
24、Airline列，有一些多余的标点符号，需要提取出正确的航司名称。举例：'(British Airways. )' 应该改为 'British Airways'.
df['Airline'] = df['Airline'].str.extract('([a-zA-Z\s]+)', expand=False).str.strip()
df
25、Airline列，数据被以列表的形式录入，但是我们希望每个数字被录入成单独一列，delay_1, delay_2, …没有的用NAN替代。
delays = df['RecentDelays'].apply(pd.Series)
delays.columns = ['delay_{}'.format(n) for n in range(1, len(delays.columns)+1)]
df = df.drop('RecentDelays', axis=1).join(delays)

df

**层次化索引**

26、用 letters = ['A', 'B', 'C'] 和 numbers = list(range(10))的组合作为系列随机值的层次化索引
letters = ['A', 'B', 'C']
numbers = list(range(4))

mi = pd.MultiIndex.from_product([letters, numbers])
s = pd.Series(np.random.rand(12), index=mi)
s
27、检查s是否是字典顺序排序的
s.index.is_lexsorted()
# 方法二
# s.index.lexsort_depth == s.index.nlevels
28、选择二级索引为1, 3的行
s.loc[:, [1, 3]]
29、对s进行切片操作，取一级索引从头至B，二级索引从2开始到最后
s.loc[pd.IndexSlice[:'B', 2:]]
# 方法二
# s.loc[slice(None, 'B'), slice(2, None)]
30、计算每个一级索引的和（A, B, C每一个的和）
s.sum(level=0)
#方法二
#s.unstack().sum(axis=0)
31、交换索引等级，新的Series是字典顺序吗？不是的话请排序
new_s = s.swaplevel(0, 1)
print(new_s)
print(new_s.index.is_lexsorted())
new_s = new_s.sort_index()
print(new_s)