目录
1. 文件读取和写入
1.1 读取
csv格式
df = pd.read_csv('data/table.csv')
txt格式
df_txt = pd.read_table('data/table.txt')
xls或xlsx格式
df_excel = pd.read_excel('data/table.xlsx')
1.2 写入
csv格式
df.to_csv('data/new_table.csv')
xls或xlsx格式
df.to_excel('data/new_table2.xlsx', sheet_name='Sheet1')
2. 基本数据结构
2.1 Series
创建
s = pd.Series(np.random.randn(5),index=['a','b','c','d','e'],name='这是一个Series',dtype='float64')
访问属性
s.name # 名字
s.index # 索引
s.values # 值
s.dtype # 类型
取元素值
s['a']
调用方法
s.mean()
2.2 DataFrame
创建
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'))
取元素值
df['col1']
修改行或列名
df.rename(index={'一':'one'},columns={'col1':'new_col1'})
调用属性和方法
df.index # 索引
df.columns # 列名
df.values # 值
df.shape # 形状
df.mean() # 每列均值
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])
df1-df2 # 由于索引对齐,因此结果不是0
列的删除
df.drop(index='五',columns='col1') # 法一
del df['col1'] # 法二
df.pop('col1') # 法三
列的添加
df1['B']=list('abc') # 法一
df1.assign(C=pd.Series(list('0def'))) # 法二,但assign方法不会对原DataFrame做修改
根据类型选择列
df.select_dtypes(include=['number']).head()
df.select_dtypes(include=['float']).head()
将Series转换为DataFrame
s = df.mean()
s.name='to_DataFrame'
s.to_frame()
转置
s.to_frame().T
3. 常用基本函数
3.1 head和tail
df = pd.read_csv('data/table.csv')
df.head()
df.tail()
指定n参数显示多少行
df.head(3)
df.tail(3)
3.2 unique和nunique
unique显示所有的唯一值
df['Physics'].unique()
nunique显示唯一值总数
df['Physics'].nunique()
3.3 count和value_counts
count返回非缺失值元素总数
df['Physics'].count()
value_counts返回每个元素详细值
df['Physics'].value_counts()
3.4 describe和info
describe默认统计数值型数据的各个统计量
df.describe()
可以自行选择分位数
df.describe(percentiles=[.05, .25, .75, .95])
对于非数值型也可以用describe函数
df['Physics'].describe()
info函数返回有哪些列、有多少非缺失值、每列的类型
df.info()
3.5 idxmax和nlargest
idxmax函数返回最大值索引
df['Math'].idxmax()
nlargest函数返回前几个大的元素值
df['Math'].nlargest(3)
3.6 clip和replace
clip是对超过或者低于某些值的数进行截断
df['Math'].head()
df['Math'].clip(33,80).head()
replace是对某些值进行替换
df['Address'].head()
df['Address'].replace(['street_1','street_2'],['one','two']).head()
通过字典,可以直接在表中修改
df.replace({'Address':{'street_1':'one','street_2':'two'}}).head()
3.7 apply函数
对于Series,它可以迭代每一列的值操作
df['Math'].apply(lambda x:str(x)+'!').head()
对于DataFrame,它可以迭代每一个列操作
df.apply(lambda y:y.apply(lambda x:str(x)+'!')).head()
4. 排序
4.1 索引排序
df.set_index('Math').head()
df.set_index('Math').sort_index().head() #可以设置ascending参数,默认为升序,True
4.2 值排序
df.sort_values('Class').head()
多值排序
df.sort_values(['Address','Height']).head()
5. 问题与练习
5.1 问题
1. Series和DataFrame有哪些常见属性和方法?
属性:name(名字),索引(index),类型(dtype),值(values)等等
方法:均值(mean),修改列名(rename),删除(drop,pop,del),添加(assign)等等
2. value_counts会统计缺失值吗?
不会
3. 与idxmax和nlargest功能相反的是哪两组函数?
idxmin()
和nsmallest()
4. 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/mean/median/mad/min/max/abs/std/var/quantile/cummax/cumsum/cumprod
sum:求和。
mean:均值。
median:中位数
mad:均值差的绝对值
min:最小值
max:最大值
abs:绝对值
std:标准差
var:方差
quantile:分位数
cummax:到目前为止的最大值
cumsum:累加和
cumprod:累计积
5. 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?
不一样,df.mean(axis=1)
表示对每一行求均值,而df.mean()
表示对每一列求均值。
5.2 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?
【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?
参考文章: Pandas教程.