【python基础】 || Pandas库的常用操作汇总！

微信公众号：龙跃十二
我是小玉，一个平平无奇的小天才！

简介：

pandas是我们在python的使用过程中应用非常广泛的一个包，专业点来说呢，Pandas 是 Python 的一个外部模块，它在功能方面和 Excel有异曲同工之妙，也是提供了分析数据的功能。pandas主要提供两个数据类型： Series 和 DataFrame，下面我们来简单介绍一下这两个数据类型：

DataFrame：

DataFrame是pandas最常使用的数据类型，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、布尔值等）。我们可以把它想象成一个矩阵或者是Excel表格。

Series：

相对于Series来说，Series是一种类似于一维数组的对象，它由一维数组（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，仅由一组数据即可产生最简单的Series.，它就可以看成是组成DataFrame的矩阵或者Excel表格的某一行或者某一列，也就是说Series就是比DataFrame更小的一个数据组成单元。

pandas常用操作：

一、导入、导出数据：

1、数据的导入

首先导入pandas库，在我们使用的过程中numpy库也是必不可少的，所以我们先将两个库导入备用：

import numpy as np
import pandas as pd

2、导入csv文件、Excel文件

data = pd.DataFrame(pd.read_csv('XXX.csv'))
data = pd.DataFrame(pd.read_excel('XXX.xlsx'))

注：‘ ’里边可以放入绝对路径，也可以放入相对路径，如果直接存入文件名的话，必须将数据集的文件跟这个.py文件放在同一目录之下。

3、将数据最终写入到Excel文件、CSV文件

data.to_excel('excel_to_python.xlsx') 
data.to_csv('excel_to_python.csv') 

注：我们经常可以在数据进行分析后，或者是从网页上爬去的内容可以直接存为一个xlsx格式或者csv格式。

4、用pandas来创建特征和数据：

data = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
                   "date":pd.date_range('20130102', periods=6),
                   "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
                   "age":[23,44,54,32,34,32],
                   "category":['100-A','100-B','110-A','110-C','210-A','130-F'],
                   "price":[1200,NAN,2133,5433,NAN,4432]},
  columns =['id','date','city','category','age','price'])

**注：**NAN表示缺失值，columns表示数据集的标签。

以下所用数据集均基于上述自己创建的数据集。

二、查看数据的信息：

1、查看数据的内容：

data.head()
data.tail()

**注：**head和tail里边可以传入参数，表示查看数据的前多少行。tail是用来查看数据的后多少行，默认查看前五行和后五行。

2、查看数据的维度：

data.shape()

**注：**此处会返回数据集的行数和列数，非常方便我们查看数据的具体信息。

3、查看数据的类型：

data.dtype()

**注：**返回值可能为int、float、字符串，布尔值等等

4、查看数据的具体值：

data.values()

5、查看某个值出现的频率

data.value_counts()

6、查看数据是否存在缺失值：

data.isnull()

7、查看特征名称：

data.columns

8、查看数据的具体信息：

data.info()

8、查看数据的特征信息：

data.describe()

10、查看某一列的唯一值：

data['B'].unique()

三、数据集的处理（数据清洗）：

1、填补数据集的缺失值（一般用0来填补）

data.fillna(value=0)

2、使用某一特征的均值填充缺失值：

data['prince'].fillna(data['XXX'].mean())

**注：**利用数据集data的某一特征的平均值来填充缺失值，这里的‘XXX’为这个数据集的其中某一个特征。

3、更改数据的数据类型：

data['price'].astype('int')  

**注：**将price这一特征更改为int型。

4、数据集的英文字符大小写转换：

data['XXX']=data['XXX'].str.lower()

5、数据替换：

data['city'].replace('sh', 'shanghai')

**注：**对city这一特征中的shanghai用sh来代替，replace这一函数可以很好的完成这个功能。

6、更改特征名称：

data.rename(columns={'更改前特征名称': '更改后特征名称'}) 

**注：**在rename这个函数中以字典的形式传入columns。

7、删除后出现的重复值：

data['city'].drop_duplicates()

8、删除先出现的重复值：

data['city'].drop_duplicates(keep='last')

9、清楚city字段的字符空格：

data['city']=data['city'].map(str.strip)

四、数据预处理

先将数据集导入，具体内容如下：

data_new=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], 
"gender":['male','female','male','female','male','female','male','female'],
"pay":['Y','N','Y','Y','N','Y','N','Y',],
"m-point":[10,12,20,40,40,40,30,20]})

1、数据集合并

data_inner=pd.merge(data,data_new,how='inner')  # 合并数据集
data_left=pd.merge(data,data_new,how='left')        
data_right=pd.merge(data,data_new,how='right')
data_outer=pd.merge(data,data_new,how='outer')  #并集

2、设置索引：

data_inner.set_index('id')

3、对数据集某一列的值进行排序：

data_inner.sort_values(by=['age'])

4、按照索引列排序：

data_inner.sort_index()

5、对特征的值进行大小判断：

data_inner['group'] = np.where(data_inner['price'] > 3000,'high','low')

6、对复合多个条件的数据进行分组标记

data_inner.loc[(data_inner['city'] == 'beijing') & (data_inner['price'] >= 4000), 'sign']=1

五、数据提取

主要用到的三个函数：loc、iloc、ix，loc函数按标签值进行提取，iloc按位置进行提取，ix可以同时按标签和位置进行提取。

1、按索引提取单行的数值

data_inner.loc[3]

2、按索引提取区域行数值

data_inner.iloc[0:5]

3、重设索引

data_inner.reset_index()

4、设置日期为索引

data_inner=df_inner.set_index('date') 

5、按照日期取所需数据

data_inner[:'2013-01-04']

6、使用iloc按位置区域提取数据

data_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。

7、适应iloc按位置单独提起数据

data_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列

8、使用ix按索引标签和位置混合提取数据

data_inner.ix[:'2013-01-03',:4] #2013-01-03号之前，前四列数据

9、判断city列的值是否为北京

data_inner['city'].isin(['beijing'])

10、判断city列里是否包含beijing和shanghai，然后将符合条件的数据提取出来

data_inner.loc[data_inner['city'].isin(['beijing','shanghai'])] 

11、提取前三个字符，并生成数据表

pd.DataFrame(category.str[:3])

六、数据筛选

使用与、或、非三个条件配合大于、小于、等于对数据进行筛选，并进行计数和求和。

1、使用“与”进行筛选

data_inner.loc[(df_inner['age'] > 25) & (data_inner['city'] == 'beijing'),['id','city','age','category','gender']]

2、使用“或”进行筛选

data_inner.loc[(df_inner['age'] > 25) | (data_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age']) 

3、使用“非”条件进行筛选

data_inner.loc[(data_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 

4、对筛选后的数据按city列进行计数

data_inner.loc[(data_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

5、使用query函数进行筛选

data_inner.query('city == ["beijing", "shanghai"]')

6、对筛选后的结果按prince进行求和

data_inner.query('city == ["beijing", "shanghai"]').price.sum()

七、数据汇总

主要利用函数groupby、pivote_table来对数据进行汇总等一些列的处理。

1、对所有的列进行计数汇总

data_inner.groupby('city').count()

2、按城市对id字段进行计数

data_inner.groupby('city')['id'].count()

3、对两个字段进行汇总计数

data_inner.groupby(['city','size'])['id'].count()

4、对city字段进行汇总，并分别计算prince的合计和均值

data_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) 

八、数据统计

讲解如何利用pandas进行数据采样、标准差，协方差和相关系数等等数学指标的计算。

1、数据的采样

data_inner.sample(n=3) 

2、设置采样权重weights

weights = [0, 0, 0, 0, 0.5, 0.5]
data_inner.sample(n=2, weights=weights) 

3、不放回采样

data_inner.sample(n=6, replace=False) 

4、放回采样

data_inner.sample(n=6, replace=True)

5、 数据表描述性统计

data_inner.describe().round(2).T #round函数设置显示小数位，T表示转置

6、计算列的标准差

data_inner['price'].std()

7、计算两个字段间的协方差

data_inner['price'].cov(data_inner['m-point']) 

8、数据表中所有字段间的协方差

data_inner.cov()

9、两个字段的相关性分析

data_inner['price'].corr(data_inner['m-point']) 

**注：**相关系数在-1到1之间，一般情况下，我们取接近1为正相关，接近-1为负相关，0为不相关。在这里，我们一般可以采用热力图来形象的描述数据之间的一个相关性问题。

10、对数据集进行相关性分析

data_inner.corr()

关于pandas的使用还有很多，这里也是罗列了一些常用的操作，还有更多的操作方法大家可以留言，小玉继续给大家 修改，在机器学习的路上，这些库的使用极大的方便了我们，所以大家抓紧收藏小玉给大家精心整理的这份宝藏资料。

更多技术文章，欢迎关注小玉和龙叔的微信公众号【龙跃十二】，一个用心分享互联网知识和心路历程的良心号。

如果你觉着不错，可以给小玉点个赞哦！