pandas库简单入门

注：关于pandas的相关问题，若本文未涉及可在下方留言告诉我，我会在文章中进行补充的

Ctrl+F 可进行全文查找

原文链接：https://mtyjkh.blog.csdn.net/article/details/84752080，欢迎转载

---

0 安装

pip方式

pip install pandas

Anaconda

conda install pandas

1 文件

1.1 文件读写模式

以CSV文件的读取为例，代码如下

import pandas as pd
#设置只读模式
file_path = os.path.join("test.csv")
data = pd.read_csv(open(file_path,'r',encoding='utf-8'),sep='|')

mode	描述
“r”	打开，只读。文件的指针将会放在文件的开头。这是默认模式；
“w”	打开，只写。如果该文件已存在则将其覆盖。如果该文件不存在，创建新文件；
“a”	打开，指向文件尾，在已存在文件中追加；
“rb”	打开一个二进制文件，只读；
“wb”	打开一个二进制文件，只写。如果该文件已存在则将其覆盖。如果该文件不存在，创建新文件；
“ab”	打开一个二进制文件，进行追加 ；
“r+”	以读/写方式打开一个已存在的文件；
“w+”	以读/写方式建立一个新的文本文件。如果该文件已存在则将其覆盖。如果该文件不存在，创建新文件 ；
“a+”	以读/写方式打开一个文件文件进行追加 ；
“rb+”	以读/写方式打开一个二进制文件；
“wb+”	以读/写方式建立一个新的二进制文件。如果该文件已存在则将其覆盖。如果该文件不存在，创建新文件
“ab+”	以读/写方式打开一个二进制文件进行追加 ；

1.2 读取CSV文件

import pandas as pd
import os
​
file_path = os.path.join("test.csv")
#读取test.csv文件中的A、B列，若不设置usecols参数，默认读取全部数据。
data = pd.read_csv(open(file_path,'r',encoding='utf-8'),sep='|',usecols=["A","B"])

1.3 读取excel文件

excel文件的读取都可以用以下函数来实现

pd.read_excel(io, sheetname=0,header=0,skiprows=None,index_col=None,names=None,
                arse_cols=None,date_parser=None,na_values=None,thousands=None, 
                convert_float=True,has_index_names=None,converters=None,dtype=None,
                true_values=None,false_values=None,engine=None,squeeze=False,**kwds)

参数详解：

• io：excel文件路径；
• sheetname：默认是sheetname为0，返回多表使用sheetname=[0,1]，若sheetname=None是返回全表 。注意：int/string返回的是dataframe，而none和list返回的是dict of dataframe。
• header：指定作为列名的行，默认0，即取第一行，数据为列名行以下的数据；若数据不含列名，则设定 header = None；
• skiprows：省略指定行数的数据，比如省略第三行，skiprows=2；
• skip_footer：省略从尾部数的行数据
• index_col：指定列为索引列；
• names：指定列的名字，传入一个list数据

1.4 读取txt文件

这里使用read_table()函数。

import pandas as pd
data=pd.read_table('../data/datingTestSet2.txt',sep='\t',header=None)
data.head()
"""
输出：
0	1	2	3
0	40920	8.326976	0.953952	3
1	14488	7.153469	1.673904	2
2	26052	1.441871	0.805124	1
3	75136	13.147394	0.428964	1
4	38344	1.669788	0.134296	1
"""

函数原型：

pandas.read_table(filepath_or_buffer,sep='\t',delimiter=None,
                  header='infer',names=None,index_col=None,usecols=None,squeeze=False,
                  prefix=None,mangle_dupe_cols=True,dtype=None,engine=None,converters=None,
                  true_values=None,false_values=None,skipinitialspace=False,skiprows=None,
                  nrows=None,na_values=None,keep_default_na=True,na_filter=True,verbose=False,
                  skip_blank_lines=True,parse_dates=False,infer_datetime_format=False,
                  keep_date_col=False,date_parser=None,dayfirst=False,iterator=False,
                  chunksize=None,compression='infer',thousands=None,decimal=b'.',lineterminator=None,
                  quotechar='"',quoting=0,escapechar=None,comment=None,encoding=None,dialect=None,
                  tupleize_cols=None,error_bad_lines=True,warn_bad_lines=True,skipfooter=0,
                  doublequote=True,delim_whitespace=False,low_memory=True,memory_map=False,
                  float_precision=None)

常用参数简介：

• filepath_or_buffer：文件路径。
• sep：分隔符，默认为\t。
• header：用作列名的行号，默认为0（第一行），如果没有header行就应该设置为None。
• names：用于结果的列名列表，结合header=None。
• skiprows：跳过指定行。
• na_values：缺失值处理，na_values= ["null"]，用null字符替换缺失值。
• nrows：定需要读取的行数：nrows = 100， 指定读取前100行数据。

1.5 读取JSON文件

import pandas as pd

df = pd.read_json('frame.json')

1.6 写入CSV文件

#任意的多组列表
a = [1,2,3]
b = [4,5,6]
​
#字典中的key值即为csv中的列名
data_dict = {'a_name':a,'b_name':b}

​#设置DataFrame中列的排列顺序
#如果无需重命名，columns这一参数可以省略
dataFrame = pd.DataFrame(data_dict, columns=['a_name', 'b_name'])

#将DataFrame存储到csv文件中,index表示是否显示行名，default=True
dataFrame.to_csv("test.csv", index=False, sep='|')
#如果希望在不覆盖原文件内容的情况下将信息写入文件，可以加上mode="a"
dataFrame.to_csv("test.csv", mode="a", index=False,sep='|')

1.7 写入JSON文件

import pandas as pd
import numpy as np

df = pd.DataFrame(np.arange(16).reshape(4, 4),
                     index=['onw', 'two', 'three', 'four'],
                     columns=['A', 'B', 'C', 'D'])
df.to_json('df.json')

2 DataFrame

2.1 获取列名

DataFrame.columns.values.tolist()

2.2 遍历

遍历DataFrame数据。

for index, row in df.iterrows():
    print(row["column"])

2.3 合并（concat方法）

谈到DataFrame数据的合并，一般用到的方法有concat、join、merge。
这里就介绍concat方法，以下是函数原型。

pd.concat(objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False)

参数说明 ：
objs： series，dataFrame或者是panel构成的序列list。
axis： 需要合并链接的轴，0是行，1是列。
join： 连接的方式 inner，或者outer。

2.3.1 相同字段的表首尾相接

# 现将表构成list，然后在作为concat的输入
frames = [df1, df2, df3]
result = pd.concat(frames)
#重置索引（index）,不然后面容易出问题，我曾经因为这个找了一个上午的bug。
df = result.reset_index(drop=True)

2.3.2 横向表拼接（行对齐）

特别注意： axis=1时，concat()的拼接是根据df.index来的，index相同的的行进行拼接。

2.3.2.1 axis参数说明

当axis = 1的时候，concat就是行对齐，然后将不同列名称的两张表合并。

result = pd.concat([df1, df4], axis=1)

2.3.2.2 join参数说明

加上join参数的属性，如果为inner得到的是两表的交集，如果是outer，得到的是两表的并集。

result = pd.concat([df1, df4], axis=1, join='inner')

2.3.2.3 join_axes参数说明

如果有join_axes的参数传入，可以指定根据那个轴来对齐数据
例如根据df1表对齐数据，就会保留指定的df1表的轴，然后将df4的表与之拼接

result = pd.concat([df1, df4], axis=1, join_axes=[df1.index])

2.4 将df按照某个字段进行拆分求和（groupby()函数）

如果我们需要将Datetime值相同的行进行合并（AEP_MW取这些行的和），可以这样做

dataset_new_2 = dataset_new.groupby(by='Datetime')['AEP_MW'].sum()

# 此时得到的dataset_new_2数据类型为Series，可以通过下面代码转化为DataFrame
dict_dataset = {'Datetime':dataset_new_2.index,'AEP_MW':dataset_new_2.values}
dataset_new_3 = pd.DataFrame(dict_dataset)
dataset_new_3.head()

2004/10/1的AEP_MW为所有值的和

3 行列

3.1 查找

查找DataFrame数据类型中的某一（多）行（列）

这里记录三个可以实现该功能的函数：loc、iloc、ix。

• loc：通过标签选取数据，即通过index和columns的值进行选取。loc方法有两个参数，按顺序控制行列选取。
• iloc：通过行号选取数据，即通过数据所在的自然行列数为选取数据。iloc方法也有两个参数，按顺序控制行列选取。
• ix：混合索引，同时通过标签和行号选取数据。ix方法也有两个参数，按顺序控制行列选取。

代码示例如下：

#df数据
	a	b	c
d	0	1	2
e	3	4	5
f	6	7	8
g	9	10	11

3.1.1 loc（按行\列标签进行查找）

通过标签选取数据，即通过index和columns的值进行选取。loc方法有两个参数，按顺序控制行列选取。

#1.定位单行
df.loc['e']  #df数据参考上文
'''
a    3
b    4
c    5
Name: e, dtype: int32
===================================
'''
#2.定位单列
df.loc[:,'a']
'''
d    0
e    3
f    6
g    9
Name: a, dtype: int32
===================================
'''
#3.定位多行
#方法一：
df.loc['e':]
'''
	a	b	c
e	3	4	5
f	6	7	8
g	9	10	11
===================================
'''
#方法二
df.loc[['e','f','g']]
'''
	a	b	c
e	3	4	5
f	6	7	8
g	9	10	11
===================================
'''
#4.定位多行多列
#方法一：
df.loc['e':,:'b']
'''
	a	b
e	3	4
f	6	7
g	9	10
===================================
'''
#方法二：
df.loc['e':,['a','b']]
'''
	a	b
e	3	4
f	6	7
g	9	10
===================================
'''

3.1.2 iloc（按行\列号进行查找）

通过行号选取数据，即通过数据所在的自然行列数为选取数据。iloc方法也有两个参数，按顺序控制行列选取。

#1.定位单行
df.iloc[1]   #df数据参考上文
'''
a    3
b    4
c    5
Name: e, dtype: int32
===================================
'''
#2.定位单列
df.iloc[:,1]
'''
d     1
e     4
f     7
g    10
Name: b, dtype: int32
===================================
'''
#3.定位多行
df.iloc[1:3] #或者df.iloc[[1,2,3]]
'''
	a	b	c
e	3	4	5
f	6	7	8
===================================
'''
#4.定义多行多列
df.iloc[1:3,1:2]#或者df.iloc[1:3,[1,2]]
'''
	b
e	4
f	7
===================================
'''

3.1.3 查找含有特定值的行

import pandas as pd
import numpy as np
 
a=np.array([[1,2,3],[4,5,6],[7,8,9]])
df=pd.DataFrame(a,index=['row0','row1','row2'],columns=list('ABC'))
print(df)

#选取A为4的行
df=df[df['A'].isin([4])]

print(df)
"""
输出
      A  B  C
row0  1  2  3
row1  4  5  6
row2  7  8  9

      A  B  C
row1  4  5  6
"""

3.2 删除

删除DataFrame中某一行

df.drop([16,17])

3.2.1删除特定数值的行

import pandas as pd
import numpy as np
 
a=np.array([[1,2,3],[4,5,6],[7,8,9]])
df=pd.DataFrame(a,index=['row0','row1','row2'],columns=list('ABC'))
print(df)

#通过~取反，选取不包含数字4的行
df=df[~df['A'].isin([4])]

print(df)
"""
输出
      A  B  C
row0  1  2  3
row1  4  5  6
row2  7  8  9

      A  B  C
row0  1  2  3
row2  7  8  9
"""

3.3 修改

3.3.1 修改列名

df.columns = ['A','B','C']

3.4 排序

df.sort_values(by="sales" , ascending=False)

函数原型：

DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’)

列举常用的参数用法：

• by：函数的操作对象是DataFrame
• axis：进行操作的列名，多个列名用列表表示
• ascending：默认为升序True

#dataFrame:
'''
    col1 col2 col3
0   A    2    0
1   A    1    1
2   B    9    9
3   NaN  8    4
4   D    7    2
5   C    4    3
'''
df = df.sort_values(by=['col1'])
'''
输出：
   col1 col2 col3
0   A    2    0
1   A    1    1
2   B    9    9
5   C    4    3
4   D    7    2
3   NaN  8    4
'''

3.5 转置（行列转换）

将dataFrame原先的行变成列，将原先的列变为行

df = df.T

4 索引

• reindex()
  更新index或者columns，
  默认：更新index，返回一个新的DataFrame

• set_index()
  将DataFrame中的列columns设置成索引index
  打造层次化索引的方法

• reset_index()
  将使用set_index()打造的层次化逆向操作
  既是取消层次化索引，将索引变回列，并补上最常规的数字索引

详细讲解：

4.1 更新

reindex()：更新index或者columns。
默认：更新index，返回一个新的DataFrame。

# 返回一个新的DataFrame，更新index，原来的index会被替代消失
# 如果dataframe中某个索引值不存在，会自动补上NaN
df2 = df1.reindex(['a','b','c','d','e'])

# fill_valuse为原先不存在的索引补上默认值，不再是NaN
df2 = df1.reindex(['a','b','c','d','e'],  fill_value=0)

# inplace=Ture，在DataFrame上修改数据，而不是返回一个新的DataFrame
df1.reindex(['a','b','c','d','e'],  inplace=Ture)

# reindex不仅可以修改 索引(行)，也可以修改列
states = ["columns_a","columns_b","columns_c"]
df2 = df1.reindex( columns=states )

4.2 设置

set_index()：将DataFrame中的列columns设置成索引index。
打造层次化索引的方法。

# 将columns中的其中两列：race和sex的值设置索引，race为一级，sex为二级
# inplace=True 在原数据集上修改的
adult.set_index(['race','sex'], inplace = True) 

# 默认情况下，设置成索引的列会从DataFrame中移除
# drop=False将其保留下来
adult.set_index(['race','sex'], drop=False) 

4.3 重置

reset_index()：将使用set_index()打造的层次化逆向操作。
既是取消层次化索引，将索引变回列，并补上最常规的数字索引。

df.reset_index()

5 重复项

5.1 查看是否存在重复项

DataFrame的duplicated方法返回一个布尔型Series,表示各行是否重复行。

a = df.duplicated()

5.2 删除

而 drop_duplicates方法，它用于返回一个移除了重复行的DataFrame

#去掉A_ID和B_ID重复的行，并保留第一次出现的行
df = df.drop_duplicates(subset=['A_ID', 'B_ID'], keep='first')

• 当keep=False时，就是去掉所有的重复行
• 当keep='first’时，就是保留第一次出现的重复行
• 当keep='last’时就是保留最后一次出现的重复行。

6 元素

6.1 查找

通过标签或行号获取某个数值的具体位置（DataFrame数据类型中）

#DataFrame数据
	a	b	c
d	0	1	2
e	3	4	5
f	6	7	8
g	9	10	11
#获取第2行，第3列位置的数据
df.iat[1,2]
Out[205]: 5

#获取f行，a列位置的数据
df.at['f','a']
Out[206]: 6
'''
iat：依据行号定位
at：依旧标签定位
'''

6.2 修改

修改DataFrame中的某一元素

df['列名'][行序号（index）] = "新数据"

7 处理缺损数据

7.1 dropna()方法

该方法用于检查是否存在缺损数据，若存在则删除相关列与行。
函数原型：

pd.dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)

参数说明：

• axis: 该参数确定是删除包含缺失值的行或列， axis=0或axis='index’删除含有缺失值的行，axis=1或axis='columns’删除含有缺失值的列。
• how：any存在即nan即丢弃，all全部为nan才丢弃。
• thresh：默认值 None值，thresh=n则表明每行至少n的非NaN值，否则则删除该行。
• subset：定义要在哪些列中查找缺失值。
• inplace：默认值 False，是否直接在原DataFrame进行修改。

8 实现数据分组求平均值

#求type1Name下属所有类别名
type1Name = df.type1Name.unique()

#输出每个类别A值的平均值
for type1 in type1Name:
    t = df.type1Name.A == type1
    print(df[t].mean())