数据分析总结《pands数据处理》

目录

前言

导库

导入数据

导出数据

数据合并

查看数据

数据选取

数据处理

数据分组、排序、透视

有什么不全的，可以在评论区补充。具体参数可以自己查询一下这里就一一例举了

---

前言

不管是业务数据分析 ，还是数据建模。数据处理都是及其重要的一个步骤，它对于最终的结果来说，至关重要。

今天，就为大家总结一下 “Pandas数据处理” 几个方面重要的知识，拿来即用。

导库

# 在使用之前，需要导入pandas库
import pandas as pd

导入数据

pd.DataFrame() # 自己创建数据框，用于练习

# 从CSV⽂件导⼊数据
pd.read_csv("./path/filename.csv")
#参数
#encoding='ANSI', # 读文件的编码方法;常用编码'utf-8'、“ANSI”,"GBK"
#sep=',',  # 默认分隔符是逗号
#delimiter=',',  # 分隔符,同sep，使用任意一个即可
#header="infer",  # 选择第几行作为列索引；infer表示自动寻找
#index_col=None,  # 选择 第几列 作为行索引
#usecols=None,  # 使用哪些列
#names=None,  # 对使用的列重命名


# 从限定分隔符的⽂本⽂件导⼊数据
pd.read_table("./path/filename.csv")
# 参数
#encoding='ANSI',
#sep=',', #默认的分隔符是\t
#delimiter=','


# 从Excel⽂件导⼊数据
pd.read_excel("./path/filename.csv")
# 参数
# sheet_name=0,  # 默认是0，读第0个工作表
# sheet_name=1,  # 读第1个工作表
# sheet_name="meal_order_detail2", # 读meal_order_detail2工作表
# sheet_name=-2,  # 倒数第二个工作表
# sheet_name=None,  # 读取所有的工作表 # 从Excel⽂件导⼊数据
# header=1,  # 第1行索引作为列索引
# index_col=0,  # 第0列作为行索引
# usecols=[0, 2],  # 读取时选择 使用哪些列
# names=["序号", "订单信息"],  # 读取时选择 对 选择列 重命名，
# nrows=10,  # 读前10行数据
# skiprows=[0, 3, 5],  # 先执行跳过行操作，后确定列索引和数据部分


# 从SQL表/库导⼊数据
pd.read_sql(query,connection_object)
# 参数
# sql:SQL命令字符串
# con：连接sql数据库的engine，一般可以用SQLalchemy或者pymysql之类的包建立
# index_col: 选择某一列作为index
# coerce_float:非常有用，将数字形式的字符串直接以float型读入
# parse_dates:将某一列日期型字符串转换为datetime型数据，与pd.to_datetime函数功能类似。可以直接提供需要转换的列名以默认的日期形式转换，也可以用字典的格式提供列名和转换的日期格式，比如{column_name: format string}（format string："%Y:%m:%H:%M:%S"）。
# columns:要选取的列。一般没啥用，因为在sql命令里面一般就指定要选择的列了
# chunksize：如果提供了一个整数值，那么就会返回一个generator，每次输出的行数就是提供的值的大小。


pd.read_json(json_string) # 从JSON格式的字符串导⼊数据


pd.read_html(url) # 解析URL、字符串或者HTML⽂件，抽取其中的tables表格

导出数据

 具体参数可以查一下这里就不一一例举了

df.to_csv(filename) #导出数据到CSV⽂件

df.to_excel(filename) #导出数据到Excel⽂件
# 参数
# header=True,  # 是否保存列索引
# index=True,  # 是否保存行索引
# sheet_name="sheet1"

df.to_sql(table_name,connection_object) #导出数据到SQL表

df.to_json(filename) #以Json格式导出数据到⽂本⽂件

writer=pd.ExcelWriter('test.xlsx',index=False) 
df1.to_excel(writer,sheet_name='单位')和writer.save()，将多个数据帧写⼊同⼀个⼯作簿的多个sheet(⼯作表)

数据合并

pd.concat([df1,df2],axis=1,join='inner') # 将df2中的列添加到df1的尾部,值为空的对应⾏与对应列都不要

df1.append(df2) # 将df2中的⾏添加到df1的尾部

df1.join(df2.set_index(col1),on=col1,how='inner') # 对df1的列和df2的列执⾏SQL形式的join，默认按照索引来进⾏合并，如果df1和df2有共同字段时，会报错，可通过设置lsuffix,rsuffix来进⾏解决，如果需要按照共同列进⾏合并，就要⽤到set_index(col1)

pd.merge(df1,df2,on='col1',how='outer') # 对df1和df2合并，按照col1，⽅式为outer

pd.merge(df1,df2,left_index=True,right_index=True,how='outer') #与 df1.join(df2, how='outer')效果相同

查看数据

df.head(n) # 查看DataFrame对象的前n⾏

df.tail(n) # 查看DataFrame对象的最后n⾏

df.shape() # 查看⾏数和列数

df.info() # 查看索引、数据类型和内存信息

df.columns() # 查看字段（⾸⾏）名称

df.describe() # 查看数值型列的汇总统计

s.value_counts(dropna=False) # 查看Series对象的唯⼀值和计数

df.apply(pd.Series.value_counts) # 查看DataFrame对象中每⼀列的唯⼀值和计数

df.isnull().any() # 查看是否有缺失值

df[df[column_name].duplicated()] # 查看column_name字段数据重复的数据信息

df[df[column_name].duplicated()].count() # 查看column_name字段数据重复的个数

数据选取

df[col] # 根据列名，并以Series的形式返回列

df[[col1,col2]] # 以DataFrame形式返回多列

s.iloc[0] # 按位置选取数据

s.loc['index_one'] # 按索引选取数据

df.iloc[0,:] # 返回第⼀⾏

df.iloc[0,0] # 返回第⼀列的第⼀个元素

df.loc[0,:] # 返回第⼀⾏（索引为默认的数字时，⽤法同df.iloc），但需要注意的是loc是按索引,iloc参数只接受数字参数

df.ix[[:5],["col1","col2"]] # 返回字段为col1和col2的前5条数据，可以理解为loc和
iloc的结合体。

df.at[5,"col1"] # 选择索引名称为5，字段名称为col1的数据

df.iat[5,0] # 选择索引排序为5，字段排序为0的数据


实战笔记：作者自看
df_sampled_data = df_sampled_data_old[(df_sampled_data_old['col']==12900) | (df_sampled_data_old['col']==13100) | (df_sampled_data_old['col']==10800) | (df_sampled_data_old['col']==10500) | (df_sampled_data_old['col']==11500) | (df_sampled_data_old['col']==10600) | (df_sampled_data_old['col']==12600) | (df_sampled_data_old['col']==12700) | (df_sampled_data_old['col']==10400) | (df_sampled_data_old['col']==11000) | (df_sampled_data_old['col']==11800) | (df_sampled_data_old['col']==11900) | (df_sampled_data_old['col']==13000) | (df_sampled_data_old['col']==10700)].copy()

isin()使用：
df_sampled_data= df_sampled_data_old[df_sampled_data_old['col'].isin(var_list)].copy()

数据处理

df.columns= ['a','b','c'] # 重命名列名（需要将所有列名列出，否则会报错）

pd.isnull() # 检查DataFrame对象中的空值，并返回⼀个Boolean数组

pd.notnull() # 检查DataFrame对象中的⾮空值，并返回⼀个Boolean数组

df = df.drop(['B', 'C'], axis=1)               # drop不会就地修改，创建副本返回

df.drop(['B', 'C'], axis=1, inplace=True)      # inplace=True会就地修改
print(df)

df.dropna() # 删除所有包含空值的⾏

df.dropna(axis=1) # 删除所有包含空值的列

df.dropna(axis=1,thresh=n) # 删除所有⼩于n个⾮空值的⾏

df.fillna(value=x) # ⽤x替换DataFrame对象中所有的空值，⽀持

df[column_name].fillna(x)

s.astype(float) # 将Series中的数据类型更改为float类型

s.replace(1,'one') # ⽤‘one’代替所有等于1的值

s.replace([1,3],['one','three']) # ⽤'one'代替1，⽤'three'代替3

df.rename(columns=lambdax:x+1) # 批量更改列名

df.rename(columns={'old_name':'new_ name'}) # 选择性更改列名

df.set_index('column_one') # 将某个字段设为索引，可接受列表参数，即设置多个索引

df.reset_index("col1") # 将索引设置为col1字段，并将索引新设置为0,1,2...

df.rename(index=lambdax:x+1) # 批量重命名索引

数据分组、排序、透视

df.sort_index().loc[:5] # 对前5条数据进⾏索引排序

df.sort_values(col1) # 按照列col1排序数据，默认升序排列

df.sort_values(col2,ascending=False) # 按照列col1降序排列数据

df.sort_values([col1,col2],ascending=[True,False]) # 先按列col1升序排列，后按col2降序排列数据

df.groupby(col) # 返回⼀个按列col进⾏分组的Groupby对象

df.groupby([col1,col2]) # 返回⼀个按多列进⾏分组的Groupby对象

df.groupby(col1)[col2].agg(mean) # 返回按列col1进⾏分组后，列col2的均值,agg可以接受列表参数，agg([len,np.mean])

df.pivot_table(index=col1,values=[col2,col3],aggfunc={col2:max,col3:[ma,min]}) # 创建⼀个按列col1进⾏分组，计算col2的最⼤值和col3的最⼤值、最⼩值的数据透视表

df.groupby(col1).agg(np.mean) # 返回按列col1分组的所有列的均值,⽀持

df.groupby(col1).col2.agg(['min','max'])

data.apply(np.mean) # 对DataFrame中的每⼀列应⽤函数np.mean

data.apply(np.max,axis=1) # 对DataFrame中的每⼀⾏应⽤函数np.max

df.groupby(col1).col2.transform("sum") # 通常与groupby连⽤，避免索引更改

有什么不全的，可以在评论区补充。具体参数可以自己查询一下这里就一一例举了