pandas的常用方法整理

最新推荐文章于 2024-08-18 20:08:34 发布

我不是企鹅

最新推荐文章于 2024-08-18 20:08:34 发布

阅读量4.6k

点赞数 4

分类专栏： python 文章标签： pandas

python 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

pandas是建立在Numpy基础上的高效数据分析处理库，是Python的重要数据分析库。pandas提供了众多的高级函数，极大地简化了数据处理的流程，尤其是被广泛地应用于金融领域的数据分析。

pandas主要特点包括：

带有标签的数据结构，Pandas库围绕Series类型和DataFrame类型这两种数据结构。
允许简单索引和多级索引。
整合了对数据集的集合和转换功能。
生成特定类型的数据。
支持从Excel、CSV等文本格式中文导入数据，以Pytables/HDF5格式高效地读／写数据。
能够高效地处理带有默认值的数据集。
能够直接进行常规的统计回归分析。

Series类型是一组数据及与之相关的数据索引组成，实际应用并不多。DataFrame是表格型类，可理解为二维代表签数据类型，其由共用相同索引的一组列组成： index（axis=0），colum（axis=1）

1.包导入

一般我们需要做如下导入，numpy和pandas一般需要联合使用：

import pandas as pd
import numpy as np
本文采用如下缩写：

df：Pandas DataFrame对象
s： Pandas Series对象

2.数据导入

pd.read_csv(filename)：从CSV文件导入数据
pd.read_table(filename)：从限定分隔符的文本文件导入数据
pd.read_excel(filename)：从Excel文件导入数据
pd.read_sql(query, connection_object)：从SQL表/库导入数据
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
pd.read_clipboard()：从粘贴板获取内容
pd.DataFrame(dict)：从字典对象导入数据
举例：

#从文本文件中读取数据
df=pd.read_csv('data.csv')    #数据自带列名
#等效于
#sep指分隔符，对于不是固定的分隔符时，可以编写正则表达式作为分隔符
df=pd.read_table('data.csv',sep=',')
#若数据未带列名，可默认：
df1=pd.read_csv('data1.csv',header=None)# header=0保留列属性，header=None不读列属性
#自定义列名：
df2=pd.read_csv('data1.csv',names=['a','b','c','d','messgae'])
#指定message列(第4列)为列索引，index_col为整数或序列
df3=pd.read_csv('data.csv',index_col=4)

3.数据导出

df.to_csv(filename)：导出数据到CSV文件
df.to_excel(filename)：导出数据到Excel文件
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

4.遍历

方式1
for index, row in df.iterrows():
print row["c1"], row["c2"]
方式2
for row in df.itertuples(index=True, name='Pandas'):
print getattr(row, "c1"), getattr(row, "c2")
方式3
for i in range(0, len(df)):
print df.iloc[i]['c1'], df.iloc[i]['c2']

5.创建对象

pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一个日期索引
index和reindex联合使用很有用处，index可作为索引并且元素乱排序之后，所以跟着元素保持不变，因此，当重拍元素时，只需要对index进行才重排即可:reindex。

举例：

a = pd.Series([9, 8, 7, 6], index = ['a','b','c','d']) 构造一个Series对象a，前面是值，后面是索引
a = pd.Series({'a':9,'b':8,'c':7}) 通过字典创建

标准正太分布数据：s = np.random.normal(0,1,10000)
时间数据：dates = pd.date_range(‘20171021’,periods=6)
随机矩阵：df1 = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list(‘ABCD’))
字典创建：
df = pd.DataFrame({
'A':pd.series([1,2,np.nan,6,8]),
'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','trat','train']),
'F':'foo'
})

6.数据查看

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.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
apply的用处很多，比如可以通过跟lambda函数联合，完成很多功能：将包含某个部分的元素挑出来等等。

df.values.tolist()获得值
df.columns.values.tolist()获得列名

举例：cities['Is wide and has saint name'] = (cities['Area square miles'] > 50) & cities['City name'].apply(lambda name: name.startswith('San'))

7.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.loc基于标签，df.iloc基于索引（从0开始），ix基于标签或索引
df.iloc[0,:]：返回第一行
df.iloc[3] #第四行
df.iloc[:,3] #第四列
df.iloc[3:5,0:2] #第四到六行，第一到三列
df.iloc[[4,5,6],[0,1,2]] #第四到六行，第一到三列

df[] #这是对行进行切片

举例：
df.loc[0:10] #切片方式查看前10个元素
df.loc(83, "列名")#定位到某个元素，行列分别是：83为行数和列名

8.数据清洗

df.columns = ['a','b','c']：重命名列名
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.dropna()：删除所有包含空值的行
df.fillna(x)：用x替换DataFrame对象中所有的空值
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
df.rename(columns=lambda x: x + 1)：批量更改列名
df.set_index('column_one')：更改索引列

举例：

df.dropna(how=’any’)#去掉包含缺失值的行
df.fillna(value=5)#对缺失值进行填充
pd.isnull(df)#查看该列为空(NaN)的所有元素，是空的返回true，不空返回false

9.数据处理：

Filter, Sort, GroupBy

df[df[col] > 0.5]：选择col列的值大于0.5的行
df.sort_values(col1)：按照列col1排序数据，默认升序排列
df.groupby(col)：返回一个按列col进行分组的Groupby对象
df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
df.apply(function) #通过自定义函数，应用于df中
例如：data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
sort_values("列名", inplace=True) #对文件该列进行排序，inplace=True表示排序后覆盖此列

10.数据合并

df1.append(df2)：将df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
df1.join(df2,on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join

11.数据统计

df.describe()：查看数据值列的汇总统计
df.mean()：返回所有列的均值
df.corr()：返回列与列之间的相关系数
df.count()：返回每一列中的非空值的个数
df.max()：返回每一列的最大值
df.min()：返回每一列的最小值
df.median()：返回每一列的中位数
df.std()：返回每一列的标准差
Pandas支持的数据类型