内容概要
- 创建Series
- Series基本操作
- 创建DataFrame
- DataFrame基本操作
- DataFrame字符串操作
- DataFrame缺失值操作
- DataFrame文件操作
- 时间序列索引
- Series 多重索引
- DataFrame多重索引
- 透视表
- 绝对类型
- 数据清洗
- 数据预处理
- Pandas绘图操作
【基础部分】
查看版本信息
print(pd.__version__)
创建Series
从列表创建Series
arr = [0,1,2,3,4]
s1 = pd.Series(arr)
s1
Ndarray创建Series
n = np.random.randn(5) # 创建一个随机Ndarray数据
index = ['a','b','c','d','e']
s2 = pd.Series(n,index=index)
s2
从字典创建Series
d={'a':1,'b':2,'c':3,'d':4,'e':5}
s3 = pd.Series(d)
s3
Series基本操作
修改Series索引
s1.index=['A','B','C','D','E'] # 修改后的索引
s1
Series 纵向拼接
s4=s3.append(s1) # 将s1拼接到s3
s4
Series 按指定索引删除元素
s4=s4.drop('e') # 删除索引为e的值
s4
Series 修改指定索引元素
s4['A']=6 # 修改索引是A的值为6
s4
Series按指定索引查找元素
s4['B']
Series 切片操作
# 对s4的前 3 个数据访问
s4[:3]
Series基本操作
加减乘除
# 按照索引计算,如果索引不同则填充为 NaN(空值)
s4.add(s3) # 加
s4.sub(s3) # 减
s4.mul(s3) # 乘
s4.div(s3) # 除
Series 中位数
s4.median()
Series平均值
s4.mean()
Series最大最小值
s4.max()
s4.min()
创建DataFrame
通过Numpy数组创建DataFrame
dates = pd.date_range('today',periods=6) # 定义时间序列作为index
num_arr=np.random.randn(6,4) # 传入 numpy 随机数组
columns=['A','B','C','D'] # 将列表作为列名
df1=pd.DataFrame(num_arr,index=dates,columns=columns)
df1
通过字典数组创建 DataFrame
data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df2 = pd.DataFrame(data, index=labels)
df2
查看 DataFrame 的数据类型
df2.dtypes
DataFrame基本操作
预览 DataFrame 的前 5 行数据
df2.head() # 默认显示5行,可根据需要在括号中填入希望预览的行数
查看 DataFrame 的后 3 行数据
df2.tail(3)
查看 DataFrame 的索引
df2.index
查看 DataFrame 的列名
df2.columns
查看 DataFrame 的数值
df2.values
查看 DataFrame 的统计数据
df2.describe()
DataFrame 转置操作
df2.T
对 DataFrame 进行按列排序
df2.sort_values(by='age') # 按 age 升序排列
对 DataFrame 数据切片
df2[1:3]
对 DataFrame 通过标签查询(单列)
df2['age'] # 等价于df2.age
对 DataFrame 通过标签查询(多列)
df2[['age','animal']] # 传入一个列名组成的列表
对 DataFrame 通过位置查询
df2.iloc[1:3] # 查询 2,3 行
DataFrame 副本拷贝
# 生成 DataFrame 副本,方便数据集被多个不同流程使用
df3=df2.copy()
df3
判断 DataFrame 元素是否为空
df3.isnull() # 如果为空则返回为 True
添加列数据
num=pd.Series([0,1,2,3,4,5,6,7,8,9],index=df3.index)
df3['No.']=num # 添加以 'No.' 为列名的新数据列
df3
根据 DataFrame 的下标值进行更改。
# 修改第 2 行与第 1 列对应的值 3.0 → 2.0
df3.iat[1,0]=2 # 索引序号从 0 开始,这里为 1, 0
df3
根据 DataFrame 的标签对数据进行修改
df3.loc['f','age']=1.5
df3
DataFrame 求平均值操作
df3.mean()
对 DataFrame 中任意列做求和操作
df3['visits'].sum()
DataFrame字符串操作
将字符串转化为小/大写字母
string = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca', np.nan, 'CABA','dog', 'cat'])
print(string)
string.str.lower() # 小写
string.str.upper() # 大写
DataFrame缺失值操作
对缺失值进行填充
df4=df3.copy()
print(df4)
df4.fillna(value=3)
删除存在缺失值的行
df5=df3.copy()
print(df5)
df5.dropna(how='any') # 任何存在 NaN 的行都将被删除
DataFrame 按指定列对齐
left = pd.DataFrame({'key': ['foo1', 'foo2'], 'one': [1, 2]})
right = pd.DataFrame({'key': ['foo2', 'foo3'], 'two': [4, 5]})
print(left)
print(right)
# 按照 key 列对齐连接,只存在 foo2 相同,所以最后变成一行
pd.merge(left, right, on='key')
DataFrame文件操作
CSV文件写入
df3.to_csv('animal.csv')
CSV文件读取
df_animal=pd.read_csv('animal.csv')
df_animal
Excel写入操作
df3.to_excel('animal.xlsx', sheet_name='Sheet1')
Excel读取操作
pd.read_excel('animal.xlsx', 'Sheet1', index_col=None, na_values=['NA'])
【进阶部分】
时间序列索引
建立一个以 2018 年每一天为索引,值为随机数的 Series
dti = pd.date_range(start='2018-01-01', end='2018-12-31', freq='D')
s = pd.Series(np.random.rand(len(dti)), index=dti)
s
统计s中每一个周三对应值的和
# 周一从 0 开始
s[s.index.weekday == 2].sum()
统计s中每个月值的平均值
s.resample('M').mean()
将Series中的时间进行转换(秒转分钟)
s = pd.date_range('today', periods=100, freq='S')
ts = pd.Series(np.random.randint(0, 500, len(s)), index=s)
ts.resample('Min').sum()
UTC世界时间标准
s = pd.date_range('today', periods=1, freq='D') # 获取当前时间
ts = pd.Series(np.random.randn(len(s)), s) # 随机数值
ts_utc = ts.tz_localize('UTC') # 转换为 UTC 时间
ts_utc
转换为上海所在时区
ts_utc.tz_convert('Asia/Shanghai')
不同时间表示方式的转换
rng = pd.date_range('1/1/2018', periods=5, freq='M')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
print (ts)
ps = ts.to_period()
print(ps)
ps.to_timestamp()
Series 多重索引 [选学]
创建多重索引 Series
# 构建一个 letters = ['A', 'B', 'C'] 和 numbers = list(range(10))为索引,值为随机数的多重索引 Series
letters = ['A', 'B', 'C']
numbers = list(range(10))
mi = pd.MultiIndex.from_product([letters, numbers]) # 设置多重索引
s = pd.Series(np.random.rand(30), index=mi) # 随机数
s
多重索引 Series 查询
# 查询索引为 1,3,6 的值
s.loc[:, [1, 3, 6]]
多重索引 Series 切片
s.loc[pd.IndexSlice[:'B', 5:]]
DataFrame多重索引 [选学]
根据多重索引创建 DataFrame
# 创建一个以 letters = ['A', 'B'] 和 numbers = list(range(6))为索引,值为随机数据的多重索引 DataFrame
frame=pd.DataFrame(np.arange(12).reshape(6,2),
index=[list('AAABBB'),list('123123')],
columns=['hello','shiyanlou'])
frame
多重索引设置列名称
frame.index.names=['first','second']
frame
DataFrame 多重索引分组求和
frame.groupby('first').sum()
DataFrame 行列名称转换
print(frame)
frame.stack()
DataFrame 索引转换
print(frame)
frame.unstack()
DataFrame 条件查找
data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
df = pd.DataFrame(data, index=labels)
查找 age 大于 3 的全部信息
df[df['age'] > 3]
根据行列索引切片
df.iloc[2:4, 1:3]
DataFrame 多重条件查询
# 查找 age<3 且为 cat 的全部数据
df = pd.DataFrame(data, index=labels)
df[(df['animal'] == 'cat') & (df['age'] < 3)]
DataFrame 按关键字查询
df3[df3['animal'].isin(['cat', 'dog'])]
DataFrame 按标签及列名查询
df.loc[df2.index[[3, 4, 8]], ['animal', 'age']]
DataFrame 多条件排序
# 按照 age 降序,visits 升序排列
df.sort_values(by=['age', 'visits'], ascending=[False, True])
DataFrame 多值替换
# 将 priority 列的 yes 值替换为 True,no 值替换为 False
df['priority'].map({'yes': True, 'no': False})
DataFrame 分组求和
df4.groupby('animal').sum()
使用列表拼接多个 DataFrame
temp_df1 = pd.DataFrame(np.random.randn(5, 4)) # 生成由随机数组成的 DataFrame 1
temp_df2 = pd.DataFrame(np.random.randn(5, 4)) # 生成由随机数组成的 DataFrame 2
temp_df3 = pd.DataFrame(np.random.randn(5, 4)) # 生成由随机数组成的 DataFrame 3
print(temp_df1)
print(temp_df2)
print(temp_df3)
pieces = [temp_df1,temp_df2,temp_df3]
pd.concat(pieces)
找出 DataFrame 表中和最小的列
df = pd.DataFrame(np.random.random(size=(5, 10)), columns=list('abcdefghij'))
print(df)
df.sum().idxmin() # idxmax(), idxmin() 为 Series 函数返回最大最小值的索引值
DataFrame 中每个元素减去每一行的平均值
df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
df.sub(df.mean(axis=1), axis=0)
DataFrame 分组,并得到每一组中最大三个数之和
df = pd.DataFrame({'A': list('aaabbcaabcccbbc'),
'B': [12,345,3,1,45,14,4,52,54,23,235,21,57,3,87]})
print(df)
df.groupby('A')['B'].nlargest(3).sum(level=0)
透视表 [选学]
透视表的创建
# 新建表将 A, B, C 列作为索引进行聚合
df = pd.DataFrame({'A' : ['one', 'one', 'two', 'three'] * 3,
'B' : ['A', 'B', 'C'] * 4,
'C' : ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,
'D' : np.random.randn(12),
'E' : np.random.randn(12)})
print(df)
pd.pivot_table(df, index=['A', 'B'])
透视表按指定行进行聚合
# 将该 DataFrame 的 D 列聚合,按照 A,B 列为索引进行聚合,聚合的方式为默认求均值
pd.pivot_table(df,values=['D'],index=['A', 'B'])
透视表聚合方式定义
# 上一题中 D 列聚合时,采用默认求均值的方法,若想使用更多的方式可以在 aggfunc 中实现
pd.pivot_table(df,values=['D'],index=['A', 'B'],aggfunc=[np.sum, len])
透视表利用额外列进行辅助分割
# D 列按照 A,B 列进行聚合时,若关心 C 列对 D 列的影响,可以加入 columns 值进行分析
pd.pivot_table(df,values=['D'],index=['A', 'B'],columns=['C'],aggfunc=np.sum)
透视表的缺省值处理
# 在透视表中由于不同的聚合方式,相应缺少的组合将为缺省值,可以加入 fill_value 对缺省值处理
pd.pivot_table(df,values=['D'],index=['A', 'B'],columns=['C'],aggfunc=np.sum,fill_value=0)
绝对类型 [选学]
在数据的形式上主要包括数量型和性质型,数量型表示着数据可数范围可变,而性质型表示范围已经确定不可改变,绝对型数据就是性质型数据的一种
df = pd.DataFrame({"id":[1,2,3,4,5,6], "raw_grade":['a', 'b', 'b', 'a', 'a', 'e']})
df["grade"] = df["raw_grade"].astype("category")
df
对绝对型数据重命名
df["grade"].cat.categories = ["very good", "good", "very bad"]
df
重新排列绝对型数据并补充相应的缺省值
df["grade"] = df["grade"].cat.set_categories(["very bad", "bad", "medium", "good", "very good"])
df
对绝对型数据进行排序
df.sort_values(by="grade")
对绝对型数据进行分组
df.groupby("grade").size()
数据清洗 [选学]
缺失值拟合
# 在FilghtNumber中有数值缺失,其中数值为按 10 增长,补充相应的缺省值使得数据完整,并让数据为 int 类型
df = pd.DataFrame({'From_To': ['LoNDon_paris', 'MAdrid_miLAN', 'londON_StockhOlm',
'Budapest_PaRis', 'Brussels_londOn'],
'FlightNumber': [10045, np.nan, 10065, np.nan, 10085],
'RecentDelays': [[23, 47], [], [24, 43, 87], [13], [67, 32]],
'Airline': ['KLM(!)', '<Air France> (12)', '(British Airways. )',
'12. Air France', '"Swiss Air"']})
df['FlightNumber'] = df['FlightNumber'].interpolate().astype(int)
df
数据列拆分
# 其中From_to应该为两独立的两列From和To,将From_to依照_拆分为独立两列建立为一个新表
temp = df.From_To.str.split('_', expand=True)
temp.columns = ['From', 'To']
temp
字符标准化
# 其中注意到地点的名字都不规范(如:londON应该为London)需要对数据进行标准化处理
temp['From'] = temp['From'].str.capitalize()
temp['To'] = temp['To'].str.capitalize()
删除坏数据加入整理好的数据
# 将最开始的From_to列删除,加入整理好的From和to列
df = df.drop('From_To', axis=1)
df = df.join(temp)
print(df)
去除多余字符
# 如同airline列中许多数据有许多其他字符,会对后期的数据分析有较大影响,需要对这类数据进行修正
df['Airline'] = df['Airline'].str.extract('([a-zA-Z\s]+)', expand=False).str.strip()
df
格式规范
# 在 RecentDelays 中记录的方式为列表类型,由于其长度不一,这会为后期数据分析造成很大麻烦。这里将 RecentDelays 的列表拆开,取出列表中的相同位置元素作为一列,若为空值即用 NaN 代替
delays = df['RecentDelays'].apply(pd.Series)
delays.columns = ['delay_{}'.format(n) for n in range(1, len(delays.columns)+1)]
df = df.drop('RecentDelays', axis=1).join(delays)
df
数据预处理 [选学]
信息区间划分
班级一部分同学的数学成绩表,如下图所示
df=pd.DataFrame({‘name’:[‘Alice’,‘Bob’,‘Candy’,‘Dany’,‘Ella’,‘Frank’,‘Grace’,‘Jenny’],‘grades’:[58,83,79,65,93,45,61,88]})
但我们更加关心的是该同学是否及格,将该数学成绩按照是否>60来进行划分
df=pd.DataFrame({'name':['Alice','Bob','Candy','Dany','Ella','Frank','Grace','Jenny'],'grades':[58,83,79,65,93,45,61,88]})
def choice(x):
if x>60:
return 1
else:
return 0
df.grades=pd.Series(map(lambda x:choice(x),df.grades))
df
数据去重
一个列为A的 DataFrame 数据,如下图所示
df = pd.DataFrame({‘A’: [1, 2, 2, 3, 4, 5, 5, 5, 6, 7, 7]})
如何将 A 列中重复的数据清除。
df = pd.DataFrame({'A': [1, 2, 2, 3, 4, 5, 5, 5, 6, 7, 7]})
df.loc[df['A'].shift() != df['A']]
数据归一化
有时候,DataFrame 中不同列之间的数据差距太大,需要对其进行归一化处理。
其中,Max-Min 归一化是简单而常见的一种方式,公式如下:
Y = X − X m i n X m a x − X m i n Y=\frac{X-X_{min}}{X_{max}-X_{min}} Y=Xmax−XminX−Xmin
def normalization(df):
numerator=df.sub(df.min())
denominator=(df.max()).sub(df.min())
Y=numerator.div(denominator)
return Y
df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
normalization(df)
Pandas绘图操作
Series 可视化
%matplotlib inline
ts = pd.Series(np.random.randn(100), index=pd.date_range('today', periods=100))
ts = ts.cumsum()
ts.plot()
DataFrame 折线图
df = pd.DataFrame(np.random.randn(100, 4), index=ts.index,
columns=['A', 'B', 'C', 'D'])
df = df.cumsum()
df.plot()
DataFrame 散点图
df = pd.DataFrame({"xs":[1,5,2,8,1], "ys":[4,2,1,9,6]})
df = df.cumsum()
df.plot.scatter("xs","ys",color='red',marker="*")
DataFrame 柱形图
df = pd.DataFrame({"revenue":[57,68,63,71,72,90,80,62,59,51,47,52],
"advertising":[2.1,1.9,2.7,3.0,3.6,3.2,2.7,2.4,1.8,1.6,1.3,1.9],
"month":range(12)
})
ax = df.plot.bar("month", "revenue", color = "yellow")
df.plot("month", "advertising", secondary_y = True, ax = ax)