Pandas处理csv英国降雨数据

最新推荐文章于 2024-06-14 20:57:01 发布
最新推荐文章于 2024-06-14 20:57:01 发布
阅读量2.1k 收藏 15
点赞数 4
分类专栏： python数据分析 文章标签： pandas csv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013317445/article/details/84570489
版权

文章目录

导入数据

英国降雨数据：http://data.defra.gov.uk/statistics_2015/env/water/uk_rain_2014.csv

import pandas as pd

#导入数据
#uk_rain_2014.csv 第一行是标签，可以做列索引
df=pd.read_csv('C:\\Users\\cc\\Desktop\\Pandas\\uk_rain_2014.csv',header=0)#默认参数header也为0，表示以第一行为列索引

pandas.read_csv()读取csv文件数据到dataframe
注意：csv中的数据都是用逗号隔开的。
参数：
filepath_or_buffer ：字符串、或者任何对象的read()方法。这个字符串可以是URL，有效的URL方案包括http、ftp、s3和文件。可以直接写入"文件名.csv"
sep：分隔符，默认是‘,’，CSV文件的分隔符
header:列名（列索引），默认第一行为列名（默认header=0）
header=None,说明第一行不是列名。这样，它会给新的列名：0,1,2,3,4…
可以给加上新列名，见另一个参数
names：当csv文件没有列名时候，可以用names加上要用的列名
index_col：要用的行名（index），int或sequence或False，默认为None，即默认添加从0开始的index
若要用第一列作为行索引，写index_col=0

print(df)

   Water Year  Rain (mm) Oct-Sep  Outflow (m3/s) Oct-Sep  Rain (mm) Dec-Feb  \
0     1980/81               1182                    5408                292   
1     1981/82               1098                    5112                257   
2     1982/83               1156                    5701                330   
3     1983/84                993                    4265                391   
4     1984/85               1182                    5364                217   
5     1985/86               1027                    4991                304   
6     1986/87               1151                    5196                295   
7     1987/88               1210                    5572                343   
8     1988/89                976                    4330                309   
9     1989/90               1130                    4973                470   
10    1990/91               1022                    4418                305   
11    1991/92               1151                    4506                246   
12    1992/93               1130                    5246                308   
13    1993/94               1162                    5583                422   
14    1994/95               1110                    5370                484   
15    1995/96                856                    3479                245   
16    1996/97               1047                    4019                258   
17    1997/98               1169                    4953                341   
18    1998/99               1268                    5824                360   
19    1999/00               1204                    5665                417   
20    2000/01               1239                    6092                328   
21    2001/02               1185                    5402                380   
22    2002/03               1021                    4366                272   
23    2003/04               1165                    4275                348   
24    2004/05               1095                    4547                309   
25    2005/06               1046                    4059                206   
26    2006/07               1387                    6391                437   
27    2007/08               1225                    5497                386   
28    2008/09               1139                    4941                268   
29    2009/10               1103                    4738                255   
30    2010/11               1053                    4521                265   
31    2011/12               1285                    5500                339   
32    2012/13               1090                    5329                350   

    Outflow (m3/s) Dec-Feb  Rain (mm) Jun-Aug  Outflow (m3/s) Jun-Aug  
0                     7248                174                    2212  
1                     7316                242                    1936  
2                     8567                124                    1802  
3                     8905                141                    1078  
4                     5813                343                    4313  
5                     7951                229                    2595  
6                     7593                267                    2826  
7                     8456                294                    3154  
8                     6465                200                    1440  
9                    10520                209                    1740  
10                    7120                216                    1923  
11                    5493                280                    2118  
12                    8751                219                    2551  
13                   10109                193                    1638  
14                   11486                103                    1231  
15                    5515                172                    1439  
16                    5770                256                    2102  
17                    7747                285                    3206  
18                    8771                225                    2240  
19                   10021                197                    2166  
20                    9347                236                    2142  
21                    8891                259                    3187  
22                    7093                176                    1478  
23                    7493                315                    2959  
24                    7183                217                    1799  
25                    4578                188                    1474  
26                   10926                357                    5168  
27                    9485                320                    3505  
28                    6690                323                    3189  
29                    6435                244                    1958  
30                    6593                267                    2885  
31                    7630                379                    5261  
32                    9615                187                    1797  

df.index

RangeIndex(start=0, stop=33, step=1)

df.columns

Index([u'Water Year', u'Rain (mm) Oct-Sep', u'Outflow (m3/s) Oct-Sep',
       u'Rain (mm) Dec-Feb', u'Outflow (m3/s) Dec-Feb', u'Rain (mm) Jun-Aug',
       u'Outflow (m3/s) Jun-Aug'],
      dtype='object')

df.values

array([['1980/81', 1182L, 5408L, 292L, 7248L, 174L, 2212L],
       ['1981/82', 1098L, 5112L, 257L, 7316L, 242L, 1936L],
       ['1982/83', 1156L, 5701L, 330L, 8567L, 124L, 1802L],
       ['1983/84', 993L, 4265L, 391L, 8905L, 141L, 1078L],
       ['1984/85', 1182L, 5364L, 217L, 5813L, 343L, 4313L],
       ['1985/86', 1027L, 4991L, 304L, 7951L, 229L, 2595L],
       ['1986/87', 1151L, 5196L, 295L, 7593L, 267L, 2826L],
       ['1987/88', 1210L, 5572L, 343L, 8456L, 294L, 3154L],
       ['1988/89', 976L, 4330L, 309L, 6465L, 200L, 1440L],
       ['1989/90', 1130L, 4973L, 470L, 10520L, 209L, 1740L],
       ['1990/91', 1022L, 4418L, 305L, 7120L, 216L, 1923L],
       ['1991/92', 1151L, 4506L, 246L, 5493L, 280L, 2118L],
       ['1992/93', 1130L, 5246L, 308L, 8751L, 219L, 2551L],
       ['1993/94', 1162L, 5583L, 422L, 10109L, 193L, 1638L],
       ['1994/95', 1110L, 5370L, 484L, 11486L, 103L, 1231L],
       ['1995/96', 856L, 3479L, 245L, 5515L, 172L, 1439L],
       ['1996/97', 1047L, 4019L, 258L, 5770L, 256L, 2102L],
       ['1997/98', 1169L, 4953L, 341L, 7747L, 285L, 3206L],
       ['1998/99', 1268L, 5824L, 360L, 8771L, 225L, 2240L],
       ['1999/00', 1204L, 5665L, 417L, 10021L, 197L, 2166L],
       ['2000/01', 1239L, 6092L, 328L, 9347L, 236L, 2142L],
       ['2001/02', 1185L, 5402L, 380L, 8891L, 259L, 3187L],
       ['2002/03', 1021L, 4366L, 272L, 7093L, 176L, 1478L],
       ['2003/04', 1165L, 4275L, 348L, 7493L, 315L, 2959L],
       ['2004/05', 1095L, 4547L, 309L, 7183L, 217L, 1799L],
       ['2005/06', 1046L, 4059L, 206L, 4578L, 188L, 1474L],
       ['2006/07', 1387L, 6391L, 437L, 10926L, 357L, 5168L],
       ['2007/08', 1225L, 5497L, 386L, 9485L, 320L, 3505L],
       ['2008/09', 1139L, 4941L, 268L, 6690L, 323L, 3189L],
       ['2009/10', 1103L, 4738L, 255L, 6435L, 244L, 1958L],
       ['2010/11', 1053L, 4521L, 265L, 6593L, 267L, 2885L],
       ['2011/12', 1285L, 5500L, 339L, 7630L, 379L, 5261L],
       ['2012/13', 1090L, 5329L, 350L, 9615L, 187L, 1797L]], dtype=object)

#想知道一些基本统计信息
df.describe()
Rain (mm) Oct-Sep Outflow (m3/s) Oct-Sep Rain (mm) Dec-Feb Outflow (m3/s) Dec-Feb Rain (mm) Jun-Aug Outflow (m3/s) Jun-Aug
count 33.000000 33.000000 33.000000 33.000000 33.000000 33.000000
mean 1129.000000 5019.181818 325.363636 7926.545455 237.484848 2439.757576
std 101.900074 658.587762 69.995008 1692.800049 66.167931 1025.914106
min 856.000000 3479.000000 206.000000 4578.000000 103.000000 1078.000000
25% 1053.000000 4506.000000 268.000000 6690.000000 193.000000 1797.000000
50% 1139.000000 5112.000000 309.000000 7630.000000 229.000000 2142.000000
75% 1182.000000 5497.000000 360.000000 8905.000000 280.000000 2959.000000
max 1387.000000 6391.000000 484.000000 11486.000000 379.000000 5261.000000 
df.count()#查找每个列的非空值的数量

df
最低0.47元/天 解锁文章
pingzishinee
关注
  • 4
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
第3关：读取CSV格式数据
SorrymakerS的博客
04-24 3406
*相关知识 在使用机器学习工具包对数据进行修改、探索和分析之前，我们必须先讲外部数据导入。使用Pandas导入数据比Numpy要容易。在这里我们将使用英国降雨数据，数据已下好并放在本实训的当前文件夹。 读取CSV Reading a csv into Pandas. 如果数据集中有中文的话，最好在里面加上 encoding = ‘gbk’ ，以避免乱码问题。后面的导出数据的时候也一样。 df = pd.read_csv(‘uk_rain_2014.csv’, header=0) 这里我们从csv文件里导入了
python操作csv、excel文件(pandas库)
m0_73482095的博客
12-21 1202
如果插入值不同，为列表格式，需与已有列的行数长度一致，如举例中原来列为3行，新增列也必须有3个值。df2 = df.reindex(columns=['a', 'b', 'c', 'd', 'e'], fill_value=1) # 加入fill_value参数，填充值为1。df1 = df.reindex(columns=['a', 'b', 'c', 'd', 'e']) # 不加fill_value参数，默认值为Nan。df['d'] = [1, 2, 3] # 插入值为[1,2,3]的d列。
pandas处理CSV文件
最新发布
hh64237的博客
06-14 882
（Comma-Separated Values，逗号分隔值，有时也称为字符分隔值，因为分隔字符也可以不是逗号），其文件以纯文本形式存储表格数据（数字和文本）。是一种通用的、相对简单的文件格式，被用户、商业和科学广泛应用。可以很方便的处理文件，本文以为例，你可以或查看。nba.csv。
Pandas基本操作
2301_77225918的博客
05-05 1200
Series 的交互式显示的字符串表示形式是索引在左边，值在右边。DataFrame 是一个表格型的数据结构，是以一个或多个二维块存放的数据表格（层次化索引），DataFrame 既有行索引还有列索引，它有一组有序的列，每列既可以是不同类型（数值、字符串、布尔型）的数据，或者可以看做由 Series 组成的字典。就像数据库中的列数据；如果你有一些数据在一个 Python 字典中，你可以通过传递字典来从这些数据创建一个 Series，只传递一个字典的时候，结果 Series 中的索引将是排序后的字典的键。
数据科学库之Pandas
机器不爱学习
02-23 175
在我看来，对于Numpy以及Matplotlib，Pandas可以帮助创建一个非常牢固的用于数据挖掘与分析的基础。而Scipy（会在接下来的帖子中提及）当然是另一个主要的也十分出色的科学计算库，但是我认为前三者才是真正的Python科学计算的支柱。 导入Pandas 我们首先要导入我们的演出明星——Pandas。 import pandas as pd # 标准导入格式 Pandas的数...
JMUrjxh数据分析与实践——Pandas初体验
m0_73075090的博客
03-24 283
Pandas初体验（头歌平台）
数据采集与清洗基础习题（四）Pandas初体验，头歌参考答案
qq_48774513的博客
10-26 1万+
数据采集习题参考答案，会持续更新，点个关注防丢失。 创作不易，一键三连给博主一个支持呗。 为了方便查找，已按照头歌重新排版，朋友们按照头歌所属门类查找实训哦，该篇为Pandas。 文章目录 实训一：Pandas初体验 第一关：了解数据处理对象--Series 编程要求 Pandas中的数据结构 第一关答案 第二关：了解数据处理对象-DataFrame 编程要求 相关知识 第二关答案 第三关：读取CSV格式数据 编程要求 相关知识 第三关答案 第四关：数据的基本操作——排序
python数据分析库pandas
weixin_34112208的博客
12-25 76
python数据分析库pandas 在我看来，对于Numpy以及Matplotlib，Pandas可以帮助创建一个非常牢固的用于数据挖掘与分析的基础。而Scipy（会在接下来的帖子中提及）当然是另一个主要的也十分出色的科学计算库，但是我认为前三者才是真正的Python科学计算的支柱。 所以，不需要太多精力，让我们马上开始Python科学计算系...
【Python】—— Pandas 初体验（一）
ZShiJ的博客
12-19 1088
pandas 是基于NumPy 的一种工具，该工具是为解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。
Python科学计算之Pandas
ShuYunBIGDATA的博客
04-12 254
在我看来，对于Numpy以及Matplotlib，Pandas可以帮助创建一个非常牢固的用于数据挖掘与分析的基础。而Scipy（会在接下来的帖子中提及）当然是另一个主要的也十分出色的科学计算库，但是我认为前三者才是真正的Python科学计算的支柱。 所以，不需要太多精力，让我们马上开始Python科学计算系列的第三帖——Pandas。如果你还没有查看其他帖子，不要忘了去看一下哦！ 导入Pand...
Python使用Pandas对csv文件进行数据处理的方法
09-18
主要介绍了Python使用Pandas对csv文件进行数据处理的方法，本文通过实例代码相结合给大家介绍的非常详细，具有一定的参考借鉴价值,需要的朋友可以参考下
pandas处理csv文件的方法步骤
12-16
在处理数据之前，通常需要确保所有数据都是字符串格式，以便于后续的拼接操作。可以使用 `applymap()` 函数将所有列转换为字符串： ```python data = data.applymap(str) ``` 如果日期列是整数类型，我们需要将其...
数据处理pandas读取csv文件
04-22
pandas
使用Python(pandas库)处理csv数据
12-22
在处理数据时，有时我们需要筛选出特定行或列。在例子中，`time`变量读取了CSV文件中第六列的第一行，而`rss`变量读取了第四列的所有数据，但忽略了第一行。 然后，使用numpy的`reshape()`函数将一维数组转换为二维...
pandas——很全的groupby、agg，对表格数据分组与统计
热门推荐
元气满满晨
12-26 4万+
groupby功能：以一种自然的方式对数据集切片、切块、摘要等操作。 根据一个或多个键（可以是函数、数组、DataFrame列名）拆分pandas对象。 计算分组摘要统计，如，计数、平均值、标准差、或用户自定义函数。对DataFrame的列应用各种各样的函数。 应用组内转换或其他运算，如规格化、线性回归、排名或选取子集等。 计算透视表或交叉表。 执行分位数分析以及其他分组分析。 groupby默认...
pandas.concat实现竖着拼接、横着拼接DataFrame
元气满满晨
08-16 3万+
1、concat竖着拼接（默认的竖着，axis=0） 直接看例子： import pandas as pd df1=pd.DataFrame([10,12,13]) df2=pd.DataFrame([22,33,44,55]) df3=pd.DataFrame([90,94]) df1 0 0 ...
python3 中文乱码 UnicodeEncodeError: ‘latin-1‘ codec can‘t encode characters
元气满满晨
07-11 2万+
报错 #!/usr/bin/python3 # -*- coding: utf-8 -*- str_1 = '这是中文' # str print(str_1) 报错： UnicodeEncodeError: ‘latin-1’ codec can’t encode characters in position 0-3: ordinal not in range(256) 解决方法 str_2 = str_1.encode(“utf-8”).decode(“latin1”) str_1 = '这是中文'
matplotlib.pyplot绘制图像之同一图中多条曲线对比
元气满满晨
11-07 2万+
绘制sinx和cosx # -*- coding:utf-8 -*- import numpy as np import matplotlib.pyplot as plt x = np.linspace(0, 2 * (np.pi)) #numpy.linspace(开始，终值(含终值))，个数) y1 = np.sin(x) y2 = np.cos(x) #画图 plt.title('C...
pandas处理csv数据
05-18
pandas是一个强大的数据处理库，可以用来读取、处理和分析各种格式的数据，包括csv文件。下面是一个处理csv数据的示例： 1. 读取csv文件 使用pandas中的read_csv函数可以轻松地读取csv文件，例如： ``` import ...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值