Python爬虫数据分析三剑客:Numpy、pandas、Matplotlib

一 Numpy

二 pandas

pandas简介

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主要包括的是:
  • 带有标签的数据结构,主要包括序列(Series)和数据框(DataFrame)等
  • 允许简单索引和多级索引
  • 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。
  • 整合了对数据集的集合和转换功能
  • 生成特定类型的数据
pandas的导入:
import pandas as pd
from pandas import Series,DataFrame
import numpy as np
pandas中的Series

Series是一种类似与一维数组的对象,由下面两个部分组成:

  • values:一组数据(ndarray类型)

  • index:相关的数据索引标签

1)Series的创建

两种创建方式:

(1) 由列表或numpy数组创建

​ 默认索引为0到N-1的整数型索引

  • 还可以通过设置index参数指定索引
#使用列表创建   Series是序列
Series(data=[1,2,3,4,5,6])

#结果
0    1
1    2
2    3
3    4
4    5
5    6
dtype: int64
#通过numpy创建Series
Series(data=np.random.randint(1,40,size=(5,)),index=['a','d','f','g','t'],name='bobo')

(2) 由字典创建:不能在使用index.但是依然存在默认索引

​ 注意:数据源必须为一维数据

dic = {
    '语文':150,
    '数学':150,
    '英语':150,
    '理综':150
}
s = Series(data=dic)

#查看时

s

2)Series的索引和切片

可以使用中括号取单个索引(此时返回的是元素类型),或者中括号里一个列表取多个索引(此时返回的是一个Series类型)。

(1) 显式索引:

- 使用index中的元素作为索引值
- 使用s.loc[](推荐):注意,loc中括号中放置的一定是显示索引

注意,此时是闭区间

(2) 隐式索引:

- 使用整数作为索引值
- 使用.iloc[](推荐):iloc中的中括号中必须放置隐式索引

注意,此时是半开区间

列如:

切片:隐式索引切片和显示索引切片
  • 显示索引切片:index和loc
  • 隐式索引切片:整数索引值和iloc

3)Series的基本概念

可以把Series看成一个定长的有序字典

向Series增加一行:相当于给字典增加一组键值对

可以通过shape,size,index,values等得到series的属性

可以使用s.head(),tail()分别查看前n个和后n个值

对Series元素进行去重(使用unique)

两个Series进行相加

  • 当索引没有对应的值时,可能出现缺失数据显示NaN(not a number)的情况
  • 使得两个Series进行相加:索引与之对应的元素会进行算数运算,不对应的就补空

可以使用pd.isnull(),pd.notnull(),或s.isnull(),notnull()函数检测缺失数据

4)Series的运算

(1) + - * /

(2) add() sub() mul() div() : s1.add(s2,fill_value=0)

(3) Series之间的运算

  • 在运算中自动对齐不同索引的数据
  • 如果索引不对应,则补NaN
pandas中的DataFrame

DataFrame是一个【表格型】的数据结构。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引,也有列索引。

  • 行索引:index
  • 列索引:columns
  • 值:values

1)DataFrame的创建

最常用的方法是传递一个字典来创建。DataFrame以字典的键作为每一【列】的名称,以字典的值(一个数组)作为每一列。

此外,DataFrame会自动加上每一行的索引。

使用字典创建的DataFrame后,则columns参数将不可被使用。

同Series一样,若传入的列与字典的键不匹配,则相应的值为NaN。

DataFrame的创建方式:
  • 使用ndarray创建DataFrame

  • 使用ndarray创建DataFrame:创建一个表格用于展示张三,李四,语文,数学,英语的成绩

    dic = {
        '张三':[77,88,99],
        '李四':[67,68,69]
    }
    df = DataFrame(data=dic,index=['语文','数学','英语'])
    df

    DataFrame属性:values、columns、index、shape

2)DataFrame的索引

(1) 对列进行索引
- 通过类似字典的方式  df['q']
- 通过属性的方式     df.q

可以将DataFrame的列获取为一个Series。返回的Series拥有原DataFrame相同的索引,且name属性也已经设置好了,就是相应的列名。

修改索引
#修改列索引
df.columns = ['zhangsan','lisi']
df
(2) 对行进行索引
- 使用.loc[]加index来进行行索引
- 使用.iloc[]加整数来进行行索引

同样返回一个Series,index为原来的columns。

(3) 对元素索引的方法
- 使用列索引
- 使用行索引(iloc[3,1] or loc['C','q']) 行索引在前,列索引在后

切片:

【注意】 直接用中括号时:

  • 索引表示的是列索引
  • 切片表示的是行切片

3)DataFrame的运算

(1) DataFrame之间的运算

同Series一样:

  • 在运算中自动对齐不同索引的数据
  • 如果索引不对应,则补NaN

处理丢失数据

有两种丢失数据:

  • None
  • np.nan(NaN)
1. None

None是Python自带的,其类型为python object。因此,None不能参与到任何计算中。

2. np.nan(NaN)

np.nan是浮点类型,能参与到计算中。但计算的结果总是NaN。

3. pandas中的None与NaN
1) pandas中None与np.nan都视作np.nan
#创建DataFrame
df = DataFrame(data=np.random.randint(10,50,size=(8,8)))
df
df.iloc[1,3]=None
df.iloc[2,2]=None
df.iloc[4,2]=None
df.iloc[6,7]=np.nan

2) pandas处理空值操作

  • isnull()

  • notnull()
  • dropna(): 过滤丢失数据

  • fillna(): 填充丢失数据

#一行中要是都有值  也就是 不是空的为True  
#一行 中只要有一个为none 为空则为False
df.notnull().all(axis=1) #1代表行    notnull(all)  isnull(any)


df.loc[df.notnull().all(axis=1)]   #去掉行有值为空的行

df.dropna() 可以选择过滤的是行还是列(默认为行):axis中0表示行,1表示的列

df.dropna(axis=0)  #删除一行中有空值的行
3) 填充函数 Series/DataFrame
  • fillna():value和method参数

    可以选择前向填充还是后向填充

    df.fillna(method='ffill',axis=1) #向前填充 就是根据前条数据来填充空数据

    method 控制填充的方式 bfill(向后填充) ffill(向前填充)

1. 创建多层列索引

1) 隐式构造

最常见的方法是给DataFrame构造函数的index或者columns参数传递两个或更多的数组

2) 显示构造pd.MultiIndex.from_
  • 使用数组
  • 使用product
import numpy as np
import pandas as pd
from pandas import Series,DataFrame

col=pd.MultiIndex.from_product([['qizhong','qimo'],
                                ['chinese','math']])

#创建DF对象
df = DataFrame(data=np.random.randint(60,120,size=(2,4)),index=['tom','jay'],
         columns=col)
df

二 pandas的拼接操作

pandas的拼接分为两种:

  • 级联:pd.concat, pd.append
  • 合并:pd.merge, pd.join
1. 使用pd.concat()级联
pandas使用pd.concat函数,与np.concatenate函数类似,只是多了一些参数:

objs
axis=0
keys
join='outer' / 'inner':表示的是级联的方式,outer会将所有的项进行级联(忽略匹配和不匹配),而inner只会将匹配的项级联到一起,不匹配的不级联
ignore_index=False
1)匹配级联
df1 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','b','c'],columns=['A','B','C'])
df2 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','d','c'],columns=['A','d','C'])
pd.concat((df1,df1),axis=0,join='inner')
2) 不匹配级联

不匹配指的是级联的维度的索引不一致。例如纵向级联时列索引不一致,横向级联时行索引不一致

有2种连接方式:

  • 外连接:补NaN(默认模式)

  • 内连接:只连接匹配的项

3) 使用df.append()函数添加

由于在后面级联的使用非常普遍,因此有一个函数append专门用于在后面添加

2. 使用pd.merge()合并

merge与concat的区别在于,merge需要依据某一共同的列来进行合并

使用pd.merge()合并时,会自动根据两者相同column名称的那一列,作为key来进行合并。

注意每一列元素的顺序不要求一致

参数:

  • how:out取并集 inner取交集

  • on:当有多列相同的时候,可以使用on来指定使用那一列进行合并,on的值为一个列表

1) 一对一合并

将df1与df2合并

df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
                'group':['Accounting','Engineering','Engineering'],
                })
df1


df2 = DataFrame({'employee':['Lisa','Bob','Jake'],
                'hire_date':[2004,2008,2012],
                })
df2


pd.merge(df1,df2,how='outer')
2) 多对一合并
df3 = DataFrame({
    'employee':['Lisa','Jake'],
    'group':['Accounting','Engineering'],
    'hire_date':[2004,2016]})
df3


df4 = DataFrame({'group':['Accounting','Engineering','Engineering'],
                       'supervisor':['Carly','Guido','Steve']
                })
df4


pd.merge(df3,df4,how='outer')
3)多对多合并
df5 = DataFrame({'employee':['Bob','Jake','Lisa'],
                 'group':['Accounting','Engineering','Engineering']})
df5

df6 = DataFrame({'group':['Engineering','Engineering','HR'],
                'supervisor':['Carly','Guido','Steve']
                })
df6
pd.merge(df5,df6,how='outer')

4) key的规范化

  • 当列冲突时,即有多个列名称相同时,需要使用on=来指定哪一个列作为key,配合suffixes指定冲突列名
  • 当两张表没有可进行连接的列时,可使用left_on和right_on手动指定merge中左右两边的哪一列列作为连接的列
df1 = DataFrame({'employee':['Jack',"Summer","Steve"],
                 'group':['Accounting','Finance','Marketing']})

df2 = DataFrame({'employee':['Jack','Bob',"Jake"],
                 'hire_date':[2003,2009,2012],
                'group':['Accounting','sell','ceo']})
5) 内合并与外合并:out取并集 inner取交集
  • 内合并:只保留两者都有的key(默认模式)

  • 外合并 how='outer':补NaN

三 Matplotlib

Matplotlib是一个主要用于绘制二维图形的Python库

-能够绘制出高质量的图形,并且图形里面的镶嵌的文本必需足够美观

-能够和Tex文档一起输出

-能够嵌入到GUI(图形用户界面)应用程序中

Matplotlib中的基本图表包括的元素

  • x轴和y轴 axis
    水平和垂直的轴线

  • x轴和y轴刻度 tick
    刻度标示坐标轴的分隔,包括最小刻度和最大刻度

  • x轴和y轴刻度标签 tick label
    表示特定坐标轴的值

  • 绘图区域(坐标系) axes
    实际绘图的区域

  • 坐标系标题 title
    实际绘图的区域

  • 轴标签 xlabel ylabel
    实际绘图的区域

matplotlib的导入:
import matplotlib.pyplot as plt
包含单条曲线的图
  • 注意:y,x轴的值必须为数字

简单的列子:

x=[1,2,3,4,5]
y=[2,4,6,8,10]
plt.plot(x,y)

  • 绘制抛物线

    x = np.linspace(-np.pi,np.pi,num=20)
    y = x**2
    plt.plot(x,y)
  • 绘制正弦曲线图

    x
    y = np.sin(x)
    plt.plot(x,y)
包含多个曲线的图

1、连续调用多次plot函数

plt.plot(x,y)
plt.plot(x+2,y+3)

2、也可以在一个plot函数中传入多对X,Y值,在一个图中绘制多个曲线

plt.plot(x,y,x+1,y-2)

将多个曲线图绘制在一个table区域中:对象形式创建表图

  • a=plt.subplot(row,col,loc) 创建曲线图
  • a.plot(x,y) 绘制曲线图
ax1 = plt.subplot(221)
ax1.plot(x,y)

ax2 = plt.subplot(2,2,2)
ax2.plot(x,y)

ax3 = plt.subplot(2,2,3)
ax3.plot(x,y)

ax4 = plt.subplot(2,2,4)
ax4.plot(x,y)

网格线 plt.gride(XXX)

参数:

- axis
- color:支持十六进制颜色
- linestyle: --  -.  :
- alpha
plt.plot(x,y)
plt.grid(axis='both',c='blue')

绘制一个正弦曲线图,并设置网格

plt.plot(x,y,c='red',alpha=0.7)

坐标轴界限

axis方法:设置x,y轴刻度值的范围

plt.axis([xmin,xmax,ymin,ymax])

plt.plot(x,y)
plt.axis([-6,6,-2,2])
#plt.axis('off')
plt.axis('off')
关闭坐标轴

转载于:https://www.cnblogs.com/mlhz/p/10492586.html

发布了0 篇原创文章 · 获赞 6 · 访问量 7万+
展开阅读全文
评论将由博主筛选后显示,对所有人可见 | 还能输入1000个字符

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览