【Pandas】iloc选取数据&数据分箱

• pandas中利用 .iloc 和 .loc 选取数据

Pandas 基本的数据结构是 Series（数组） 和 DataFrame（类似二维数组），Pandas 提供了 Index 对象，每个 Series 都会带有一个对应的Index，用来标记不同的元素，Index 的内容不一定是数字，也可以是字母、中文等，它类似于SQL中的主键

Pandas 读取文件时候，注意文件的存储路径不能带有中文，否则读取可能出错。

.iloc：根据标签的所在位置，从0开始计数，选取列

loc：根据DataFrame的具体标签选取列

import pandas as pd
filename  ='../file/testiloc'
data = pd.read_excel(filename)
 
data_test1 = data.iloc[:,:8]  #选取位置为[0,8)列的整列数据
data_test2 = data.iloc[0:2,8]  #选取位置为8的列的[0,2)行的数据
 
data_test3 = data.loc[0:2,'工龄']  #选取列名为‘工龄’的[0,2]行的数据
# data.iloc[0:2,8]  # ',' 前的部分标明选取的行，‘,’后的部分标明选取的列

# 数据集内容

>>>print(data_test1)
    年龄 工龄 教育 工资 消费 饮食 购物 旅行
0   ...
1
2                 ...
...
n                                  ...

>>>print(data_test2) 
    交通
0   100
1   200

>>>print(data_test3)
   工龄
0  10
1  11
2  15

• drop函数的使用：删除行、删除列

drop函数默认删除行，列需要加axis = 1

print frame.drop(['a'])
print frame.drop(['Ohio'], axis = 1)

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

axis:
axis=0: 删除包含缺失值的行
axis=1: 删除包含缺失值的列
how: 与axis配合使用
how=‘any’ :只要有缺失值出现，就删除该行货列
how=‘all’: 所有的值都缺失，才删除行或列
thresh： axis中至少有thresh个非缺失值，否则删除
比如 axis=0，thresh=10：标识如果该行中非缺失值的数量小于10，将删除改行
subset: list
在哪些列中查看是否有缺失值
inplace: 是否在原数据上操作。如果为真，返回None否则返回新的copy，去掉了缺失值。

• 数据分箱

import numpy as np
import pandas as pd
from pandas import DataFrame # 一般数据就都是二维的，不会是series了

score_list = np.random.randint(25, 100, size=20)
print(score_list)

df1 = DataFrame()
df1['Score'] = score_list
print(df1.head())
"""
   Score
0     45
1     52
2     74
3     70
4     53
"""
# pd.util.testing.rands(3) for i in range(20)可以生成20个随机3位字符串
df1['Student'] = [pd.util.testing.rands(3) for i in range(20)]
print(df1.head())
"""
   Score Student
0     85     Dqh
1     60     AaZ
2     50     O0R
3     71     8lk
4     62     Afd
5     26     Dsh
"""

# 指定一个分箱原则，规定：0-59为不及格，59-70为一般，70-80为良好，80-100位优秀
bins = [0,59,70,80,100]
# 利用pandas中的cut方法，指定分箱规则和对象，结果将获得一个Categories对象
print(pd.cut(df1['Score'],bins).head())

"""
0      (0, 59]
1    (80, 100]
2      (0, 59]
3      (0, 59]
4      (0, 59]
Name: Score, dtype: category
Categories (4, interval[int64]): [(0, 59] < (59, 70] < (70, 80] < (80, 100]]
"""

# 将这个对象作为新的一列加入df1中
df1['Categories'] = pd.cut(df1['Score'],bins)
print(df1.head())
"""
   Score Student Categories
0     83     59q  (80, 100]
1     95     Hau  (80, 100]
2     62     jRj   (59, 70]
3     76     c0r   (70, 80]
4     60     WE4   (59, 70]
"""
# 指定label参数为每个区间赋一个标签
df1['Categories'] = pd.cut(df1['Score'],bins,labels=['low','ok','good','great'])
print(df1.head())
"""
   Score Student Categories
0     30     xPe        low
1     82     FpO      great
2     94     NiV      great
3     25     RMP        low
4     47     R8F        low
"""

• pandas.astype('category')

# 先创建一个简单的 DataFrame 实例
# 用一组数据记录各自的得分情况
import pandas as pd, numpy as np
players = ['Garsol','Hardon','Bill','Duran','James','Barter']
scores = [22,34,12,31,26,19]
teams = ['West','West','East','West','East','East']
df = pd.DataFrame({'player':players,'score':scores,'team':teams})
"""
print(df)
   player  score  team
0  Garsol     22  West
1  Hardon     34  West
2    Bill     12  East
3   Duran     31  West
4   James     26  East
5  Barter     19  East

"""
# 可以看出 team 这一列，其实只有两种值：East 和 West，可以将 team 列的类型设定为 category
# 静态
df.team.astype('category')
# print(df.team.astype('category'))
"""
0    West
1    West
2    East
3    West
4    East
5    East
Name: team, dtype: category
Categories (2, object): [East, West]
# df.team 的变量类型变成了category
"""
df['which_team'] = df.team.astype('category')
print(df.which_team.values.value_counts()) # Here
# 动态
# print(pd.Series(scores))
# """
# 0    22
# 1    34
# 2    12
# 3    31
# 4    26
# 5    19
# """
"""
East    3
West    3
dtype: int64
"""
d = pd.Series(scores).describe()
score_ranges = [d['min']-1,d['mean'],d['max']+1]
# print(score_ranges) # [11.0, 24.0, 35.0]
score_labels = ['Role','Star']
# 用pd.cut(ori_data, bins, labels) 方法
# 以bins设定的画界点来将 ori_data 归类，然后用labels中对应的label来作为分类名
# 将高于平均分的划为 Star，低于平均分的划为 Role。
df['level'] = pd.cut(df['score'],score_ranges,labels=score_labels)
print('df :')
print(df)
"""
   player  score  team level
0  Garsol     22  West  Role
1  Hardon     34  West  Star
2    Bill     12  East  Role
3   Duran     31  West  Star
4   James     26  East  Star
5  Barter     19  East  Role
"""
print('\n对比一下 Category 类型的数据和普通的 DataFrame中的列有什么区别')
print('\ndf[\'team\'] 是普通的 DataFrame列')
print(df['team'])
"""
df['team'] 是普通的 DataFrame列
0    West
1    West
2    East
3    West
4    East
5    East
Name: team, dtype: object
"""
print('\ndf[\'level\'] 是 Category 类型的')
print(df['level'])
"""
df['level'] 是 Category 类型的
0    Role
1    Star
2    Role
3    Star
4    Star
5    Role
Name: level, dtype: category
Categories (2, object): [Role < Star]
"""
print('\n可以看出 df[\'level\']有点像是集合，输出信息会去重后列出组成元素')
print(df['level'].get_values())
# ['Role' 'Star' 'Role' 'Star' 'Star' 'Role']