python数据分析工具_python数据分析工具 | pandas

pandas是python下强大的数据分析和探索工具，是的python在处理数据时非常快速、简单。它是构建在numpy之上的，包含丰富的数据处理函数，支持时间序列分析功能，支持灵活处理缺失数据。

pandas基础

#安装

pip install pandas

pandas 基本的数据结构是 Series 和 DataFrame 。Series 就是序列，类似一维数组；DataFrame 则是相当于一张二维的表格，类似二维数组，它的每一列都是一个 Series 。每个 Series 都会带有一个对应的 Index ，用来标记不同的元素，Index 的内容可以是字母、数字、中文等。

Series

importnumpy as npimportpandas as pd#创建Series方法

方法1：s1 = pd.Series([1, 2, 3, 4])

方法2：s2= pd.Series(np.arange(10)) #通过numpy.arange创建

方法3：s3 = pd.Series({'1':1, '2':2, '3':3}) #通过字典创建

方法4：s4 = pd.Series([1, 2, 3, 4], index=['A', 'B', 'C', 'D']) #创建时设置索引

s1.values#查看值

s1.index #查看索引

DataFrame

from pandas importSeries, DataFrame

s1= s2 = s3 = Series([1, 2, 3])

df= DataFrame([s1, s2, s3], index=['A','B','C'], columns=[0, 1, 2])print(df) #DataFrame 包含 index 和 column，分别为行索引和列索引

out:

01 2A1 2 3B1 2 3C1 2 3df.index#查看行索引

df.column #查看列索引

pandas实用操作

I/O操作（df1表示DataFrame格式数据）.

1、从粘贴板读取

df1.to_clipboard()#写入粘贴板

pd.read_clipboard() #复制后执行命令，即可读取到粘贴板中信息

2、CSV文件

df1.to_csv('名字.csv',index=False) #false则表示不添加索引号

pd.read_csv('df1.csv') #读取CSV文件

3、json

df1.to_json()#转化成json文件

pd.read_json(df1.to_json()) #读取json文件

4、html

df1.to_html('df1_html') #转换成HTML文件

5、excel

df1.to_excel('df1.xlsx') #生成Excel文件

查看数据（df1表示DataFrame格式数据）

df1.head() #返回前五行

df1.tail() #返回后五行#返回更多的内容则在括号中写出来，不写则默认为五行

df1.iloc[:,:]#索引切片，定位，基于index，与索引名无关

df1.loc[:,:] #根据索引名来，label来过滤

#取列（column）

df1[] #直接写column名便取得对应列，若要取多列，中括号内可以写个列表，eg：['A', 'B']

df1.T#转置

df1.describe() #快速查看数据的统计概要，包括count、mean、std、min等

#排序

df1.sort_index(axis=1, ascending=False) #按轴排序，axis表示轴(0为列，1为行)，ascending表示正反序

df1.sort_values(by='') #by后写column，表示按该column值排序

数据运算

在 pandas 中运算会自动对齐 index 和 column 。下面举例说明。

在 Series 中，两个Series相加，会自动对齐索引，当索引没有时，则为NaN，NaN与任何数相加都为NaN，因此会出现图中【5】的结果，fill_value是将两个Series中的缺失项先填充，再进行相加运算。DataFrame数据同理，下面不加以赘述。

缺失值

缺失值可以用 numpy.nan 来表示，NaN 具有传染性，换句话说就是与 NaN 进行运算的结果都是 NaN 。对于含有 NaN 的普通函数计算结果均为 NaN，例如：

a = numpy.array([2, 3, 1, numpy.nan, 4])

numpy.sum(a)\numpy.min(a)\numpy.max(a)等均为NaN#但是其有安全模式，也就是忽略其中的 NaN 进行运算

numpy.nansum(a)\numpy.nanmin(a)\numpy.nanmax(a) 均会在已有数据中求相应的和，最大最小值

缺失值的发现

data.isnull()

data.notnull()#均返回布尔值

缺失值的去除

data.dropna(axis=0,how='any'，thresh=None)#axis表示行和列0,1来表示#how为any时表示有Nan就删掉，为all时表示全为nan时才删掉#thresh表示一个界限，超过这个数字的nan则被删掉

缺失值的填充

data.fillna(axis=0, method=ffill) #或者参数只填一个数，即用该数字填充

axis 坐标轴，行或列

method 填充方式

ffill：forward-fill 从前向后填充

bfill：backward-fill 从后向前填充

合并（merge）

结合（concat）

pandas.concat(df1, df2, df3)

连接（join）

left= pd.DataFrame({'key': ['foo', 'foo'], 'lval':[1, 2]})

right= pd.DataFrame({'key': ['foo', 'foo'], 'rval':[1, 2]})

pd.merge(left, right, on="key")

out:

key lval rval

0 foo1 4

1 foo 1 5

2 foo 2 4

3 foo 2 5追加（append）

data1.append(data2, ignore_index=True)

数据透视表（Pivot Tables）

当分析庞大的数据时，为了更好的发掘数据特征之间的关系，且不破坏原数据，就可以利用透视表 `pivot_table` 进行操作。

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)})

pd.pivot_table(df, index=['A', 'B'])1、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'])2、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])3、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)4、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)