编辑推荐:
本文来自于cnblogs,文章介绍了Numpy,Scipy,pandas的区别,Pandas的数据读取以及数据写出的相关内容,希望对您能有所帮助。
很多人都分不清Numpy,Scipy,pandas三个库的区别。
在这里简单分别一下:
NumPy:数学计算库,以矩阵为基础的数学计算模块,包括基本的四则运行,方程式以及其他方面的计算什么的,纯数学;
SciPy :科学计算库,有一些高阶抽象和物理模型,在NumPy基础上,封装了一层,没有那么纯数学,提供方法直接计算结果;
比如:
做个傅立叶变换,这是纯数学的,用Numpy;
做个滤波器,这属于信号处理模型了,用Scipy。
Pandas:提供名为DataFrame的数据结构,比较契合统计分析中的表结构,做数据分析用的,主要是做表格数据呈现。
目前来说,随着Pandas更新,Numpy大部分功能已经直接和Pandas融合了。
但如果你不是纯数学专业,而且想做数据分析的话,尝试着从 Pandas 入手比较好。
接下来讲Pandas。
1数据结构
Series:一维数组,与Numpy中的一维array类似。
Time- Series:以时间为索引的Series。
DataFrame:二维的表格型数据结构。可以将DataFrame理解为Series的容器。
Panel :三维的数组,可以理解为DataFrame的容器。
# 导入别名
import pandas as pd
pd.Series([1,2,3,4])
2数据读取
2.1 csv文件读取
read_csv(filepath_or_buffer,
sep=',', delimiter=None, header='infer', names=None,
index_col=None, usecols=None, squeeze=False, prefix=None,
mangle_dupe_cols=True, dtype=None, engine=None,
converters=None, true_values=None, false_values=None,
skipinitialspace=False, skiprows=None, nrows=None,
na_values=None, keep_default_na=True, na_filter=True,
verbose=False, skip_blank_lines=True, parse_dates=False,
infer_datetime_format=False, keep_date_col=False,
date_parser=None, dayfirst=False, iterator=False,
chunksize=None, compression='infer', thousands=None,
decimal=b'.', lineterminator=None, quotechar='"',
quoting=0, escapechar=None, comment=None, encoding=None,
dialect=None, tupleize_cols=False, error_bad_lines=True,
warn_bad_lines=True, skipfooter=0, skip_footer=0,
doublequote=True, delim_whitespace=False, as_recarray=False,
compact_ints=False, use_unsigned=False, low_memory=True,
buffer_lines=None, memory_map=False, float_precision=None)
filepath_or_buffer:文件路径,建议使用相对路径
header: 默认自动识别首行为列名(特征名),在数据没有列名的情况下 header = none,
还可以设置为其他行,例如 header = 5 表示索引位置为5的行作为起始列名
sep: 表示csv文件的分隔符,默认为','
names: 表示设置的字段名,默认为'infer'
index_col:表示作为索引的列,默认为0-行数的等差数列。
engine:表示解析引擎,可以为'c'或者'python'
encoding:表示文件的编码,默认为'utf-8'。
nrows:表示读取的行数,默认为全部读取
# 读取csv,参数可删
data = pd.read_csv('./data/test.csv',sep = ',',header
= 'infer',names = range(5,18),index_col = [0,2],engine
= 'python',encoding = 'gbk',nrows = 100)
# 读取csv,参数可删
data = pd.read_table('./data/test.csv',sep = ',',header
= 'infer',names = range(5,18),index_col = [0,2],engine
= 'python',encoding = 'gbk',nrows = 100)
2.2Excel 数据读取
read_excel(io,
sheetname=0, header=0, skiprows=None, skip_footer=0,
index_col=None, names=None, parse_cols=None, parse_dates=False,
date_parser=None, na_values=None, thousands=None,
convert_float=True, has_index_names=None, converters=None,
dtype=None, true_values=None, false_values=None,
engine=None, squeeze=False, **kwds)
io:文件路径+全称,无默认
sheetname:工作簿的名字,默认为0
header: 默认自动识别首行为列名(特征名),在数据没有列名的情况下 header = none,
还可以设置为其他行,例如 header = 5 表示索引位置为5的行作为起始列名
names: 表示设置的字段名,默认为'infer'
index_col:表示作为索引的列,默认为0-行数的等差数列
engine:表示解析引擎,可以为'c'或者'python'
data = pd.read_excel('./data/test.xls',sheetname='原始数据',header
= 0,index_col = [5,6])
2.3数据库数据读取
read_sql_query(sql,
con, index_col=None, coerce_float=True, params=None,
parse_dates=None, chunksize=None)
sql:表示抽取数据的SQL语句,例如'select * from 表名'
con:表示数据库连接的名称
index_col:表示作为索引的列,默认为0-行数的等差数列
read_sql_table(table_name,
con, schema=None, index_col=None, coerce_float=True,
parse_dates=None, columns=None, chunksize=None)
table_name:表示抽取数据的表名
con:表示数据库连接的名称
index_col:表示作为索引的列,默认为0-行数的等差数列
columns:数据库数据读取后的列名。
read_sql(sql,
con, index_col=None, coerce_float=True, params=None,
parse_dates=None, columns=None, chunksize=None)
sql:表示抽取数据的表名或者抽取数据的SQL语句,例如'select * from 表名'
con:表示数据库连接的名称
index_col:表示作为索引的列,默认为0-行数的等差数列
columns:数据库数据读取后的列名。
建议:用前两个
# 读取数据库
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:root@127.0.0.1/test?charset=utf8',
encoding='utf-8', echo=True)
# data1 = pd.read_sql_query('select * from data',
con=conn)
# print(data1.head())
data2 = pd.read_sql_table('data', con=conn)
print(data2.tail())
print(data2['X'][1])
数据库连接字符串各参数说明
'mysql+pymysql://root:root@127.0.0.1/test?charset=utf8'
连接器://用户名:密码@数据库所在IP/访问的数据库名称?字符集
3数据写出
3.1将数据写出为csv
DataFrame.to_csv(path_or_buf=None,
sep=',', na_rep='', float_format=None, columns=None,
header=True, index=True, index_label=None, mode='w',
encoding=None, compression=None, quoting=None,
quotechar='"', line_terminator='\n', chunksize=None,
tupleize_cols=False, date_format=None, doublequote=True,
escapechar=None, decimal='.')
path_or_buf:数据存储路径,含文件全名例如'./data.csv'
sep:表示数据存储时使用的分隔符
header:是否导出列名,True导出,False不导出
index: 是否导出索引,True导出,False不导出
mode:数据导出模式,'w'为写
encoding:数据导出的编码
import pandas
as pd
data.to_csv('data.csv',index = False)
3.2将数据写出为excel
DataFrame.to_excel(excel_writer,
sheet_name='Sheet1', na_rep='', float_format=None,
columns=None, header=True, index=True, index_label=None,
startrow=0, startcol=0, engine=None, merge_cells=True,
encoding=None, inf_rep='inf', verbose=True, freeze_panes=None)
excel_writer:数据存储路径,含文件全名例如'./data.xlsx'
sheet_name:表示数据存储的工作簿名称
header:是否导出列名,True导出,False不导出
index: 是否导出索引,True导出,False不导出
encoding:数据导出的编码
data.to_excel('data.xlsx',index=False)
3.3将数据写入数据库
DataFrame.to_sql(name,
con, flavor=None, schema=None, if_exists='fail',
index=True, index_label=None, chunksize=None,
dtype=None)
name:数据存储表名
con:表示数据连接
if_exists:判断是否已经存在该表,'fail'表示存在就报错;'replace'表示存在就覆盖;'append'表示在尾部追加
index: 是否导出索引,True导出,False不导出
from sqlalchemy
import create_engine
conn =create_engine('mysql+pymysql: //root:root@127.0.0.1/data?charset=utf8',
encoding='utf-8', echo=True)
data.to_sql('data',con = conn)
4数据处理
4.1数据查看
# 查看前5行,5为数目,不是索引,默认为5
data.head()
# 查看最后6行,6为数目,不是索引,默认为5
data.tail(6)
# 查看数据的形状
data.shape
# 查看数据的列数,0为行1位列
data.shape[1]
# 查看所有的列名
data.columns
# 查看索引
data.index
# 查看每一列数据的类型
data.dtypes
# 查看数据的维度
data.ndim
## 查看数据基本情况
data.describe()
'''
count:非空值的数目
mean:数值型数据的均值
std:数值型数据的标准差
min:数值型数据的最小值
25%:数值型数据的下四分位数
50%:数值型数据的中位数
75%:数值型数据的上四分位数
max:数值型数据的最大值
'''
4.2数据索引
# 取出单独某一列
X = data['X']
# 取出多列
XY = data[['X','Y']]
# 取出某列的某一行
data['X'][1]
# 取出某列的某几行
data['X'][:10]
# 取出某几列的某几行
data[['X','Y']][:10]
# loc方法索引
'''
DataFrame.loc[行名,列名]
'''
# 取出某几列的某一行
data.loc[1,['X','月份']]
# 取出某几列的某几行(连续)
data.loc[1:5,['X','月份']]
# 取出某几列的某几行(连续)
data.loc[[1,3,5],['X','月份']]
# 取出 x ,FFMC ,DC的0-20行所有索引名称为偶数的数据
data.loc[range(0,21,2),['X','FFMC','DC']]
# iloc方法索引
'''
DataFrame.iloc[行位置,列位置]
'''
# 取出某几列的某一行
data.iloc[1,[1,4]]
# 取出列位置为偶数,行位置为0-20的偶数的数据
data.iloc[0:21:2,0:data.shape[1]:2]
# ix方法索引
'''
DataFrame.ix[行位置/行名,列位置/列名]
'''
## 取出某几列的某一行
data.ix[1:4,[1,4]]
data.ix[1:4,1:4]
loc,iloc,ix的区别
loc使用名称索引,闭区间
iloc使用位置索引,前闭后开区间
ix使用名称或位置索引,且优先识别名称,其区间根据名称/位置来改变
综合上述所言,不建议使用ix,容易发生混淆的情况,并且运行效率低于loc和iloc,pandas考虑在后期会移除这一索引方法
4.3数据修改
# 修改列名
list1 = list(data.columns)
list1[0] = '第一列'
data.columns = list1
data['新增列'] = True
data.loc['新增一行',:] = True
data.drop('新增列',axis=1,inplace=True)
data.drop('新增一行',axis=0,inplace=True)
import pandas
as pd
data = pd.read_excel('./data/test.xls')
# 时间类型数据转换
data['发生时间'] = pd.to_datetime(data['发生时间'],format='%Y%m%d%H%M%S')
# 提取day
data.loc[1,'发生时间'].day
# 提取日期信息新建一列
data['日期'] = [i.day for i in data['发生时间']]
year_data = [i.is_leap_year for i in data['发生时间']]
4.4分组聚合
4.4.1分组
# 分组
group1 = data.groupby('性别')
group2 = data.groupby(['入职时间','性别'])
# 查看有多少组
group1.size()
笔记:
用groupby方法分组后的结果并不能直接查看,而是被存在内存中,输出的是内存地址。实际上分组后的数据对
象GroupBy类似Series与DataFrame,是pandas提供的一种对象。
4.4.2Groupby对象常见方法
4.4.3Grouped对象的agg方法
Grouped.agg(函数或包含了字段名和函数的字典)
# 第一种情况
group[['年龄','工资']].agg(min)
# 对不同的列进行不同的聚合操作
group.agg({'年龄':max,'工资':sum})
# 上述过程中使用的函数均为系统math库所带的函数,若需要使用pandas的函数则需要做如下操作
group.agg({'年龄':lambda x:x.max(),'工资':lambda
x:x.sum()})
4.4.4Grouped对象的apply聚合方法
Grouped.apply(函数操作)
只能对所有列执行同一种操作
group.apply(lambda
x:x.max())
4.4.5Grouped对象的transform方法
grouped.transform(函数操作)
transform操作时的对象不再是每一组,而是每一个元素
# 每一空添加字符
group['年龄'].transform(lambda x: x.astype(str)+'岁').head()
# 组内标准化
group1['工资'].transform(lambda x:(x.mean()-x.min())/(x.max()-x.min())).head()