Pandas库专为数据分析而设计,它是使Python成为强大而高效的数据分析环境的重要因素。
首先先导入pandas库,我用它一般处理CSV文件并导出CSV文件。
一、Pandas数据结构
Pandas 是一个 Python 数据分析库,它提供了快速、灵活和表达力强的数据结构,旨在使“关系”或“标签”数据的操作既简单又直观。Pandas 中的两种主要数据结构是 Series (一维) 和 DataFrame (二维)。
- Series:
- Series 是一个一维的标签数组,能够保存任何数据类型(整数、字符串、浮点数、Python 对象等)。
- Series 可以看作是一个定长的、有序的字典,因为它是索引到数据值的映射。
- DataFrame:
- DataFrame 是一个二维的标签数据结构,可以看作是一个Series的容器。
- DataFrame 有行索引和列索引,可以被看作是一个有序的字典,存储了列数据。
- DataFrame 的基本操作类似 SQL 表,或在电子表格中,可以对其进行行和列的添加和删除。
- DataFrame 可以从多种数据源加载,例如 CSV 文件、Excel 文件、SQL 数据库以及 HDF5 格式文件。
除了这两种主要的结构,Pandas 还提供了 Panel,这是一个三维数据结构,可以看作是DataFrame的容器,但由于Panel的使用较少,在Pandas 0.20.0 版本后已被弃用,并且从Pandas 1.0.0 版本开始被移除。
DataFrame 和 Series 的索引是使 Pandas 强大的关键特性之一,它们允许进行快速的数据检索和数据对齐。此外,Pandas 提供了丰富的功能和方法,包括数据的索引、选择、过滤、分组、组合、转换和可视化等,这些功能使得 Pandas 成为了数据分析工作的强大工具。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
2、S1=pd.Series([‘a’,’b’,’c’]) series是一组数据与一组索引(行索引)组成的数据结构
3、S1=pd.Series([‘a’,’b’,’c’],index=(1,3,4)) 指定索引
4、S1=pd.Series({1:‘a’,2:’b’,3:’c’}) 用字典形式指定索引
5、S1.index() 返回索引
6、S1.values() 返回值
7、Df=pd.DataFrame([‘a’,’b’,’c’]) dataframe是一组数据与两组索引(行列索引)组成的数据结构
8、Df=pd.DataFrame([[a,A],[b,B],[c,C]],columns=[‘小写’,’大写’],index=[‘一’,’二’,’三’])
Columms 为列索引,index为行索引
9、pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspider 清华镜像
10、data={‘小写’:[‘a’,’b’,’c’],’大写’:[‘A’,’B’,’C’]} 传入字典
Df=Pd.DataFrame(data)
11、Df.index() df.columns()
二、读取数据
12、df=pd.read_excel(r’C:\user…xlsx’,sheet_name=’sheet1’) 或
Pd.read_excel(r’C:\user…xlsx’,sheet_name=0) 读取excel表
13、Pd.read_excel(r’C:\user…xlsx’,index_col=0,header=0)
index_col指定行索引,header指定列索引
14、pd.read_excel(r’C:\user…xlsx’,usecols=[0,1]) 导入指定列,不能有index_col和header
15、pd.read_tablel(r’C:\user…txt’,sep=’ ’) 导入txt文件,sep指定分隔符是什么
16、df.head(2) 展示前两行,默认展示前5行
17、df.shape 显示数据几行几列,不包含行和列索引
18、http://df.info() 可查看表中数据的类型
19、df.describe() 可获得表中数值类型指端的分布值(和、平均值、方差等)
三、数据预处理
20、http://df.info() 可显示表中哪个数据为空
21、df.isnull() 方法可以判断哪个值是缺失值,如果缺失返回True,否则为False
22、df.dropna() 默认删除含缺失值的行
23、df.dropna(how=’all’) 删除全为空值的行,不全为空值的行不会删除
24、df.fillna(0) 用0填充所有空值
25、df.fillna({‘性别’:’男’,’年龄’:’30’}) 对性别列中空值填充男,年龄填充30
26、df.drop_duplicates() 默认对所有值进行重复值检查,保留第一行的值
27、df.drop_duplicates(subset=’性别’) 对性别列中重复值查询保留第一行
28、df.drop_duplicates(subset=[’性别’,’公司’],keep=’last’) 对性别和公司两列查重
keep设置默认为first(保留第一个),可设置为last(保留最后一个) 或False(不部不保留)
29、df[‘ID’].dtype 查看ID列的数据类型
30、df[‘ID’].astype(‘float’) 将ID列的数据类型转换为float类型
31、数据类型:int、float、object、string、unicode、datetime
32、df[‘ID’][1] ID列的第二个数据
33、df.columns=[‘大写’,’小写’,’中文’] 为无索引表添加列索引
34、df.index=[1,2,3] 添加行索引
35、df.set_index(‘编号’) 指明要用的列作为行索列
36、df.rename(index={‘订单编号’:’新订单编号’,’客户姓名’:’新客户姓名’}) 对行索引进行重新命名
37、df.rename(columns={1:’一’,2:’二’}) 对列索引进行重新命名
38、df.reset_index() 默认将全部index转化为column
39、df.reset_index(level=0) 将0级索引转化为column
40、df.reset_index(drop=True) 删除原有索引
四、数据选择
41、df[[‘ID’,’姓名’]] 多个列名要装入list
42、df.iloc[[1,3],[2,4]] 用行列编号选择数据
43、df.iloc[1,1] 选取表中的第3行2列数据,第一行默认为列索引
44、df.iloc[:,0:4] #获取第1列到第4列的值
45、df.loc[‘一’] #loc用行名选取的行数据,格式是Series,但可以用列表形式访问
46、df.loc[‘一’][0] 或 df.loc[‘一’][‘序号’]
47、df.iloc[1]#iloc用行编号选取行数据
48、df.iloc[[1,3]]#多行编号选取行数据,要用list封装,不然变成行列选取
49、df.iloc[1:3]#选择第二行和第四行
50、df[df[‘年龄’]<45] #加判断条件返回符合条件的全部数据,不局限年龄列
51、df[(df[‘年龄’]<45)&(df[‘ID’]<4)] #判断多条件选择数据
52、df.iloc[[1,3],[2,4]] 相当于df.loc[[‘一’,’二’],[‘年龄’,’ID’]] #loc是名,iloc是编号
53、df[df[‘年龄’]<45][[‘年龄’,’ID’]]#先通过年龄条件选择行,再通过不同索引指定列
54、df.iloc[1:3,2:4]#切片索引
五、数值操作
55、df[‘年龄’].replace(100,33)#对年龄列中的100替换成33
56、df.replace(np.NaN,0)#相当于fillna(),其中np.NaN是python中缺省值的表示方式
57、df.replace([A,B],C)#多对一替换,A、B替换成C
58、df.replace({‘A’:’a’,‘B’:’b’,‘C’:’c’})#多对多替换
59、df.sort_values(by=[‘申请单编号’],ascending=False)#申请单编号列降序排列,Ture升序排列(默认)
60、df.sort_values(by=[‘申请单编号’],na_position=’first’)#申请单编号列升序排列,缺失值排在第一位
默认缺失值在最后一位last
61、df.sort_values(by=[‘col1’,’col2’],ascending=[False,True])#多列排序
62、df[‘销量’].rank(method=’first’)#销量排名(不是排序),method有first\min\max\average
63、df.drop([‘销量’,’ID’],axis=1)#删除列,直接是列名
64、df.drop(df.columns[[4,5]],axis=1)#删除列,是编号
65、df.drop(colums=[‘销量’,’ID’])#此种方式删除列,可以不写axis=1
66、df.drop([‘a’,’b’],axis=0)#删除行,直接是列名
67、df.drop(df.index[[4,5]],axis=0)#删除行,是编号
68、df.drop(index=[‘a’,’b’])#此种方式删除行,可以不写axis=0
69、df[‘ID’].value_counts()#对ID列中数据出现的次数进行统计
70、df[‘ID’].value_counts(normalize=Ture,sort=False)#对ID列中数据出现的次数占比进行统计,并降序排序
71、df[‘ID’].unique()#获取列的唯一值
72、df[‘年龄’].isin([‘a’,11])#查看这列中是否包含a或11
73、pd.cut(df[‘ID’],bins=[0,3,6,10])#用bins指明切分区间
74、pd.qcut(df[‘ID’],3)#ID列切分成3个部分,每部分数据个数尽量一致
75、df.insert(2,’商品’,[‘书’,’笔’,’计算器’])#插入第三列
76、df[’商品’]=[‘书’,’笔’,’计算器’])#插新列,在表的最后面
77、df.T行列互换
78、df.tack()#把表格型数据转化成树形数据
79、df.set_index([‘ID’,’姓名’]).stack().reset_index()#宽表转换成长表,先将共同列设置成行索引,再对其他列
进行转化成树形数据,再重置行索引
80、df.melt(id_vars=[‘ID’,’姓名’],var_name=’year’,value_name=’sale’)#id_var参数指明宽表转换成长表时保持不
变的列,var_name参数表示原来的列索引转化为行索引对应的列名,value_name表示新索引对应值的列名
81、df[‘C1’].apply(lambda x:x+1)#相当于map(),只是需要和lambda配合
82、df.applymap(lambda x:x+1),对表中的所有数据执行相同函数运算
六、数据运算
83、df[‘ID’]+Df[‘ID’]#可进行加减乘除
84、df[‘ID’]>Df[‘ID’]#可进行> < == !=等比较运算
85、df.count()#统计每列的非空值的个数
86、df.count(axis=1)#统计每行的非空值的个数
87、df[‘ID’].count()#统计指定列的非空值的个数
88、df.sum(axis=1)#每列/行求和结果
89、df.mean(axis=1)#每列/行求均值
90、df.max(axis=1)#每列/行求最大值
91、df.min(axis=1)#每列/行求最小值
92、df.median(axis=1)#每列/行求中间值
93、df.mode(axis=1)#每列/行中出现最多的值
94、df.var(axis=1)#每列/行求方差
95、df.std(axis=1)#每列/行求标准差
96、df.quantile(0.25)#求1/4分位数,可以0.5、0.75等分位数
97、df.corr()#求整个DataFrame表中的相关性
七、时间序列
98、from datetime import datetime
99、datatime.now()#返回现在的时间年月日时分秒
100、datatime.now().year#返回年,可以.month.day
101、datatime.now().weekday()-1#返回周几
102、datatime.now().isocalendar()#返回周数
103、 (2018,41,7)#2018年的第41周第7天
104、datatime.now().date()#只返回年月日
105、datatime.now().time()#只返回时间
106、datatime.now().strftime(‘%Y-%m-%d %H:%M:%S’)#返回2020-03-13 09:09:12
107、from dateutil.parer import parse
108、 parse(str_time)#将字符串的时间转化成为时间格式
109、pd.Datetimeindex([‘2020-02-03’,2020-03-05’])#设置时间索引
110、data[‘2018’]#获取2018年的数据
111、data[‘2018-01’]#获取2018年1月的数据
112、data[‘2018-01-05’:‘2018-01-15’]#获取这个时段的数据
113、非时间索引的表格处理
114、df[df[‘成交时间’]==datetime(2018,08,05)]
115、df[df[‘成交时间’]>datetime(2018,08,05)]
116、df[(df[‘成交时间’]>datetime(2018,08,05))&(df[‘成交时间’] <datetime(2018,08,15))]
117、cha=datatime(2018,5,21,19,50)-datatime(2018,5,18,17,50)
118、 cha.days#返回天的时间差
119、 cha.seconds#返回秒的时间差
120、 cha.seconds/3600#返回小时的时间差
121、datatime(2018,5,21,19,50)+timedelta(days=1)#往后移一天
122、datatime(2018,5,21,19,50)+timedelta(seconds=20)#往后移20秒
123、datatime(2018,5,21,19,50)-timedelta(days=1)#往前移一天
八、数据透视表
124、df.groupby(‘客户分类’).count()#客户分类后求数运算
125、df.groupby(‘客户分类’).sum()#客户分类后求和运算
126、df.groupby(‘客户分类’,’区域分类’).sum()#多列分类后求和运算
127、df.groupby(‘客户分类’,’区域分类’)[‘ID’].sum()#多列分类后ID求和运算
128、df[‘ID’]#DataFrame取出一列就是Series类型
129、df.groupby(df[‘ID’]).sum() 相当于 df.groupby(‘ID’).sum()
130、df.groupby(‘客户分类’).aggregate([‘sum’,’count’]# aggregate可实现多种汇总方式
131、df.groupby(‘客户分类’).aggregate({‘ID’:‘count’,’销量’: ‘sum’})
132、# aggregate可针对不同列做不同的汇总运算
133、df.groupby(‘客户分类’).sum().reset_index()#分组汇总后再重置索引,变为标准DataFrame
134、pd.pivot_table(data,values,index,columms,aggfunc,fill_value,margins,dropna,margins_name)
135、数据透视表,data:数据表df,values:值,index:行索引,columns:列索引,aggfunc:values的计算类型,fill_value:对空值的填充方式;margins:是否有合计列;margins_name:合计列的列名
136、pd.pivot_table(df,values=[’ID’,‘销量’],index=’客户分类’,columms=‘区域’,aggfunc={‘ID’:‘count’,’销量’:‘sum’}),fill_value=0,margins=Ture,dropna=None,margins_name=’总计’)
九、多表格拼接
137、pd.merge(df1,df2)#默认自动寻找两个表中的公共列进行拼接
138、pd.merge(df1,df2,on=“学号“)#on来指定连接列,连接列要是公共列
139、pd.merge(df1,df2,on=[‘学号’,’姓名’]#on来指定连接列,连接列要是公共列
140、pd.merge(df1,df2,left_on=‘学号’right_on=’编号’) #由公共列,但类名不同时用左右键指定
141、pd.merge(df1,df2,left_index=‘学号’right_index=’编号’)#两表公共列都是索引列时
142、pd.merge(df1,df2,left_index=‘学号’right_on=’编号’)#公共列一个时索引列一个时普通列
143、pd.merge(df1,df2,on=’学号’,how=’inner’)#返回公共列中对应的公共值拼接(内连接)
144、pd.merge(df1,df2,on=’学号’,how=’left’)#返回公共列中对应的左表值(左连接)
145、pd.merge(df1,df2,on=’学号’,how=’right’)#返回公共列中对应的右表值(右连接)
146、pd.merge(df1,df2,on=’学号’,how=’outer’)#返回公共列中对应的所有值(外连接)
147、pd.concat([df1,df2])#两个结构相同的表纵向连接,保留原索引值
148、pd.concat([df1,df2],ignore_index=True)#两个结构相同的表纵向连接,重新设置索引值
149、pd.concat([df1,df2],ignore_index=True).drop_duplicates()#拼接后去掉重复值
十、导出文件
150、df.to_excel(excel_writer=r’C:\users\zhoulifu\Desktop\测试.xlsx’)#导出文件格式.xlsx用to_excel方法,通过excel_writer参数来实现
151、df.to_excel(excel_writer=r’C:\users\zhoulifu\Desktop\测试.xlsx’,sheet_name=’文档’)
152、df.to_excel(excel_writer=r’C:\users\zhoulifu\Desktop\测试.xlsx’,sheet_name=’文档’,index=False)#导出是去掉索引
153、df.to_excel(excel_writer=r’C:\users\zhoulifu\Desktop\测试.xlsx’,sheet_name=’文档’,index=False,columns=[‘ID’,’销量’,‘姓名’])#设置导出的列
154、df.to_excel(excel_writer=r’C:\users\zhoulifu\Desktop\测试.xlsx’,sheet_name=’文档’,index=False,columns=[‘ID’,’销量’,‘姓名’],encoding=’utf-8’)#设置导出的列
155、df.to_excel(excel_writer=r’C:\users\zhoulifu\Desktop\测试.xlsx’,sheet_name=’文档’,index=False,columns=[‘ID’,’销量’,‘姓名’],encoding=’utf-8’,na_rep=0)#缺失值填充
156、writer=pd.ExcelWriter(excelpath,engine=’xlsxwirter’)#导出多个文件至一个文件的多个sheet
157、df1.to_excel(writer,sheet_name=‘表一’)
158、df2.to_excel(writer,sheet_name=’表二’)
159、writer.save()