pandas的基础操作

缩写解释&库的导入

df 任意的pandas DataFrame(数据框)对象
s 任意的pandas Series(数组)对象
pandas和numpy是用python做数据分析最基础且最核心的库

数据的导入

pd.read_csv(filename) 从CSV文件导入数据
pd.read_table(filename) 从限定分隔符的文本文件导入数据
pd.read_excel(filename) 从Excel文件导入数据
pd.read_sql(query, connection_object) 从SQL表/库导入数据
pd.read_json(json_string) 从JSON格式的字符串导入数据
pd.read_html(url) 解析URL、字符串或者HTML文件，抽取其中的tables表格
pd.read_clipboard() 从你的粘贴板获取内容，并传给read_table()
pd.DataFrame(dict) 从字典对象导入数据，key是列名，value是数据

数据的导出

df.to_csv(filename) 导出数据到CSV文件
df.to_excel(filename) 导出数据到Excel文件
df.to_sql(table_name, connection_object) 导出数据到SQL表
df.to_json(filename) 以JSON格式导出数据到文本文件

创建测试对象

pd.DataFame(np.random.rand(10, 5)) 创建一个5列10行的由随机浮点数组成的数据框
pd.Series(my_list) 从可迭代的对象my_list中创建一个数据组
df.index = pd.date_range('2017/1/1', periods=df.shape[0]) 添加一个日期索引

数据的查看与检查

df.head(n) 查看数据框的前n行
df.tail(n) 查看数据框的最后n行
df.shape 查看数据框的行数与列数
df.info 查看数据框的索引、数据类型及内存信息
df.describe() 查看数值型列的汇总统计
s.value_counts(dropna=False) 查看Series对象的唯一值和计数
df.apply(pd.Series.value_counts) 查询数据框中每个列的唯一值和计数

数据的选取

df[col] 根据列名，并以Series的形式返回列
df[[col1, col2]] 以新的数据框的形式返回选取的列
s.iloc[0] 按照位置选取数据
s.loc['index_one'] 按照索引选取数据
df.iloc[0, :] 选取第一行
df.iloc[0, 0] 选取第一行的第一个元素

数据的清洗

df.columns = ['a', 'b'] 重命名数据框的列名
pd.isnull() 检查DataFrame对象中的空值，并返回一个Boolean数组
pd.notnull() 检查DataFrame对象中的非空值，并返回一个Boolean数组
df.dropna() 删除所有包含控制的行
df.dropna(axis=1) 删除所有包含控制的列
df.dropna(axis=0, thresh=n)    删除所有小于n个非空值的行
df.fillna(x) 用x替换DataFrame对象中所有的空值
s.fillna(s.mean()) 将所有控制替换为平均值
df.astype(float)将Series中的数据类型更改为float类型
s.replace(1,'one') 用'one'代替所有等于1的值
s.replace([1,3],['one','three']) 用'one'代替1，用'three'代替3
df.rename(columns=lambda x: x+1) 批量更改列名
df.rename(columns={'old_name':'new_name'}) 选择性更改列名
df.set_index('colunm_one') 更改索引列
df.rename(index=lambda x: x+1) 批量重命名索引

数据的过滤，排序和分组

df[df[col]>0.5] 选取数据框df中对应行的数值大于0.5的列
df[(df[col]>0.5)&(df[col]<0.7)]
df.sort_values(col1) 按照列col1排序数据，默认升序排列
df.sort_values(col2, ascending=False) 按照数据框的列col2降序(descending)的方式对数据框df做排序
df.sort_values([col1,col2],ascending=[True,False]) 按照数据框的列col1升序，col2降序的方式对数据框df进行排序
df.groupby(col) 按照某列对数据框df进行分组
df.groupby([col1,col2]) 按照列col1和col2对数据框df做分组
df.groupby(col1)[col2].mean() 按照列col1对数据框df做分组处理后，返回对应的col2的平均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max) 创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
df.groupby(col1).agg(np.mean) 返回按列col1分组的所有列的均值
data.apply(np.mean) 对DataFrame中的每一列求平均值
data.apply(np.max, axis=1) 对DataFrame中的每一行求最大值

数据的连接与组合

df1.append(df2) 将df2中的行添加到df1的尾部
df.concat([df1, df2], axis=1) 将df2中的列添加到df1的尾部
df1.join(df2, on=col1, how='inner') 对df1和df2做内连接，其中连接的列为col1

数据的统计

df.describe() 查看数据值列的描述性统计
df.mean() 返回所有列的均值
df.corr() 返回列与列之间的相关系数
df.count() 返回每一行中的非空值的个数
df.max() 返回每一列的最大值
df.min() 返回每一列的最小值
df.median() 返回每一列的中位数
df.std() 返回每一列的标准差