pandas处理数据的基本方法

pandas的数据结构常用到一维（series），二维（DataFrame）等：

对于二维数据

二维数据包含行索引和列索引

行索引叫index，axis=0
列索引叫columns，axis=1
下面使用代码构造一个二维结构数据如下：

import pandas as pd
import numpy as np
# normal里面参数，此次构造的是平均值为0，标准差为1，10行11列数据
test_data = np.random.normal(0,1,[10,11])
test_data_frame = pd.DataFrame(test_data)
print(test_data_frame)

打印效果如下：

可以看出，默认添加了行索引[index]和列索引[columns]
若需要自己指定行索引或者列索引，可以在构造DataFrame时加相应参数，如下这样：

test_data = np.random.normal(0,1,[10,11])
index_list = ["row"+str(i) for i in range(10)]
column_list = ["column"+str(i) for i in range(11)]
test_data_frame = pd.DataFrame(test_data,index=index_list,columns=column_list)
print(test_data_frame)

打印效果如下：

可以通过test_data .shape获取数据的行列形状（[10，11]）,即可以这样获取数据的行数和列数：

# 获取行数
test_data.shape[0]
# 获取列数
test_data.shape[1]

对于DataFrame的其他数据获取如下：

# 获取行索引列表
test_data_frame.index
# 获取列索引列表
test_data_frame.columns
# 获取除索引外的数据矩阵值
test_data_frame.values
# 将数据转置（包括索引）
test_data_frame.T
# 获取数据前num行（若没有num值，默认获取前五行）
num=5
test_data_frame.head(num)
# 获取数据后num行（若没有num值，默认获取后五行）
test_data_frame.tail(num)
# 将原来的行索引删除，变成默认的数字行索引
test_data_frame = test_data_frame.reset_index(drop=True)
# 将原来的行索引变成值，用默认的数字行索引作为行索引
test_data_frame = test_data_frame.reset_index()

还可以设置多重索引如下：

test_data_frame=test_data_frame.set_index(keys=['column0','column1'])
print(test_data_frame)

打印效果如下：

此时的数据结构为MultiIndex结构数据（三维数据）

可以通过pandas生成一组连续时间序列

# 构建一个从2018.1.1开始的10天时间序列
date_test = pd.date_range(start='2018-1-1',end=None,periods=10,freq="D")
print(date_test)

打印效果如下：

其中start为开始时间，end为结束时间，periods为相隔天数（若无end的情况下），freq为指定间隔时间，默认为“D”（每天），可以指定“12H”表示每12小时，“B”每个工作日（周一到周五，包含节假日）

series一维结构：

一维数据（series）只有行索引

即将二维Dataframe取特定行就是一维数据如：

serise_data = test_data_frame['column1']
print(serise_data)

打印效果如下：

pandas中二维Dataframe数据获取

直接使用索引获取数据必须先列后行

如取第一列，第三行数据，test_data_frame[‘column0’][‘row2’]

通过索引获取数据：

通过索引名获取范围数据

# start_index:end_index,表示开始的行索引到结束的行索引，xx_column表示取哪一列的值
test_data_frame.loc[start_index:end_index,xx_column]

通过索引下标获取范围数据

# 表示取第0行到第3行的xx_column列的值
test_data_frame.iloc[0:3,xx_column]

通过索引进行排序

# ascending默认为Ture升序
test_data_frame = test_data_frame.sort_index(ascending=False,)
print(test_data_frame)

打印效果如下：

通过内容进行排序

# by指定通过哪一列排序，此处为第二列，降序
test_data_frame = test_data_frame.sort_values(by="column1",ascending=False,)
print(test_data_frame)

打印效果如下：

DataFrame数据统计分析的基本方法

求极值的方法

求最大值：

# 对列求最大值
test_data_frame.max(0)
# 对行求最大值
test_data_frame.max(1)
# 求最小值同理
test_data_frame.max(0) #对列求最小值 
test_data_frame.max(1) #对行求最小值 

对列求最大值如下：

对行求最大值如下：

还可以获取最大值和最小值的位置

# 获取列最大值的位置
test_data_frame.idxmax(axis=0)
# 获取行最大值的位置
test_data_frame.idxmax(axis=1)
# 获取列最小值得位置
test_data_frame.idxmin(axis=0)
# 获取行最小值得位置
test_data_frame.idxmin(axis=1)

列最大值的位置如下：

行最大值位置如下：

累计求和

# 累计求第二列的值
test_data_frame.column1.cumsum()

打印结果如下：

不能使用test_data_frame.row1.cumsum()累计求行的和

通过比较大小来筛选数据

# 取第二列大于0，且第四列大于0的数据
test_data_frame[(test_data_frame['column1'] > 0) & (test_data_frame['column3'] > 0)]

打印效果如下：

还可以这样筛选如下：

# 取第二列大于0，且第四列大于0的数据
test_data_frame.query("column1>0 & column3>0")

打印结果与上面一致

文件读写方法

读取csv文件

# 读取xxxx.csv文件，并只读取第二列和第三列数据
csv_dataframe = pd.read_csv("xxxx.csv",usecols=['column1', 'column2'])

读取excel文件

# 读取xxx.xlsx文件
excel_data = pd.read_excel('xxx.xlsx')

写入csv文件

# index表示是否将行索引写入文件，columns指定将哪几列写入到文件
# mode默认为r，表示重写，a表示追加,header表示是否将索引列写入文件
test_data_frame.to_csv('xxx.csv',index=False,columns=['column1','column2','column3'],mode='a',header=False)

写入到excel文件类似的

# index表示是否将行索引写入文件，columns指定将哪几列写入到文件
# excel没有mode参数,header表示是否将索引列写入文件
test_data_frame.to_excel('xxx.xlsx',index=False,columns=['column1','column2','column3'],header=False)

excel如下：

缺失值处理的方法

处理缺失值为NaN的数据

可以删除NaN的行：test_data_frame.dropna()
也可以以其他值添加：

# 将第二列数据的NaN值用该列的平均值替换，test_data_frame['column1'].mean()取第二列的平均值
test_data_frame['column1'].fillna(test_data_frame['column1'].mean(),inplace=True)

处理缺失值为其他（如？）的数据

其他格式异常值替换可以先将其替换成NaN的值再通过NaN替换成其他如平均值等

# 将test_data_frame 中的？全部替换成NaN的值
test_data_frame = test_data_frame.replace(to_replace="?",value=np.nan)
然后再通过上面的缺失值NaN处理