Python知识点大纲

Python基础

• 列表、元组、字典、集合的异同

Pandas

基础

Series/DataFrame创建

• 基础创建、多列计算得到新列

# Series 
s1 = pd.Series([1,2,3.0,4],index=list('abcd'),dtype='int32',name='s2')
dict = {'apple':'red','banana':'yellow'} # key==》index，value==》value
s2 = pd.Series(dict)

# Series to DataFrame
s2.to_frame()

# DataFrame
df1 = pd.DataFrame(np.arange(25).reshape(5, 5), 
                  index = ['row1', 'row2','row3','row4','row5'], 
                  columns=['col1', 'col2','col3','col4', 'col5'])

dict = {'id':[1,2,3,5],'comment':['a','b','','d'],'name':list('ABCD')} 
df2 = pd.DataFrame(dict,index=['China','England','Japan','Korea']) # dict's key ==> column name

# df1新增col，两者有什么区别？
df1 = df1.assign(new_col=lambda df1: df1.col1*df1.col2)
df1['new'] = df1.col1**2+df.col2

# multiIndex
indexs = pd.MultiIndex.from_tuples(
[('a', 1), ('b', 2),('c', 3),('c', 2),('e', 5)], names=['index1','index2'])
df1.index=indexs

删除行/列

• df.drop([col1,col2])
  如果要删除列，要添加axis=1

基础切片

• data[] ——sad
  缺点：行列没法组合用

data[['col1','col2']] # 取多列
data[0:2] # 取第1、2行

• iloc() 基于位置，整数索引
  loc是location的意思，i可以当作integer加强记忆，因此iloc只能用整数索引「iloc比loc多了I，所以索引的时候可以少打=用整数来表示行列」

data.iloc[:,1] # 取单列
data.iolc[1,:] # 取单行
data.iloc[0:2,[1,3]] # 取连续行「不用[]」，取多列(非联系列)

• loc() 基于标签，用行/列名进行索引

data.loc[['row1','row2'],'col1':'col2'] # 取连续列

• ix()(不推荐：在iloc、loc之前的产物）
• iat、at （不推荐：只能取单个元素——at使用行、列名；iat使用行、列索引）

高阶切片

Boolean切片

# 逻辑关系：& | ～
df1[(df1.col3>=12)&(df1['col4']<=18)]

df1.loc[df1.col2>=11,'col2':'col4']

使用query

df1.query('col1 > 7')
df1.query('col1 > 7 or col2 <= 16')

随机抽样

• df.sample(n=10) / df.sample(frac=0.5)

filter

• df.filter(regex='str') 使用正则匹配

索引

• df.rename() # 重命名行/列索引名字
  • 两种修改方式：
  • (index=index_mapper, columns=columns_mapper, …)
  • (mapper, axis={‘index’, ‘columns’}, …)

df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]})
df.rename(columns={"A": "a", "B": "c"})
df.rename(index={0: "x", 1: "y", 2: "z"})

• df.set_index('A') # set the index：将A列作为索引
• df.reset_index() # 重置索引。set_index()的反向操作：分层索引的索引层级被还原回列

@Drop：bool，default F。是否删掉回列的索引
@inlace：bool，default F。

• df.reindex() # 重排索引：行/列索引。重排方式：更改顺序；新增加索引没有对应值，默认为nan；减少索引(等价切片，如果传入的list小于df)

DataFrame.reindex(
labels=None,
index=None, # 重排index
columns=None, # 重排col
method=None, # method{None, ‘backfill’/’bfill’, ‘pad’/’ffill’, ‘nearest’}
axis=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None)

数据类型

• df.dtypes 查看字段数据类型
• df[‘a’].astype(‘float’) 数据类型转化

排序

• df.sort_values()

@by: 指定列名/索引名（要对应axis）
@axis = 0(default), =1
@ascending =True(default-升序)
@na_position: {first, last}, 设定缺失值的显示位置

• df.rank()

@axis=0,
@method: {average, min, max, first, dense}
average: average rank of the group: 1, 2, 3.5, 3.5, 5
min: lowest rank in the group: 1, 2, 3, 3, 5
max: highest rank in the group: 1, 2, 4, 4, 5
first: ranks assigned in order they appear in the array: 1, 2, 3, 4, 5
dense: like ‘min’, but rank always increases by 1 between groups: 1, 2, 3, 3, 4
@numeric_only: bool，是否只排数字列
@ascending：bool
@pct：bool，default False. 是否显示百分比
@na_option : {‘keep’, ‘top’, ‘bottom’}, default ‘keep’ 空值保留空值、排第一、排底部

• df.sort_index() # court by labels along on axis

summarize data

• 常用属性/方法

# basic
df.head(n) / df.tail(n)
df.shape #  查看df的行/列#
len(df) # 查看df的行

df.index
df1.columns.to_list()

df.info() 			# 查看数据类型、cnt#、非空值
df.describe() 		# 查看cnt、mean、std、四分位数

df[['col1','col2']].nunique() 	# 计算每列有几个“不同的值”
df['col1'].value_counts() 		# 计算每个值有几个“记录”

# summary
df.count() 			# cnt非空值
df.sum()
df.cumsum()			# 累加
df.min()/df.max()
df.mean()			# 取平均，如果有空值不会算进平均

# 统计
df.median()			# 取中位数，如果有空值会跳过
df.quantile([0.25,0.75]) 	# 取分位数，比describe灵活可以选择axis
df.var() 					# 计算方差（Variance）
df.std()					# 计算标准差（Standard Deviation）

df.idxmax()/df.idxmin()  # 取最小/最大的index value？

透视表功能

df.groupby

(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=NoDefault.no_default, observed=False, dropna=True)
@level: 当df是多维度索引时，可以用level参数进行第i层索引聚合

补充：size(), transform(), agg()

## Aggregation
- 常规用法：
df.groupby(['col1','col2']).mean()  # sum(),count()
df.groupby(['col1']).size() 		# size of each group

- 不同字段实现不通聚合-基础 # 结果是二级索引
f = {'ado':['sum'], 'seller':['count']}
df.groupby('country').agg(f) 	 	

- 不同字段实现不通聚合-改名 
df.groupby('country').agg(
						ado_sum=('ado','sum'),
						seller_cnt=('seller','count'),
						ado_range=('ado',lambda x: x.max()-x.min()
)

## Transformation, 
- 常规
df.transform(lambda x:(x+x%2))
- 高阶:求行/列分布
df1.transform(lambda x: x/x.sum(), axis=0) # 列的分布情况
df1.transform(lambda x: x/x.sum(), axis=1) # 行的分布情况

pd.pivot_table 更像透视表

pandas.pivot_table( data, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All', observed=False, sort=True)
<==>df.pivot_table(values, index...)

# 基础：
table = pd.pivot_table(df, values='D', index=['A', 'B'],
                    	columns=['C'], aggfunc=np.sum, fill_value=0)

# 进阶：
table = pd.pivot_table(df, values=['D', 'E'], index=['A', 'C'],
                    	aggfunc={'D': np.mean,
                             	 'E': [min, max, np.mean]})

pd.pivot: reshape data

pandas.pivot(data, index=None, columns=None, values=None)
没有聚合函数，仅是row转column，不能有重复的行列。pivot其实可以被pivot_table替代

df.stack() 堆积/ df.unstack()

stack列转行，unstack行转列

df.melt()

作用与df.stack类似。均可以通过pivot的方式还原。
区别

• df.stack()⇒ 列转行，列名会成为index，需要从series转为dataframe
• df.melt()⇒ 列转行，列名成为1列的值，默认忽略index；更灵活可以指定

pandas.melt(frame,
id_vars=None, # identifier variables 标识变量
value_vars=None, # Column(s) to unpivot. 如不指定所有剩余字段展开
var_name=None, # use for the ‘variable’ column
value_name=‘value’, # use for the ‘value’ column.
col_level=None, ignore_index=True)

append：https://www.gairuo.com/p/pandas-melt

combining data

• pd.merge(df1, df2, how, on) <==> df1.merge(df2, how, on)

pd.merge(right, how=‘inner’, on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=(‘_x’, ‘_y’), copy=True, indicator=False, validate=None)

默认重叠列拼接
@how： {‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}, default ‘inner’
@on/left_on/right_on：join的key
@suffixes： 相同字段的后缀

• df1.join(other_df2, on=None, how='left', lsuffix='', rsuffix='', sort=False 功能与merge类似

默认行索引拼接，重叠列拼接（没啥区别？）
@how: {‘left’, ‘right’, ‘outer’, ‘inner’}, default ‘left’
@sort: 是否根据连接的键进行排序

• pd.concat()
  用于多个df行方向/列方向的拼接(Vertical/Horizontal)
  pandas.concat(objs, axis=0, join=‘outer’, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, sort=False, copy=True)

@objs：[df1,df2,…]
@axis：=1时，会根据索引进行拼接
@join: {‘inner’, ‘outer’}, default ‘outer’
@ignore_index：True, 会重新索引
@key：指定用作“层次化索引”各级别上的索引
@name：行索引的名字
特殊应用：pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ignore_index=True)

• df.append() 数据纵向堆叠的拼接(Vertical)

DataFrame.append(
other, # 待合并的数据。可以是pandas中的DataFrame、series，或者是Python中的字典、列表这样的数据结构
ignore_index=False,
verify_integrity=False, # 默认是False，如果值为True，创建相同的index则会抛出异常的错误
sort=False)

iteration

df.iteritems() # (index-column name, Series)pairs
df.iterrows() # (index-row name, series) pairs

高阶用法

missing data

• df.dropna()

@axis: {0 or ‘index’, 1 or ‘columns’}, default 0
@how: {‘any’, ‘all’}, default ‘any’
@thresh: int, optional（至少几个非空保留）
@subset: ***index / columns （哪几列/行判断是否NA）
@inplace: bool, default False

• df.fillna()

• df.isnull()
  应用：判断某列为空的赋值为0

  df.loc[df['ado'].isnull(),'ado']=0
  # df要是copy版本才行，不知道为什么（ chained indexing链式索引？）
  

• df.notna()

• df.replace("a","b")

(to_replace=None, value=NoDefault.no_default, inplace=False, limit=None, regex=False, method=NoDefault.no_default)
@to_replace: 待替换掉的数据(str, regex, list, dict, Series, int, float, or None都可以；正则也行)
@value: 用value来替换掉to_replace
@method：{‘pad’, ‘ffill’, ‘bfill’, None}，当value为空时，ffill靠前面的填充；bfill靠后面的填充；pad等价ffill？

duplicate data

• s3.unique() #Return unique values，series去重，df不行
• df.duplicated(subset=None, keep='first') # check duplicates

@subset: index / columns （哪几列/行判断是否重复）
@keep: {‘first’, ‘last’, False} （保留前值还是后值）
@return: T/F
first表示第二次出现为重复值(标记为T)；last表示前面出现为重复值(标记为T)；false表示每个都为重复值

• df.drop_duplicates(subset=None, keep='first', inplace=False, ignore_index=False) # drop duplicates

@ignore_index: 重新索引

drop data

• df.drop()

时间函数

to_datetime()

 df2['Date']= pd.to_datetime(df2['Date'])

strftime strptime的区别

• f 是“format”缩写, p是"parse"缩写, (分别代表“格式化”和“解析”)
  • strftime 和strptime 都需要接收一个参数format格式化字符串, 但是作用刚好是相反
  • strftime 根据指定的format把一个"python可以识别的时间类型"格式化为"时间字符str"
  • strptime根据指定的format把一个"时间字符串str"解析为“python可以识别的时间类型date”

now = datetime.now() # datetime
print(now, type(now)) 
res_f = datetime.strftime(now, "%Y-%m-%d") # str
res_p = datetime.strptime("2021-03-12", "%Y-%m-%d") # datetime

# 应用：
CustData['Date1']=list(map(lambda x:datetime.strptime(x, '%Y/%m/%d'),CustData['Date']))

# 计算日期差
today = datetime.datetime.today().date() 
specific_d = datetime.datetime.strptime('2022-04-19', "%Y-%m-%d").date()
days = specific_d - today

# 明天
print(today+datetime.timedelta(days=1))
# 昨天
print(today+datetime.timedelta(days=-1))

Appendix: time, datetime, strptime和strftime的区别

date_range()

pd.date_range(
start=None, # ‘20200201’
end=None, # ‘20200205’
periods=None, # int, 固定日期范围 start + periods搭配使用
freq=None, # default ‘D’ – 日偏移；‘B’ – 工作日偏移; ‘M’ – 每月最后一日；‘MS’–每月第一天
tz=None, normalize=False, name=None, closed=NoDefault.no_default,
inclusive=None, # {“both”, “neither”, “left”, “right”}, default “both” 开闭
**kwargs)

df1['date'] = pd.date_range('2022-01-01', periods=2,freq='M')
# 输出：2022-01-31, 2022-02-28

df1[‘date’] = pd.date_range(‘2022-01-01’, periods=5,freq=‘M’)

Numpy

文件读写

查看文件夹

路径查看

• os.path.abspath()/os.path.abspath(.) 读取当前文件路径
• os.path.abspath('..') 查看本脚本上层所处的文件夹
• os.getcwd() 读取当前文件路径

查看当前文件夹下的文件

• os.listdir() # 列出所有files or folder in current folder

删除文件、文件夹

import os
import shutil

• os.remove(path) #删除文件，path指路径
• os.removedirs(path) #删除空文件夹
• os.rmdir(path) #删除空文件夹
• shutil.rmtree(path) #递归删除文件夹，即：删除非空文件夹,该包有更多文件操作

创建新“文件夹”

import os
folder = os.getcwd() + '/test_data'
#获取此py文件路径，在此路径选创建test_data文件夹
if not os.path.exists(folder):
    os.makedirs(folder)

读、写文件

读取文件

• df=pd.read_csv(path1,encoding='gbk')
• df=pd.read_excel(path)

写入文件

• to_excel 单sheet输出、多sheet输出

root = os.getcwd()
path = root + '/data/test.xlsx'
df1 = pd.DataFrame(np.arange(8).reshape(2,4))
df2 = pd.DataFrame(np.arange(12).reshape(2,6))

# 单sheet
df1.to_excel(path)

# 多sheet输出 
writer = pd.ExcelWriter(path)
df1.to_excel(writer,'df1')
df2.to_excel(writer,'df2')
writer.save()

循环、函数、类

1. 循环

循环

if语句

if condition1:
    执行条件1
elif condition2:
    执行条件2
else:
    执行条件3

for/while语句

for i in range(1,10,3):  
    ... 
else:  
    ...
#########################################################
j = 0   
while j<10&j>5:  
    ...
else: #else也属于循环内部，for/while遍历结束，进入else, 如果break,就跳出循环，也就跳过了else
    ...

break vs continue

• break跳出当前循环，并跳出整个循环
• continue跳过当前循环，直接开始下一次循环，即没跳出整个循环

2. 函数

• 定义def 函数名(参数)
• 调用函数名(参数值)

Lambda

lambda可以跟任意个参数

• :之后的内容相当于return后面的内容

# 1)多参数
`lambda x,y: (x+y)*2`
# 2)与if语句联合使用
lambda x: 1 if x>=2 else 0

# 3)高阶：lambda 与 map结合
f = lambda x: 1 if x>=2 else 0
list(map(f,[1,2,3])) # output: [0, 1, 1]

list(map(lambda x: 1 if x>=2 else 0,[1,2,3])) # 与上面等价

map(f,a)

将函数f依次套用在a(可枚举类型)的每个元素上；并返回map对象；map对象可转化为list或用遍历将其显示

list(map(lambda x:x+1, [i for i in range(3)])) # output：[1,2,3]

reduce(f, iterable) need to study more

对参数序列中的元素进行累计

from functools import reduce
reduce(lambda x,y:x+y, [1,2,3]) # 6=1+2+3
reduce(lambda x,y:x**y, [3,2,1]) # 9=3**2**1

apply()

apply() 使用时，通常放入一个 lambda 函数表达式、或一个函数作为操作运算：

DataFrame.apply(self, func, axis=0, raw=False, result_type=None, args=(), **kwds
@func代表的是传入的函数或 lambda 表达式；
@axis 参数可提供的有两个，该参数默认为0/列
- 0 或者 index ，表示函数处理的是每一列；
- 1 或 columns ，表示处理的是每一行;
@raw ；bool 类型，默认为 False;
- False ，表示把每一行或列作为 Series 传入函数中；
- True，表示接受的是 ndarray 数据类型;
参考：https://zhuanlan.zhihu.com/p/340770847

df.apply(np.mean,axis = 1) # dataframe.apply
df.A = df.A.apply(lambda x:x+1) # series.apply

3. 类

描述具有相同的属性和方法的对象的集合。它定义了集合中每个对象所公有的属性和方法，对象是类的实例。

• 比喻：
  类——模板(方法)
  对象——类——模板(方法)
• 实例：
  类：车
  对象：宝马、奥迪
  属性：发动机、底盘、车轮
  方法：测速、变速、转变方向

# 创建类
class 类名称(object):  
    pass 
# 实例化  
A=sutdent('Tom',24)
B=student('Jack',45,score=91) # 对类student实例化，A,B就是实例化后的对象

# 创建类
class Student(object):
    def __init__(self,name,scoreList):
        self.name=name # 类的初始化
        self.scoreList=scoreList
    def total_score(self): # 类的方法
        res=sum(self.scoreList)
        return '学生姓名：%s,总成绩:%s'%(self.name,res)
    
# 实例化
A=Student('Emma',[67,89,51])
print(A.total_score())  # output：学生姓名：Emma,总成绩:207
B=Student('FanZhou',[90,95,99])
print(B.total_score()) # output：学生姓名：FanZhou,总成绩:284

str = 'abcd' # str表字符串的实例化
str.index('c') # str的index方法, output: 2
# python的一切都是对象

4. 模块

模块是一个包含所有你定义的函数和变量的文件，其后缀是.py。模块可以被别的程序引入，以使用该模块中的函数等功能

• 模块的引用：import math
• to do：是否可以将现在的工作内容模块化
  from ScoreRate import rt # 导入的模块要在同一文件夹

数据格式显示

import pandas as pd
pd.set_option('display.max_columns', None) # 显示完整的列
pd.set_option('display.max_rows', None) # 显示完整的行
pd.set_option('display.expand_frame_repr', False) # 设置不折叠数据
pd.set_option('display.max_colwidth', 100)
pd.set_option('display.float_format',lambda x : '%.1f' % x) # 避免显示科学计数法

# pd.get_option("max_info_columns") # 目前最大info列数
pd.set_option("display.max_info_columns", 200)   # 设置info中信息显示数量为200

tool

批量合并图片

import PIL.Image as Image
import os

def get_images_names_list(IMAGES_PATH):
    '''
    @功能::::::读取路径下所有图片的名称列表,并按照创建时间排序
    @IMAGES_PATH 图片集路径

    '''
    # 准备： 图片格式
    IMAGES_FORMAT = ['.jpg', '.JPG', '.png'] 
    # 得到 image name list
    image_names = [name for name in os.listdir(IMAGES_PATH) for item in IMAGES_FORMAT if
               os.path.splitext(name)[1] == item]
    image_names.sort(reverse=False)
    return image_names

def image_compose(IMAGE_SAVE_PATH,IMAGES_PATH,image_names,IMAGE_ROW,IMAGE_COLUMN=1,IMAGE_COLUMN_SIZE=3583,IMAGE_ROW_SIZE=2240):
    '''
    @功能::::::定义图像拼接函数
    @IMAGE_ROW 合并图片后的行数
    @IMAGE_COLUMN 合并图片后的列数

    @IMAGE_COLUMN_SIZE 单个图片的行像素
    @IMAGE_ROW_SIZE 单个图片的列像素
    @IMAGE_SAVE_PATH 合并后图片的保存路径

    '''
    
    # 1. 创建一个新图
    to_image = Image.new('RGB', (IMAGE_COLUMN * IMAGE_COLUMN_SIZE, IMAGE_ROW * IMAGE_ROW_SIZE))
    
    # 2. 循环遍历，把每张图片按顺序粘贴到对应位置上
    for row in range(1, IMAGE_ROW + 1):
        for col in range(1, IMAGE_COLUMN + 1):
            # 第几张图片=列数*实际函数+实际列数
            n = IMAGE_COLUMN * (row - 1) + col - 1
            if n+1>len(image_names):
                break
            print(image_names[n])
            # 读取图片
            from_image = Image.open(IMAGES_PATH + image_names[IMAGE_COLUMN * (row - 1) + col - 1]).resize(
                (IMAGE_COLUMN_SIZE, IMAGE_ROW_SIZE),Image.ANTIALIAS)
            
            # 拼接
            to_image.paste(from_image, ((col - 1) * IMAGE_COLUMN_SIZE, (row - 1) * IMAGE_ROW_SIZE))
    # 3. 保存新图
    print('save image')
    return to_image.save(IMAGE_SAVE_PATH) 


root = '/Users/xx/Desktop/'
path = root
image_names = get_images_names_list(path)
# save_path = root
k=14
save_path = root + 'final0.png'
image_compose(IMAGE_ROW=7,IMAGE_COLUMN=2,IMAGE_SAVE_PATH=save_path,IMAGES_PATH=root,image_names=image_names[:k]) #调用函数
# print('0-end')
# k=k+10
# save_path = root + 'final1.png'
# image_compose(IMAGE_ROW=5,IMAGE_COLUMN=2,IMAGE_SAVE_PATH=save_path,image_names=image_names[k-10:k]) #调用函数
# print('1-end')
# k=k+10
# save_path = root + 'final2.png'
# image_compose(IMAGE_ROW=5,IMAGE_COLUMN=2,IMAGE_SAVE_PATH=save_path,image_names=image_names[k-10:k]) #调用函数
# print('2-end')
# k=k+10
# save_path = root + 'final3.png'
# image_compose(IMAGE_ROW=5,IMAGE_COLUMN=2,IMAGE_SAVE_PATH=save_path,image_names=image_names[k-10:k]) #调用函数
# print('3-end')
# save_path = root + 'final4.png'
# image_compose(IMAGE_ROW=2,IMAGE_COLUMN=2,IMAGE_SAVE_PATH=save_path,image_names=image_names[k:k+3]) #调用函数
# print('4-end')

图片合并，四张一页，转PDF

from PIL import Image
import os

def combine2Pdf(folderPath, pdfFilePath):
    files = os.listdir(folderPath)
    pngFiles = []
    sources = []
    for file in files:
        if 'png' in file:
            pngFiles.append(folderPath + file)
    pngFiles.sort()
    first_index = pngFiles.index('/Users/xxxx/Desktop/截屏2023-12-03 21.09.51.png') # 查找第一张照片位置
    pngFiles=pngFiles[first_index:]
    
    num_images = len(pngFiles)
    for i in range(0, num_images, 4):
        page_sources = []
        for j in range(i, min(i+4, num_images)):
            pngFile = Image.open(pngFiles[j]).convert("RGB")
            page_sources.append(pngFile)
        output = Image.new("RGB", (page_sources[0].width * 2, page_sources[0].height * 2)) # 一页大小
        for k, source in enumerate(page_sources):
            left = source.width * (k % 2) # 图谱左上角起点
            upper = source.height * (k // 2) # 图片左上角高起点
            output.paste(source, (left, upper))
        sources.append(output)
    sources[0].save(pdfFilePath, save_all=True, append_images=sources, optimize=True, quality=30)
    return pngFiles

if __name__ == "__main__":
    folder = "/Users/xxxx/Desktop/"
    pdfFile = "/Users/xxxx/Desktop/营养餐D15-D18.pdf"
    files = combine2Pdf(folder, pdfFile)
#     print(files)