Pandas学习

Pandas学习

pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。（来自百度百科）

这是参考了知乎上这篇文章的教程做的一个笔记https://www.zhihu.com/question/56310477/answer/873227129?utm_source=wechat_session

第一步当时是import pandas as pd

1. 创建、读取和存储

1.1 创建

创建函数包括两个部分，一部分是一个字典，表示各个数据项；另一个是相应的索引

df1 = pd.DataFrame({'工资':[5000, 7000, 9000, 8500],
                    '绩效分':[60, 84, 98, 91],
                    '备注':['不及格', '良好', '最佳', '优秀']}
                   , index = ['老王', '小刘', '小赵', '老龚'])
df1

创建后的效果：

1.2 读取

这个就没什么好说的，直接看下面函数就行

df = pd.read_csv('csv文件路径', engine = 'python')
# 读取csv文件，engine是指定分析引擎，用python就对了~
df = pd.read_excel('xls文件路径', sheet_name = '表单名称')
# 读取xls文件，sheet_name用于指定表单（不指定默认读取第一个表单）

1.3 存储数据

没啥好说的，直接保存就完事了

df.to_csv('csv文件路径')
df.to_excel('xls文件路径')

2. 数据查看

2.1 查看数据前(后) i 行

有时数据量非常大，查看所有数据没有多大意义，所以只需查看一部分数据了解概括

df.head()   # 默认查看数据前五行，当时也可指定行数df.head(i)
df.tail()   # 默认查看数据后五行，当时也可指定行数df.tail(i)

查看效果：

2.2 查看数据信息（行数、缺失值等）

将数据加载好了后可以使用info函数查看数据信息

df.info()

输出结果：

2.3 统计信息

可以对数据中的数值型数据进行统计

df.describe()

输出样例：

3. 数据列的操作

3.1 增加数据列

和python的字典类似，代码如下

df['新增的列'] = range(0, len(df))
df.head()

输出结果：

3.2 删除列

使用drop函数

df.drop('新增的列', axis = 1, inplace = True)    # 删除数据，axis=1表示对列进行操作， inplace表示在源数据上进行修改
df.head()

3.3 选中列

同时选中多个列

df2[['列名1', '列名2', '列名3']]

举个栗子：

4. 数据类型

4.1 字符串

值得注意的是，保存的数据中除了数值型数据，其他类型数据都是object，所以对数据的字符串进行处理需要先调用str，其余操作与python完全相同

举个栗子：

df2['来源明细'] = df2['来源明细'].str.replace('-','')

输出结果：

4.2 数值型

这个其实没啥好讲的，可以直接对数据进行操作，不过值得注意的是，可以使用其广播特性，可以看下面这个栗子：

df['访客数']+1000    # 广播机制，为这一列都加上1000

4.3 时间类型

时间类型里面学问比较多，这里简要学习一下

首先添加时间：

data = []
for i in range(len(df2)):
    data.append('2020-7-'+str(i+1))
df2['日期'] = data
df2['日期'].head()   # 默认添加是字符串类型的

输出效果：

可以看到默认添加的时间是字符串类型的，但是可以将字符串类型的转化为时间类型（当然需要满足xxxx-xx-xx或xxxx/xx/xx等格式）

df2['日期'] = pd.to_datetime(df2['日期'])
df2['日期'].head()

输出效果：

当我们将数据转化为时间类型时，就行进行许多人性化的操作，比如减法（求距离某一天有多少天）

5. 灵活的索引

5.1 位置索引

位置索引使用iloc函数，使用起来比较简单，可以直接看下面代码。

df.iloc[13:18, 0:4]   # 第个参数填写选取行，第二个参数填写选取列

选取效果：

5.2 标签索引

和位置索引类似，使用loc函数，使用方法类似，但是由于使用的不是数字，而是标签，所以填写参数的形式有所不同。

df2.loc[df2['流量来源'].isin(['二级', '三级']), ['流量来源', '来源明细', '访客数', '支付转化率']]
# 注意isin()函数的使用，大家看看都能明白

输出结果（成功筛选出流量来源为二级或者三级的行数，并且只展示 ‘流量来源’, ‘来源明细’, ‘访客数’, ‘支付转化率’ 这几列）：

当然可以用其他方式索引行，比如使用条件判断：

df2.loc[df2['访客数']>df2['访客数'].mean(), :]

一个条件判断不够，那你可以试试多个：

df2.loc[(df2['访客数']>df2['访客数'].mean()) & (df2['流量来源'].isin(['二级', '三级'])), :]

6. 数据合并

6.1 纵向合并

将几个数据纵向拼接起来，使用concat函数（需要总想数据维度完全一致）

df = pd.concat([d1, d2, d3])   # 将数据d1,d2,d3纵向合并

输出结果：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZWl0C7Sc-1595605777296)(https://s1.ax1x.com/2020/07/24/UvtMSP.png)]

6.2 横向合并

使用merge函数（但是也可以使用concat，只需设置一下axis），merge函数可以允许横向维度不同的情况。

函数原型：

merge(left, right, left_index, left_index, right_index, left_on, right_on, how)

参数说明：

• left：参与合并的左侧DataFrame
• right：参与合并的右侧DataFrame
• left_index：bool类型，当为True时将左侧行索引作为连接的键
• right_index：bool类型，当为True时将右侧行索引作为连接的键
• left_on：左侧DataFrame用于连接键的列
• right_on：右侧DataFrame用于连接键的列
• how：连接方式，包括’inner’（连接键取交集）, ‘outer’（连接键取并集）, ‘left’（取左侧连接键）, ‘right’（取右侧连接键）。（默认为inner）

---

栗子1：

# 分别尝试不同的连接方式，并且都是使用索引作为连接键
pd.merge(left=h1, right=h2, left_index=True, right_index=True, how='inner')
pd.merge(left=h1, right=h2, left_index=True, right_index=True, how='left')
pd.merge(left=h1, right=h2, left_index=True, right_index=True, how='right')
pd.merge(left=h1, right=h2, left_index=True, right_index=True, how='outer')

运行后结果：

---

栗子2

score_combine = pd.merge(left=max_score, right=min_score, left_on='姓名', right_on='姓名', how='inner')  
# 将姓名作为连接键将成绩合并一下

合并效果

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wuw6FvyU-1595605777298)(https://s1.ax1x.com/2020/07/24/UxVLm6.png)]

7. 数据行的操作

7.1 删除空行

使用dropna可以去除含有缺失值的行

df.dropna()   # 删除表中含有缺失值的行

运行结果

删除空行默认是删除含有缺失数据的行，当然也可以指定某列中的含有缺失数据的行。

df.dropna(subset=['客单价'])  # 当然也可以指定参数

7.2 行去重

将DataFrame中重复的行去掉

repeat = pd.concat([df, df])
print(len(repeat), len(df))
# 将一个DataFrame重复两遍
unique = repeat.drop_duplicates()  # 去重
print(len(unique))

输出结果：

30 15
15

7.3 行排序

使用sort_values按照指定列进行排序，而且可以同时指定多列（现在第一个指定列的基础上，再进行后续排序）

sort_df = df.sort_values(['流量级别', '支付金额'], ascending=False)
# 先按照流量级别排序，再按照支付金额降序（ascending升序）

输出结果

7.4 行分组

将数据按照某一列的值进行分组，然后再分组的基础上再进行其他操作（比如sum(), max(), min()等等）

df.groupby('流量级别').sum()   # 按照流量级别分组后然后对各项数据进行求和，有的变量不是数值型变量无法求和

输出结果：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vsYGtDZw-1595605777300)(https://s1.ax1x.com/2020/07/24/UxKamn.png)]

---

当然也可以指定数据项进行统计

df.groupby('流量级别')[['访客数', '支付金额']].sum()   # 选择指定的数据项进行统计

输出结果：

---

可以看到上述栗子分组后都会将分组项默认转化为index，当然我们可以指定参数，不让其成为index

df.groupby('流量级别', as_index=False)[['访客数', '支付金额']].sum()   # 分组后默认转化为索引列，当时可以指定

输出结果

7.5 行打标

往往行就是代表一个样本数据，我们经常就会有这样的需求，需要对样本进行打标，实现这一个打标的过程我们可以使用切分函数cut。

函数原型：

pd.cut(x, bins, right, labels)

参数说明：

• x：待切分的一维数组
• bins：切分方式，① 传入列表，则会按照列表中各个数据所形成的区间进行切分；② 传入数字，则会将数据切分成指定组数。
• right：bool类型，True时为左开右闭，否则相反
• label：各个区间所对应的标签，也可不指定

我们一个一个逐步深入：

pd.cut(x = df['访客数'], bins=[0, 100, 1000, 10000, 100000], right=True)
# 将数据分组划分到相应的区间，默认为左开右闭（课通过设置right来修改）

---

进一步的，尝试给各个区间打上标签：

pd.cut(x = df['访客数'], bins=[0, 100, 1000, 10000, 100000],
       right=True, labels=['辣鸡', '百级', '千级', '万级'])   # 可以为每一个区间打标

输出结果

---

有了以上这些我们就可以给我们的DataFrame打标了

df['分类达标']=pd.cut(x = df['访客数'], bins=[0, 100, 1000, 10000, 100000],
                  right=True, labels=['辣鸡', '百级', '千级', '万级'])   # 可以为每一个区间打标
df

输出结果：

8. apply函数

数据进行了行分组后就可以使用apply函数对各个组进行处理，可以使用现有的一些函数，如max，min等等，也可以自己定义，所以有时候就非常的方便。

使用现有的一些函数：

max_score = score.groupby('姓名')['综合成绩'].apply(max).reset_index()
# 一些常见的函数都可以apply（比如max min len） reset_index用于取消姓名索引

输出结果：

---

自定义apply函数

def bias(x):
    return x.max()-x.min()   # 求出最大的分数波动
score_bias = score.groupby('姓名')['综合成绩'].apply(bias).reset_index()

输出结果：