数据结构简介
在pandas中有两类非常重要的数据结构,即序列Series和数据框DataFrame。Series类似于numpy中的一维数组,除了通吃一维数组可用的函数或方法,而且其可通过索引标签的方式获取数据,还具有索引的自动对齐功能;DataFrame类似于numpy中的二维数组,同样可以通用numpy数组的函数和方法,而且还具有其他灵活应用,后续会介绍到
Series的创建
通过一维数组创建序列
import numpy as np, pandas as pd
arr1 = np.arange(10)
print(arr1)
[0 1 2 3 4 5 6 7 8 9]
print(type(arr1))
<class 'numpy.ndarray'>
s1 = pd.Series(arr1)
print(s1)
0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
dtype: int32
print(type(s1))
<class 'pandas.core.series.Series'>
通过字典的方式创建序列
dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}
print(dic1)
print(type(dic1))
{'a': 10, 'b': 20, 'c': 30, 'd': 40, 'e': 50}
<class 'dict'>
通过DataFrame中的某一行或某一列创建序列
DataFrame的创建
通过二维数组创建数据框
arr2 = np.array(np.arange(12)).reshape(4,3)
print(arr2)
print(type(arr2))
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
<class 'numpy.ndarray'>
df1 = pd.DataFrame(arr2)
print(df1)
print(type(df1))
0 1 2
0 0 1 2
1 3 4 5
2 6 7 8
3 9 10 11
<class 'pandas.core.frame.DataFrame'>
通过字典的方式创建数据框
dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],'c':[9,10,11,12],'d':[13,14,15,16]}
print(dic2)
print(type(dic2))
{'a': [1, 2, 3, 4], 'b': [5, 6, 7, 8], 'c': [9, 10, 11, 12], 'd': [13, 14, 15, 16]}
<class 'dict'>
df2 = pd.DataFrame(dic2)
print(df2)
print(type(df2))
a b c d
0 1 5 9 13
1 2 6 10 14
2 3 7 11 15
3 4 8 12 16
<class 'pandas.core.frame.DataFrame'>
dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},'two':{'a':5,'b':6,'c':7,'d':8},'three':{'a':9,'b':10,'c':11,'d':12}}
print(dic3)
print(type(dic3))
{'one': {'a': 1, 'b': 2, 'c': 3, 'd': 4}, 'two': {'a': 5, 'b': 6, 'c': 7, 'd': 8}, 'three': {'a': 9, 'b': 10, 'c': 11, 'd': 12}}
<class 'dict'>
df3 = pd.DataFrame(dic3)
print(df3)
print(type(df3))
one two three
a 1 5 9
b 2 6 10
c 3 7 11
d 4 8 12
<class 'pandas.core.frame.DataFrame'>
通过数据框的方式创建数据框
df4 = df3[['one','three']]
print(df4)
print(type(df4))
one three
a 1 9
b 2 10
c 3 11
d 4 12
<class 'pandas.core.frame.DataFrame'>
s3 = df3['one']
print(s3)
print(type(s3))
a 1
b 2
c 3
d 4
Name: one, dtype: int64
<class 'pandas.core.series.Series'>
数据索引index
通过索引值或索引标签获取数据
s4 = pd.Series(np.array([1,1,2,3,5,8]))
print(s4)
0 1
1 1
2 2
3 3
4 5
5 8
dtype: int32
print(s4.index)
RangeIndex(start=0, stop=6, step=1)
s4.index = ['a','b','c','d','e','f']
print(s4)
a 1
b 1
c 2
d 3
e 5
f 8
dtype: int32
print('s4[3]: ',s4[3])
print('s4[e]: ',s4['e'])
print("s4[1,3,5]: ",s4[[1,3,5]])
print("s4[['a','b','d','f']]: ",s4[['a','b','d','f']])
print('s4[:4]: ',s4[:4])
print("s4['c':]: ",s4['c':])
print("s4['b':'e']: ",s4['b':'e'])
s4[3]: 3
s4[e]: 5
s4[1,3,5]: b 1
d 3
f 8
dtype: int32
s4[['a','b','d','f']]: a 1
b 1
d 3
f 8
dtype: int32
s4[:4]: a 1
b 1
c 2
d 3
dtype: int32
s4['c':]: c 2
d 3
e 5
f 8
dtype: int32
s4['b':'e']: b 1
c 2
d 3
e 5
dtype: int32
千万注意:如果通过索引标签获取数据的话,末端标签所对应的值是可以返回的!在一维数组中,就无法通过索引标签获取数据,这也是序列不同于一维数组的一个方面
自动化对齐
如果有两个序列,需要对这两个序列进行算术运算,这时索引的存在就体现的它的价值了—自动化对齐.
s5 = pd.Series(np.array([10,15,20,30,55,80]),index = ['a','b','c','d','e','f'])
print(s5)
s6 = pd.Series(np.array([12,11,13,15,14,16]),index = ['a','c','g','b','d','f'])
print(s6)
print(s5 + s6)
print(s5/s6)
a 10
b 15
c 20
d 30
e 55
f 80
dtype: int32
a 12
c 11
g 13
b 15
d 14
f 16
dtype: int32
a 22.0
b 30.0
c 31.0
d 44.0
e NaN
f 96.0
g NaN
dtype: float64
a 0.833333
b 1.000000
c 1.818182
d 2.142857
e NaN
f 5.000000
g NaN
dtype: float64
由于s5中没有对应的g索引,s6中没有对应的e索引,所以数据的运算会产生两个缺失值NaN。注意,这里的算术结果就实现了两个序列索引的自动对齐,而非简单的将两个序列加总或相除。对于数据框的对齐,不仅仅是行索引的自动对齐,同时也会自动对齐列索引(变量名)
数据框中同样有索引,而且数据框是二维数组的推广,所以其不仅有行索引,而且还存在列索引,关于数据框中的索引相比于序列的应用要强大的多,这部分内容将放在数据查询中讲解。
利用pandas查询数据
这里的查询数据相当于R语言里的subset功能,可以通过布尔索引有针对的选取原数据的子集、指定行、指定列等。我们先导入一个student数据集
import pandas as pd
stu_dic = {'Age':[14,13,13,14,14,12,12,15,13,12,11,14,12,15,16,12,15,11,15],
'Height':[69,56.5,65.3,62.8,63.5,57.3,59.8,62.5,62.5,59,51.3,64.3,56.3,66.5,72,64.8,67,57.5,66.5],
'Name':['Alfred','Alice','Barbara','Carol','Henry','James','Jane','Janet','Jeffrey','John','Joyce','Judy','Louise','Marry','Philip','Robert','Ronald','Thomas','Willam'],
'Sex':['M','F','F','F','M','M','F','F','M','M','F','F','F','F','M','M','M','M','M'],
'Weight':[112.5,84,98,102.5,102.5,83,84.5,112.5,84,99.5,50.5,90,77,112,150,128,133,85,112]}
student = pd.DataFrame(stu_dic)
student.head()
Age | Height | Name | Sex | Weight | |
---|---|---|---|---|---|
0 | 14 | 69.0 | Alfred | M | 112.5 |
1 | 13 | 56.5 | Alice | F | 84.0 |
2 | 13 | 65.3 | Barbara | F | 98.0 |
3 | 14 | 62.8 | Carol | F | 102.5 |
4 | 14 | 63.5 | Henry | M | 102.5 |
student.tail()
Age | Height | Name | Sex | Weight | |
---|---|---|---|---|---|
14 | 16 | 72.0 | Philip | M | 150.0 |
15 | 12 | 64.8 | Robert | M | 128.0 |
16 | 15 | 67.0 | Ronald | M | 133.0 |
17 | 11 | 57.5 | Thomas | M | 85.0 |
18 | 15 | 66.5 | Willam | M | 112.0 |
student.loc[[0,2,4,5,7]] #这里的loc索引标签函数必须是中括号[]
Age | Height | Name | Sex | Weight | |
---|---|---|---|---|---|
0 | 14 | 69.0 | Alfred | M | 112.5 |
2 | 13 | 65.3 | Barbara | F | 98.0 |
4 | 14 | 63.5 | Henry | M | 102.5 |
5 | 12 | 57.3 | James | M | 83.0 |
7 | 15 | 62.5 | Janet | F | 112.5 |
student[['Name','Height','Weight']].head() #如果多个列的话,必须使用双重中括号
Name | Height | Weight | |
---|---|---|---|
0 | Alfred | 69.0 | 112.5 |
1 | Alice | 56.5 | 84.0 |
2 | Barbara | 65.3 | 98.0 |
3 | Carol | 62.8 | 102.5 |
4 | Henry | 63.5 | 102.5 |
print(student.loc[:,['Name','Height','Weight']].head())
Name Height Weight
0 Alfred 69.0 112.5
1 Alice 56.5 84.0
2 Barbara 65.3 98.0
3 Carol 62.8 102.5
4 Henry 63.5 102.5
student[(student['Sex']=='F') & (student['Age']>12)]
Age | Height | Name | Sex | Weight | |
---|---|---|---|---|---|
1 | 13 | 56.5 | Alice | F | 84.0 |
2 | 13 | 65.3 | Barbara | F | 98.0 |
3 | 14 | 62.8 | Carol | F | 102.5 |
7 | 15 | 62.5 | Janet | F | 112.5 |
11 | 14 | 64.3 | Judy | F | 90.0 |
13 | 15 | 66.5 | Marry | F | 112.0 |
student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]
Name | Height | Weight | |
---|---|---|---|
1 | Alice | 56.5 | 84.0 |
2 | Barbara | 65.3 | 98.0 |
3 | Carol | 62.8 | 102.5 |
7 | Janet | 62.5 | 112.5 |
11 | Judy | 64.3 | 90.0 |
13 | Marry | 66.5 | 112.0 |
利用pandas的DataFrames进行统计分析
pandas模块为我们提供了非常多的描述性统计分析的指标函数,如总和、均值、最小值、最大值等,我们来具体看看这些函数: 首先随机生成三组数据
np.random.seed(1234)
d1 = pd.Series(2*np.random.normal(size = 100)+3)
d2 = np.random.f(2,4,size = 100)
d3 = np.random.randint(1,100,size = 100)
print('非空元素计算: ', d1.count()) #非空元素计算
print('最小值: ', d1.min()) #最小值
print('最大值: ', d1.max()) #最大值
print('最小值的位置: ', d1.idxmin()) #最小值的位置,类似于R中的which.min函数
print('最大值的位置: ', d1.idxmax()) #最大值的位置,类似于R中的which.max函数
print('10%分位数: ', d1.quantile(0.1)) #10%分位数
print('求和: ', d1.sum()) #求和
print('均值: ', d1.mean()) #均值
print('中位数: ', d1.median()) #中位数
print('众数: ', d1.mode()) #众数
print('方差: ', d1.var()) #方差
print('标准差: ', d1.std()) #标准差
print('平均绝对偏差: ', d1.mad()) #平均绝对偏差
print('偏度: ', d1.skew()) #偏度
print('峰度: ', d1.kurt()) #峰度
非空元素计算: 100
最小值: -4.1270333212494705
最大值: 7.781921030926066
最小值的位置: 81
最大值的位置: 39
10%分位数: 0.6870184644069928
求和: 307.0224566250873
均值: 3.070224566250874
中位数: 3.204555266776845
众数: 0 -4.127033
1 -1.800907
2 -1.485370
3 -1.149955
4 -1.042510
5 -0.634054
6 -0.093811
7 0.108380
8 0.196053
9 0.618049
10 0.694682
11 0.714737
12 0.862022
13 0.944299
14 1.051527
15 1.147491
16 1.205686
17 1.429130
18 1.558823
19 1.688061
20 1.726953
21 1.830564
22 1.867108
23 1.903515
24 1.976237
25 2.061389
26 2.139809
27 2.200071
28 2.204320
29 2.310468
...
70 4.131477
71 4.263959
72 4.351108
73 4.408456
74 4.409441
75 4.510828
76 4.534737
77 4.633188
78 4.682018
79 4.683349
80 4.719177
81 4.727435
82 4.774326
83 4.906648
84 4.969840
85 4.983892
86 5.067601
87 5.091877
88 5.095157
89 5.117938
90 5.300071
91 5.636303
92 5.642211
93 5.642316
94 5.783972
95 5.865414
96 6.091318
97 7.015686
98 7.061207
99 7.781921
Length: 100, dtype: float64
方差: 4.005609378535085
标准差: 2.0014018533355777
平均绝对偏差: 1.5112880411556109
偏度: -0.6494780760484293
峰度: 1.2201094052398012
必须注意的是,descirbe方法只能针对序列或数据框,一维数组是没有这个方法的
def stats(x):
return pd.Series([x.count(),x.min(),x.idxmin(),x.quantile(.25),x.median(),x.quantile(.75),
x.mean(),x.max(),x.idxmax(),x.mad(),x.var(),x.std(),x.skew(),x.kurt()],
index = ['Count','Min','Whicn_Min','Q1','Median','Q3','Mean','Max',
'Which_Max','Mad','Var','Std','Skew','Kurt'])
print(stats(d1))
Count 100.000000
Min -4.127033
Whicn_Min 81.000000
Q1 2.040101
Median 3.204555
Q3 4.434788
Mean 3.070225
Max 7.781921
Which_Max 39.000000
Mad 1.511288
Var 4.005609
Std 2.001402
Skew -0.649478
Kurt 1.220109
dtype: float64
在实际的工作中,我们可能需要处理的是一系列的数值型数据框,如何将这个函数应用到数据框中的每一列呢?可以使用apply函数,这个非常类似于R中的apply的应用方法。 将之前创建的d1,d2,d3数据构建数据框:
df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])
print(df.head())
x1 x2 x3
0 3.942870 1.369531 55.0
1 0.618049 0.943264 68.0
2 5.865414 0.590663 73.0
3 2.374696 0.206548 59.0
4 1.558823 0.223204 60.0
print(df.apply(stats))
x1 x2 x3
Count 100.000000 100.000000 100.000000
Min -4.127033 0.014330 3.000000
Whicn_Min 81.000000 72.000000 76.000000
Q1 2.040101 0.249580 25.000000
Median 3.204555 1.000613 54.500000
Q3 4.434788 2.101581 73.000000
Mean 3.070225 2.028608 51.490000
Max 7.781921 18.791565 98.000000
Which_Max 39.000000 53.000000 96.000000
Mad 1.511288 1.922669 24.010800
Var 4.005609 10.206447 780.090808
Std 2.001402 3.194753 27.930106
Skew -0.649478 3.326246 -0.118917
Kurt 1.220109 12.636286 -1.211579
非常完美,就这样很简单的创建了数值型数据的统计性描述。如果是离散型数据呢?就不能用这个统计口径了,我们需要统计离散变量的观测数、唯一值个数、众数水平及个数。你只需要使用describe方法就可以实现这样的统计了
print(student['Sex'].describe())
count 19
unique 2
top M
freq 10
Name: Sex, dtype: object
print(df.corr())
x1 x2 x3
x1 1.000000 0.136085 0.037185
x2 0.136085 1.000000 -0.005688
x3 0.037185 -0.005688 1.000000
关于相关系数的计算可以调用pearson方法或kendell方法或spearman方法,默认使用pearson方法。
print(df.corr('spearman'))
x1 x2 x3
x1 1.00000 0.178950 0.006590
x2 0.17895 1.000000 -0.033874
x3 0.00659 -0.033874 1.000000
print(df.corrwith(df['x1']))
x1 1.000000
x2 0.136085
x3 0.037185
dtype: float64
利用pandas实现SQL操作
在SQL中常见的操作主要是增、删、改、查几个动作,那么pandas能否实现对数据的这几项操作呢?答案是Of Course!
dic = {'Name':['LiuShunxiang','Zhangshan'],'Sex':['M','F'],'Age':[27,23],'Height':[165.7,167.2],'Weight':[61,63]}
student2 = pd.DataFrame(dic)
print(student2)
Name Sex Age Height Weight
0 LiuShunxiang M 27 165.7 61
1 Zhangshan F 23 167.2 63
print()
student3 = pd.concat([student,student2])
print(student3)
Age Height Name Sex Weight
0 14 69.0 Alfred M 112.5
1 13 56.5 Alice F 84.0
2 13 65.3 Barbara F 98.0
3 14 62.8 Carol F 102.5
4 14 63.5 Henry M 102.5
5 12 57.3 James M 83.0
6 12 59.8 Jane F 84.5
7 15 62.5 Janet F 112.5
8 13 62.5 Jeffrey M 84.0
9 12 59.0 John M 99.5
10 11 51.3 Joyce F 50.5
11 14 64.3 Judy F 90.0
12 12 56.3 Louise F 77.0
13 15 66.5 Marry F 112.0
14 16 72.0 Philip M 150.0
15 12 64.8 Robert M 128.0
16 15 67.0 Ronald M 133.0
17 11 57.5 Thomas M 85.0
18 15 66.5 Willam M 112.0
0 27 165.7 LiuShunxiang M 61.0
1 23 167.2 Zhangshan F 63.0
D:\anacoda\lib\site-packages\ipykernel_launcher.py:1: FutureWarning: Sorting because non-concatenation axis is not aligned. A future version
of pandas will change to not sort by default.
To accept the future behavior, pass 'sort=False'.
To retain the current behavior and silence the warning, pass 'sort=True'.
"""Entry point for launching an IPython kernel.
print(pd.DataFrame(student2, columns=['Age','Height','Name','Sex','Weight','Score']))
Age Height Name Sex Weight Score
0 27 165.7 LiuShunxiang M 61 NaN
1 23 167.2 Zhangshan F 63 NaN
del student2 #删除数据框student2, 通过del命令可以删除python的所有对象
print(student2)
---------------------------------------------------------------------------
NameError Traceback (most recent call last)
<ipython-input-54-3453d237c14b> in <module>()
1 del student2 #删除数据框student2, 通过del命令可以删除python的所有对象
----> 2 print(student2)
NameError: name 'student2' is not defined
print(student.drop([0,1,3,6]))#删除指定行的内容的数据
Age Height Name Sex Weight
2 13 65.3 Barbara F 98.0
4 14 63.5 Henry M 102.5
5 12 57.3 James M 83.0
7 15 62.5 Janet F 112.5
8 13 62.5 Jeffrey M 84.0
9 12 59.0 John M 99.5
10 11 51.3 Joyce F 50.5
11 14 64.3 Judy F 90.0
12 12 56.3 Louise F 77.0
13 15 66.5 Marry F 112.0
14 16 72.0 Philip M 150.0
15 12 64.8 Robert M 128.0
16 15 67.0 Ronald M 133.0
17 11 57.5 Thomas M 85.0
18 15 66.5 Willam M 112.0
print(student[student['Age']>14])
Age Height Name Sex Weight
7 15 62.5 Janet F 112.5
13 15 66.5 Marry F 112.0
14 16 72.0 Philip M 150.0
16 15 67.0 Ronald M 133.0
18 15 66.5 Willam M 112.0
print(student.drop(['Height','Weight'],axis=1).head())
Age Name Sex
0 14 Alfred M
1 13 Alice F
2 13 Barbara F
3 14 Carol F
4 14 Henry M
如果发现表中的某些数据错误了,如何更改原来的值呢?我们试试结合布尔索引和赋值的方法: 例如发现student3中姓名为LiuShunxiang的学生身高错了,应该是173,如何改呢?
student3.loc[student3['Name'] == 'LiuShunxiang','Height']=173
print(student3[student3['Name'] == 'LiuShunxiang'][['Name','Height']])
Name Height
0 LiuShunxiang 173.0
聚合:pandas模块中可以通过groupby()函数实现数据的聚合操作
根据性别分组,计算各组别中学生身高和体重的平均值:
print(student.groupby('Sex').mean())
Age Height Weight
Sex
F 13.222222 60.588889 90.111111
M 13.400000 63.910000 108.950000
如果不对原始数据作限制的话,聚合函数会自动选择数值型数据进行聚合计算。如果不想对年龄计算平均值的话,就需要剔除改变量:
print(student.drop('Age',axis=1).groupby('Sex').mean())
Height Weight
Sex
F 60.588889 90.111111
M 63.910000 108.950000
groupby还可以使用多个分组变量,例如根本年龄和性别分组,计算身高与体重的平均值:
print(student.groupby(['Sex','Age']).mean())
Height Weight
Sex Age
F 11 51.300000 50.50
12 58.050000 80.75
13 60.900000 91.00
14 63.550000 96.25
15 64.500000 112.25
M 11 57.500000 85.00
12 60.366667 103.50
13 62.500000 84.00
14 66.250000 107.50
15 66.750000 122.50
16 72.000000 150.00
print(student.drop('Age',axis=1).groupby('Sex').agg([np.mean,np.median]))
Height Weight
mean median mean median
Sex
F 60.588889 62.50 90.111111 90.00
M 63.910000 64.15 108.950000 107.25
排序:
排序在日常的统计分析中还是比较常见的操作,我们可以使用sort_index和sort_values实现序列和数据框的排序工作:
Data = pd.Series(np.array(np.random.randint(1,20,10)))
print(Data)
print(Data.sort_index())
print(Data.sort_values(ascending=False))
0 18
1 15
2 16
3 18
4 16
5 8
6 17
7 10
8 16
9 6
dtype: int32
0 18
1 15
2 16
3 18
4 16
5 8
6 17
7 10
8 16
9 6
dtype: int32
3 18
0 18
6 17
8 16
4 16
2 16
1 15
7 10
5 8
9 6
dtype: int32
在数据框中一般都是按值排序,
例如:
print(student.sort_values(by = ['Age','Height']))
Age Height Name Sex Weight
10 11 51.3 Joyce F 50.5
17 11 57.5 Thomas M 85.0
12 12 56.3 Louise F 77.0
5 12 57.3 James M 83.0
9 12 59.0 John M 99.5
6 12 59.8 Jane F 84.5
15 12 64.8 Robert M 128.0
1 13 56.5 Alice F 84.0
8 13 62.5 Jeffrey M 84.0
2 13 65.3 Barbara F 98.0
3 14 62.8 Carol F 102.5
4 14 63.5 Henry M 102.5
11 14 64.3 Judy F 90.0
0 14 69.0 Alfred M 112.5
7 15 62.5 Janet F 112.5
13 15 66.5 Marry F 112.0
18 15 66.5 Willam M 112.0
16 15 67.0 Ronald M 133.0
14 16 72.0 Philip M 150.0
多表连接:
多表之间的连接也是非常常见的数据库操作,连接分内连接和外连接,在数据库语言中通过join关键字实现,pandas我比较建议使用merger函数实现数据的各种连接操作。 如下是构造一张学生的成绩表:
dic2 = {'Name':['Alfred','Alice','Barbara','Carol','Henry','Jeffrey','Judy','Philip','Robert','Willam'],
'Score':[88,76,89,67,79,90,92,86,73,77]}
score = pd.DataFrame(dic2)
print(score)
Name Score
0 Alfred 88
1 Alice 76
2 Barbara 89
3 Carol 67
4 Henry 79
5 Jeffrey 90
6 Judy 92
7 Philip 86
8 Robert 73
9 Willam 77
现在想把学生表student与学生成绩表score做一个关联,该如何操作呢?
stu_score1 = pd.merge(student, score, on='Name')
print(stu_score1)
Age Height Name Sex Weight Score
0 14 69.0 Alfred M 112.5 88
1 13 56.5 Alice F 84.0 76
2 13 65.3 Barbara F 98.0 89
3 14 62.8 Carol F 102.5 67
4 14 63.5 Henry M 102.5 79
5 13 62.5 Jeffrey M 84.0 90
6 14 64.3 Judy F 90.0 92
7 16 72.0 Philip M 150.0 86
8 12 64.8 Robert M 128.0 73
9 15 66.5 Willam M 112.0 77
注意,默认情况下,merge函数实现的是两个表之间的内连接,即返回两张表中共同部分的数据。可以通过how参数设置连接的方式,left为左连接;right为右连接;outer为外连接。
stu_score2 = pd.merge(student, score, on='Name', how='left')
print(stu_score2)
Age Height Name Sex Weight Score
0 14 69.0 Alfred M 112.5 88.0
1 13 56.5 Alice F 84.0 76.0
2 13 65.3 Barbara F 98.0 89.0
3 14 62.8 Carol F 102.5 67.0
4 14 63.5 Henry M 102.5 79.0
5 12 57.3 James M 83.0 NaN
6 12 59.8 Jane F 84.5 NaN
7 15 62.5 Janet F 112.5 NaN
8 13 62.5 Jeffrey M 84.0 90.0
9 12 59.0 John M 99.5 NaN
10 11 51.3 Joyce F 50.5 NaN
11 14 64.3 Judy F 90.0 92.0
12 12 56.3 Louise F 77.0 NaN
13 15 66.5 Marry F 112.0 NaN
14 16 72.0 Philip M 150.0 86.0
15 12 64.8 Robert M 128.0 73.0
16 15 67.0 Ronald M 133.0 NaN
17 11 57.5 Thomas M 85.0 NaN
18 15 66.5 Willam M 112.0 77.0
6. 利用pandas进行缺失值的处理
现实生活中的数据是非常杂乱的,其中缺失值也是非常常见的,对于缺失值的存在可能会影响到后期的数据分析或挖掘工作,那么我们该如何处理这些缺失值呢?
常用的有三大类方法,即删除法、填补法和插值法。
删除法:当数据中的某个变量大部分值都是缺失值,可以考虑删除改变量;当缺失值是随机分布的,且缺失的数量并不是很多是,也可以删除这些缺失的观测。
替补法:对于连续型变量,如果变量的分布近似或就是正态分布的话,可以用均值替代那些缺失值;如果变量是有偏的,可以使用中位数来代替那些缺失值;对于离散型变量,我们一般用众数去替换那些存在缺失的观测。
插补法:插补法是基于蒙特卡洛模拟法,结合线性模型、广义线性模型、决策树等方法计算出来的预测值替换缺失值。
s = stu_score2['Score']
print(s)
0 88.0
1 76.0
2 89.0
3 67.0
4 79.0
5 NaN
6 NaN
7 NaN
8 90.0
9 NaN
10 NaN
11 92.0
12 NaN
13 NaN
14 86.0
15 73.0
16 NaN
17 NaN
18 77.0
Name: Score, dtype: float64
这是一组含有缺失值的序列,我们可以结合sum函数和isnull函数来检测数据中含有多少缺失值:
print(sum(pd.isnull(s)))
9
print(sum(pd.isnull(s)))
9
print(s.dropna())
0 88.0
1 76.0
2 89.0
3 67.0
4 79.0
8 90.0
11 92.0
14 86.0
15 73.0
18 77.0
Name: Score, dtype: float64
print(s)
0 88.0
1 76.0
2 89.0
3 67.0
4 79.0
5 NaN
6 NaN
7 NaN
8 90.0
9 NaN
10 NaN
11 92.0
12 NaN
13 NaN
14 86.0
15 73.0
16 NaN
17 NaN
18 77.0
Name: Score, dtype: float64
df = pd.DataFrame([[1,1,2],[3,5,np.nan],[13,21,34],[55,np.nan,10],[np.nan,np.nan,np.nan],[np.nan,1,2]],columns=('x1','x2','x3'))
print(df)
print(df.dropna())
x1 x2 x3
0 1.0 1.0 2.0
1 3.0 5.0 NaN
2 13.0 21.0 34.0
3 55.0 NaN 10.0
4 NaN NaN NaN
5 NaN 1.0 2.0
x1 x2 x3
0 1.0 1.0 2.0
2 13.0 21.0 34.0
返回结果表明,数据中只要含有缺失值NaN,该数据行就会被删除,如果使用参数how=’all’,则表明只删除所有行为缺失值的观测;
使用一个常量来填补缺失值,可以使用fillna函数实现简单的填补工作:
print(df.fillna(0))
x1 x2 x3
0 1.0 1.0 2.0
1 3.0 5.0 0.0
2 13.0 21.0 34.0
3 55.0 0.0 10.0
4 0.0 0.0 0.0
5 0.0 1.0 2.0
df = pd.DataFrame([[1,1,2],[3,5,np.nan],[13,21,34],[55,np.nan,10],[np.nan,np.nan,np.nan],[np.nan,1,2]],columns=('x1','x2','x3'))
print(df)
print(df.dropna())
x1 x2 x3
0 1.0 1.0 2.0
1 3.0 5.0 NaN
2 13.0 21.0 34.0
3 55.0 NaN 10.0
4 NaN NaN NaN
5 NaN 1.0 2.0
x1 x2 x3
0 1.0 1.0 2.0
2 13.0 21.0 34.0
返回结果表明,数据中只要含有缺失值NaN,该数据行就会被删除,如果使用参数how=’all’,则表明只删除所有行为缺失值的观测;
使用一个常量来填补缺失值,可以使用fillna函数实现简单的填补工作
用0填补所有缺失值
print(df.fillna(0))
x1 x2 x3
0 1.0 1.0 2.0
1 3.0 5.0 0.0
2 13.0 21.0 34.0
3 55.0 0.0 10.0
4 0.0 0.0 0.0
5 0.0 1.0 2.0
采用前项填充或后向填充
print(df.fillna(method='ffill'))
print(df.fillna(method='bfill'))
x1 x2 x3
0 1.0 1.0 2.0
1 3.0 5.0 2.0
2 13.0 21.0 34.0
3 55.0 21.0 10.0
4 55.0 21.0 10.0
5 55.0 1.0 2.0
x1 x2 x3
0 1.0 1.0 2.0
1 3.0 5.0 34.0
2 13.0 21.0 34.0
3 55.0 1.0 10.0
4 NaN 1.0 2.0
5 NaN 1.0 2.0
使用常量填充不同的列
print(df.fillna({'x1':1,'x2':2,'x3':3}))
x1 x2 x3
0 1.0 1.0 2.0
1 3.0 5.0 3.0
2 13.0 21.0 34.0
3 55.0 2.0 10.0
4 1.0 2.0 3.0
5 1.0 1.0 2.0
x1_median=df['x1'].median()
x2_mean=df['x2'].mean()
x3_mean=df['x3'].mean()
print(x1_median)
print(x2_mean)
print(x3_mean)
print(df.fillna({'x1':x1_median,'x2':x2_mean,'x3':x3_mean}))
8.0
7.0
12.0
x1 x2 x3
0 1.0 1.0 2.0
1 3.0 5.0 12.0
2 13.0 21.0 34.0
3 55.0 7.0 10.0
4 8.0 7.0 12.0
5 8.0 1.0 2.0
很显然,在使用填充法时,相对于常数填充或前项、后项填充,使用各列的众数、均值或中位数填充要更加合理一点,这也是工作中常用的一个快捷手段。
利用pandas实现Excel的数据透视表功能
在Excel中有一个非常强大的功能就是数据透视表,通过托拉拽的方式可以迅速的查看数据的聚合情况,这里的聚合可以是计数、求和、均值、标准差等。 pandas为我们提供了非常强大的函数pivot_table(),该函数就是实现数据透视表功能的。对于上面所说的一些聚合函数,可以通过参数aggfunc设定。我们先看看这个函数的语法和参数吧
pivot_table(data,values=None,
index=None,
columns=None,
aggfunc=‘mean’,
fill_value=None,
margins=False,
dropna=True,
margins_name=‘All’)
data:需要进行数据透视表操作的数据框
values:指定需要聚合的字段
index:指定某些原始变量作为行索引
columns:指定哪些离散的分组变量
aggfunc:指定相应的聚合函数
fill_value:使用一个常数替代缺失值,默认不替换
margins:是否进行行或列的汇总,默认不汇总
dropna:默认所有观测为缺失的列
margins_name:默认行汇总或列汇总的名称为’All’
我们仍然以student表为例,来认识一下数据透视表pivot_table函数的用法: 对一个分组变量(Sex),一个数值变量(Height)作统计汇总
Table3 = pd.pivot_table(student, values=['Height','Weight'], columns=['Sex','Age'])
print(Table3)
Sex Age
Height F 11 51.300000
12 58.050000
13 60.900000
14 63.550000
15 64.500000
M 11 57.500000
12 60.366667
13 62.500000
14 66.250000
15 66.750000
16 72.000000
Weight F 11 50.500000
12 80.750000
13 91.000000
14 96.250000
15 112.250000
M 11 85.000000
12 103.500000
13 84.000000
14 107.500000
15 122.500000
16 150.000000
dtype: float64
Table5 = pd.pivot_table(student, values=['Height','Weight'], columns=['Sex'],aggfunc=[np.mean,np.median,np.std])
print(Table5)
mean median std
Sex F M F M F M
Height 60.588889 63.91 62.5 64.15 5.018328 4.937937
Weight 90.111111 108.95 90.0 107.25 19.383914 22.727186
上面学习的内容能为pandas的基础数数据表链接操作
多层索引的使用回目录
最后我们再来讲讲pandas中的一个重要功能,那就是多层索引。在序列中它可以实现在一个轴上拥有多个索引,就类似于Excel中常见的这种形式:
import pandas as pd
import numpy as np
# Series的层次化索引,索引是一个二维数组,相当于两个索引决定一个值
# 有点类似于DataFrame的行索引和列索引
s = pd.Series(np.arange(1,10),index=[["a","a","a","b","b","c","c","d","d"],[1,2,3,1,2,3,1,2,3]])
print(s)
a 1 1
2 2
3 3
b 1 4
2 5
c 3 6
1 7
d 2 8
3 9
dtype: int32
print(s.index)
MultiIndex(levels=[['a', 'b', 'c', 'd'], [1, 2, 3]],
labels=[[0, 0, 0, 1, 1, 2, 2, 3, 3], [0, 1, 2, 0, 1, 2, 0, 1, 2]])
此处为多层的索引,并且索引的值为目标多层索引
#选取外层索引为a的数据
print("one",s['a'])
#选取外层索引为a和内层索引为1的数据
print("two",s['a',1])
#选取外层索引为a和内层索引为1,3的数据
print("three",s['a'][[1,3]])
#层次化索引的切片,包括右端的索引
print("foure",s[['a','c']])
print("five",s['b':'d'])
#通过unstack方法可以将Series变成一个DataFrame
#数据的类型以及数据的输出结构都变成了DataFrame,对于不存在的位置使用NaN填充
print(s.unstack())
one 1 1
2 2
3 3
dtype: int32
two 1
three 1 1
3 3
dtype: int32
foure a 1 1
2 2
3 3
c 3 6
1 7
dtype: int32
five b 1 4
2 5
c 3 6
1 7
d 2 8
3 9
dtype: int32
1 2 3
a 1.0 2.0 3.0
b 4.0 5.0 NaN
c 7.0 NaN 6.0
d NaN 8.0 9.0
data = pd.DataFrame(np.random.randint(0,150,size=(8,12)),
columns = pd.MultiIndex.from_product([['模拟考','正式考'],
['数学','语文','英语','物理','化学','生物']]),
index = pd.MultiIndex.from_product([['期中','期末'],
['雷军','李斌'],
['测试一','测试二']]))
data
模拟考 | 正式考 | |||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
数学 | 语文 | 英语 | 物理 | 化学 | 生物 | 数学 | 语文 | 英语 | 物理 | 化学 | 生物 | |||
期中 | 雷军 | 测试一 | 126 | 110 | 0 | 109 | 48 | 115 | 136 | 15 | 148 | 23 | 13 | 44 |
测试二 | 105 | 147 | 101 | 144 | 72 | 11 | 70 | 85 | 110 | 114 | 137 | 25 | ||
李斌 | 测试一 | 11 | 32 | 126 | 16 | 64 | 139 | 5 | 130 | 46 | 94 | 86 | 144 | |
测试二 | 129 | 129 | 88 | 77 | 146 | 88 | 22 | 147 | 73 | 99 | 122 | 47 | ||
期末 | 雷军 | 测试一 | 90 | 4 | 84 | 102 | 87 | 15 | 10 | 105 | 16 | 127 | 128 | 42 |
测试二 | 31 | 120 | 136 | 134 | 44 | 142 | 119 | 54 | 80 | 134 | 62 | 12 | ||
李斌 | 测试一 | 74 | 122 | 36 | 24 | 40 | 73 | 8 | 38 | 22 | 31 | 74 | 104 | |
测试二 | 24 | 11 | 120 | 9 | 121 | 48 | 27 | 135 | 9 | 133 | 18 | 94 |
data['模拟考'][['语文','数学']]
语文 | 数学 | |||
---|---|---|---|---|
期中 | 雷军 | 测试一 | 110 | 126 |
测试二 | 147 | 105 | ||
李斌 | 测试一 | 32 | 11 | |
测试二 | 129 | 129 | ||
期末 | 雷军 | 测试一 | 4 | 90 |
测试二 | 120 | 31 | ||
李斌 | 测试一 | 122 | 74 | |
测试二 | 11 | 24 |
print(data.loc['期中','雷军','测试一']['模拟考','数学'])
126
print(data.loc['期中','雷军','测试一'])
模拟考 数学 126
语文 110
英语 0
物理 109
化学 48
生物 115
正式考 数学 136
语文 15
英语 148
物理 23
化学 13
生物 44
Name: (期中, 雷军, 测试一), dtype: int32
多层索引数据
data['正式考']
数学 | 语文 | 英语 | 物理 | 化学 | 生物 | |||
---|---|---|---|---|---|---|---|---|
期中 | 雷军 | 测试一 | 136 | 15 | 148 | 23 | 13 | 44 |
测试二 | 70 | 85 | 110 | 114 | 137 | 25 | ||
李斌 | 测试一 | 5 | 130 | 46 | 94 | 86 | 144 | |
测试二 | 22 | 147 | 73 | 99 | 122 | 47 | ||
期末 | 雷军 | 测试一 | 10 | 105 | 16 | 127 | 128 | 42 |
测试二 | 119 | 54 | 80 | 134 | 62 | 12 | ||
李斌 | 测试一 | 8 | 38 | 22 | 31 | 74 | 104 | |
测试二 | 27 | 135 | 9 | 133 | 18 | 94 |
基础方法就这些