import pandas as pd
import numpy as np
# date_range() 的一些参数说明 :
# start : 开始时间
# end : 结束时间
# periods : 生成时间数量
# freq : 频率 按频率生成 设置为s 为秒 ,h ,d ,m , y
# normalize : 转换成午夜时间 设置为True 时,默认去除 时分秒
# closed : 时期区间的闭合 closed ='left' 左闭合 默认为None 全闭
class Pandaste():
def pandtest(self):
df = pd.DataFrame({"id":[1,2,3,4,5,6],
"date":pd.date_range('20130102', periods=6),
"city":['Beijin g ', 'SH', ' guang zhou ', 'Shen zhen', 'shang hai', 'BEI JING '],
"age":[23,44,54,32,34,32],
"category":['100-A','100-B','110-A','110-C','210-A','130-F'],
"price":[1200,np.nan,2133,5433,np.nan,4432]},columns =['id','date','city','category','age','price'])
# print(df.shape)#维度查看 比如这个df是六行六列就会输出(6, 6)
# print(df.info())#数据表基本信息(维度、列名称、数据格式、所占空间等):
# print(df.dtypes)#每一列数据的格式 跟上面的方法相似
# print(df['date'].dtype)#某一列格式:
# print(df.isnull())#空值:
# print(df['price'].isnull())#某一列的空值:
# print(df['price'].unique())#查看某一列的唯一值:
# print(df.values) #查看数据表的值
# print(df.columns)#打印列名
# print(df.head())#默认前10行数据
# print(df.tail())
#数据清洗
# df0=df.fillna(value=0)#用数字0填充空值:
# print(df0)
# dfa=df['price'].fillna(df['price'].mean())#使用列prince的均值对NA进行填充:
# print(dfa)
df['city'] = df['city'].map(str.strip) #清除头尾的空格
print(df)
df['city'] = df['city'].str.lower()#大小写转换:
dfi=df['price'].astype('int')#更改数据格式:
df.rename(columns={'category': 'category-size'})#更改列名称
df['city'].drop_duplicates()#删除后出现的重复值:
df['city'].drop_duplicates(keep='last')#删除先出现的重复值:
df['city'].replace('sh', 'shanghai')#数据替换
df = df.dropna( axis=0, how='any' ).reset_index()#循环删除某一个基金为空的
#pi_df = df.pivot('TradingDay', 'FundID', 'Beta') # 转置 data_df.pivot(index='userNum', columns='subjectCode', values='score')
rank_df = df.rolling(window=21).mean()#滚动21天求均值
df.rolling(window=3, min_periods=1).mean() #min_periods=1 表示窗口最少包含的观测值为1
#rolling_median 移动窗口的中位数
#数据预处理
df1 = pd.DataFrame({"id": [1001, 1002, 1003, 1004, 1005, 1006, 1007, 1008],
"gender": ['male', 'female', 'male', 'female', 'male', 'female', 'male', 'female'],
"pay": ['Y', 'N', 'Y', 'Y', 'N', 'Y', 'N', 'Y', ],
"m-point": [10, 12, 20, 40, 40, 40, 30, 20]})
#数据表合并
df_inner = pd.merge(df, df1, how='inner') # 匹配合并,交集
df_left = pd.merge(df, df1, how='left') #
df_right = pd.merge(df, df1, how='right')
df_outer = pd.merge(df, df1, how='outer') # 并集
df_inner.set_index('id')#设置索引列
df_inner.sort_values(by=['age'])#按照特定列的值排序:
df_inner.sort_index()#按照索引列排序:
df_inner['group'] = np.where(df_inner['price'] > 3000, 'high', 'low')#如果prince列的值>3000,group列显示high,否则显示low:
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign'] = 1#对复合多个条件的数据进行分组标记
#对category字段的值依次进行分列,并创建数据表,索引值为df_inner的索引列,列名称为category和size
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])
# df_inner=pd.merge(df_inner,split,right_index=True, left_index=True) #将完成分裂后的数据表和原df_inner数据表进行匹配 待验证
#数据提取
# 主要用到的三个函数:loc, iloc和ix,loc函数按标签值进行提取,iloc按位置进行提取,ix可以同时按标签和位置进行提取。
df_inner.loc[3]#1、按索引提取单行的数值
df_inner.iloc[0:5]#2、按索引提取区域行数值
df_inner.reset_index()# 3、重设索引
df_inner = df_inner.set_index('date')#4、设置日期为索引
df_inner[:'2013-01-04']# 5、提取4日之前的所有数据
df_inner.iloc[:3, :2] # 冒号前后的数字不再是索引的标签名称,而是数据所在的位置,从0开始,前三行,前两列。
df_inner.iloc[[0, 2, 5], [4, 5]] # 提取第0、2、5行,4、5列
df_inner.ix[:'2013-01-03', :4] # 2013-01-03号之前,前四列数据
df_inner['city'].isin(['beijing'])#9、判断city列的值是否为北京
df_inner.loc[df_inner['city'].isin(['beijing', 'shanghai'])]# 10、判断city列里是否包含beijing和shanghai,然后将符合条件的数据提取出来
pd.DataFrame(df['category'].str[:3])#11、提取前三个字符,并生成数据表
# 使用与、或、非三个条件配合大于、小于、等于对数据进行筛选,并进行计数和求和。
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category', 'gender']]# 1、使用“与”进行筛选
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category', 'gender']] .sort(['age'])#2、使用“或”进行筛选
df_inner.loc[(df_inner['city'] != 'beijing'), ['id', 'city', 'age', 'category', 'gender']].sort(['id'])#3、使用“非”条件进行筛选
df_inner.loc[(df_inner['city'] != 'beijing'), ['id', 'city', 'age', 'category', 'gender']].sort(['id']).city.count()#4、对筛选后的数据按city列进行计数
df_inner.query('city == ["beijing", "shanghai"]')#5、使用query函数进行筛选
df_inner.query('city == ["beijing", "shanghai"]').price.sum()#6、对筛选后的结果按prince进行求和
# 七、数据汇总
# 主要函数是groupby和pivote_table
df_inner.groupby('city').count()#1、对所有的列进行计数汇总
df_inner.groupby('city')['id'].count() #2、按城市对id字段进行计数
df_inner.groupby(['city', 'size'])['id'].count()#3、对两个字段进行汇总计数
df_inner.groupby('city')['price'].agg([len, np.sum, np.mean])#4、对city字段进行汇总,并分别计算prince的合计和均值
# 八、数据统计
# 数据采样,计算标准差,协方差和相关系数
df_inner.sample(n=3)#1、简单的数据采样
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)#2、手动设置采样权重
df_inner.sample(n=6, replace=False)#3、采样后不放回
df_inner.sample(n=6, replace=True)#4、采样后放回
df_inner.describe().round(2).T # round函数设置显示小数位,T表示转置 5、 数据表描述性统计
df_inner['price'].std()# 6、计算列的标准差
df_inner['price'].cov(df_inner['m-point'])#7、计算两个字段间的协方差
df_inner.cov()# 8、数据表中所有字段间的协方差
df_inner['price'].corr(df_inner['m-point']) # 相关系数在-1到1之间,接近1为正相关,接近-1为负相关,0为不相关 9、两个字段的相关性分析
df_inner.corr()#10、数据表的相关性分析
#九、数据输出
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')# 1、写入Excel
df_inner.to_csv('excel_to_python.csv')#2、写入到CSV
if __name__ == '__main__':
Pandaste().pandtest()
Pandas 测试案例
最新推荐文章于 2024-07-24 08:52:59 发布