pandas的学习思路:
实际工作当中我们在使用pandas库的时候,我们应该有什么样的思路? 那些使我们经常使用到的?
总的思想就是导入数据进行处理,根据结果生成图像,从结果得到结论,那这么多的api 我们如何去记忆, 那些是工作中经常被使用到的,我们下面来分别进行讨论.
一、基本概念
-
了解 pandas 是用于数据操作和分析的库。
-
明白 Series 和 DataFrame 这两种主要数据结构的特点,下面我们来认识一下这两数据结构
Series 可以看作是一个一维的、带标签的数组。它有一个标签序列（index）和一个值序列（data）。Series 的标签通常是唯一的，但这不是强制的。
示例：
import pandas as pd # 创建一个简单的 Series s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']) print(s)输出：
a 1 b 2 c 3 d 4 dtype: int64在这个示例中，
'a', 'b', 'c', 'd'是索引（index），1, 2, 3, 4是对应的值（data）。DataFrame 是一个二维的、大小可变的、具有潜在异构类型列的表格型数据结构。你可以将其看作是一个 Excel 表格或 SQL 表，或者是一个由 Series 对象组成的字典。DataFrame 的每一列都可以是一个不同值的类型（数值、字符串、布尔值等）。
示例：
# 创建一个简单的 DataFrame df = pd.DataFrame({ 'A': [1, 2, 3], 'B': [4, 5, 6], 'C': ['x', 'y', 'z'] }) print(df)输出：
A B C 0 1 4 x 1 2 5 y 2 3 6 z在这个示例中，
A, B, C是列标签，0, 1, 2是行索引。
二、实际工作的分析数据的流程
- (1) 生成数据表**😗* 工作当中一般是用导入.scv文件和.excel文件居多, 或者连接数据库读取数据库里的表数据
- (2)数据表信息查看**😗* 这个步骤的目的是使我们能快速了解数据表的结构,方便我们下面处理数据
- (3)数据表清洗
- (4)数据预处理
- (5)数据提取
- (6)数据筛选
- (7)数据汇总
- (8)数据统计
- (9)数据输出
- (10)数据的可视化: 以图表的形式进行展现,更加的直观
三、对应具体的api 归纳汇总如下(注意重点已加粗):
一、生成数据表
1、首先导入pandas库，一般都会用到numpy库，所以我们先导入备用：
import numpy as np
import pandas as pd
2、导入CSV或者xlsx文件：
df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))
二、数据表信息查看(pandas的属性api)
1、维度查看：
df.shape
2、数据表基本信息（维度、列名称、数据格式、所占空间等）：
df.info()
3、统计每列的(最大值,最小值,平均值,标准差等):
df.describe()
4、某一列格式：
df['B'].dtype
5、空值：
df.isnull()
6、查看某一列空值：
df['B'].isnull()
7、查看某一列的唯一值：
df['B'].unique()
8、查看数据表的值：
df.values
9、查看列名称：
df.columns
10、查看前5行数据、后5行数据：
df.head() #默认前5行数据
df.tail() #默认后5行数据
三、数据表清洗
1、用数字0填充空值：
df.fillna(value=0)
2、使用列prince的平均值对NA进行填充：
df['prince'].fillna(df['prince'].mean())
3、清除city字段的字符空格：
df['city']=df['city'].map(str.strip)
4、大小写转换：
df['city']=df['city'].str.lower()
5、更改数据格式：
df['price'].astype('int')
6、更改列名称：
df.rename(columns={'category': 'category-size'})
7、删除后出现的重复值：
df['city'].drop_duplicates()
8 、删除先出现的重复值：
df['city'].drop_duplicates(keep='last')
9、数据替换：
df['city'].replace('sh', 'shanghai')
四、数据预处理
1、数据表合并(工作当中更多的是联表进行查询的)
1.1 merge()
# 横向添加数据
df.merge(df1,how='left', on ='列名') #左表的全部 + 交集
df.merge(df1,how='right', on ='列名') #交集+ 右表的全部
df.merge(df1,how='inner', on ='列名') #交集
df.merge(df1,how='outer', on ='列名') #左表全部+右表的全部
1.2 append()
# 纵向添加数据
result = df1.append(df2)
1.3 join()
# 横向添加数据
df.join(df1,how='right', on='key') # 如果不指定连接列名默认更具索引进行连表
1.4 concat()
# 根据axis 可以纵向或者横向添加数据
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
copy=True)
objs︰ 一个序列或系列、 综合或面板对象的映射。如果字典中传递，将作为键参数，使用排序的键，除非它传递，在这种情况下的值将会选择
（见下文）。任何没有任何反对将默默地被丢弃，除非他们都没有在这种情况下将引发 ValueError。
axis: {0，1，…}，默认值为 0。要连接沿轴。
join: {‘内部’、 ‘外’}，默认 ‘外’。如何处理其他 axis(es) 上的索引。联盟内、 外的交叉口。
ignore_index︰ 布尔值、 默认 False。如果为 True，则不要串联轴上使用的索引值。由此产生的轴将标记
0，…，n-1。这是有用的如果你串联串联轴没有有意义的索引信息的对象。请注意在联接中仍然受到尊重的其他轴上的索引值。
join_axes︰ 索引对象的列表。具体的指标，用于其他 n-1 轴而不是执行内部/外部设置逻辑。 keys︰
序列，默认为无。构建分层索引使用通过的键作为最外面的级别。如果多个级别获得通过，应包含元组。
levels︰ 列表的序列，默认为无。具体水平 （唯一值） 用于构建多重。否则，他们将推断钥匙。
names︰ 列表中，默认为无。由此产生的分层索引中的级的名称。
verify_integrity︰ 布尔值、 默认 False。检查是否新的串联的轴包含重复项。这可以是相对于实际数据串联非常昂贵。
副本︰ 布尔值、 默认 True。如果为 False，请不要，不必要地复制数据。
例子：1.frames = [df1, df2, df3]
2.result = pd.concat(frames)
2、设置索引列
df_inner.set_index('id')
3、按照特定列的值排序：
df_inner.sort_values(by=['age'])
4、按照索引列排序：
df_inner.sort_index()
5、如果prince列的值>3000，group列显示high，否则显示low：
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
6、对复合多个条件的数据进行分组标记
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1
7、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'])
8、将完成分裂后的数据表和原df_inner数据表进行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
五、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。
1、按索引提取单行的数值
df_inner.loc[3]
2、按索引提取区域行数值
df_inner.iloc[0:5]
3、重设索引
df_inner.reset_index()
4、设置日期为索引
df_inner=df_inner.set_index('date')
5、提取4日之前的所有数据
df_inner[:'2013-01-04']
6、使用iloc按位置区域提取数据
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
7、适应iloc按位置单独提起数据
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列
8、使用ix按索引标签和位置混合提取数据
df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前，前四列数据
9、判断city列的值是否为北京
df_inner['city'].isin(['beijing'])
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
df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]
11、提取前三个字符，并生成数据表
pd.DataFrame(df_inner['category'].str[:3])
六、数据筛选
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。
1、使用“与”进行筛选
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]
2、使用“或”进行筛选
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age'])
3、使用“非”条件进行筛选
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])
4、对筛选后的数据按city列进行计数
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()
5、使用query函数进行筛选
df_inner.query('city == ["beijing", "shanghai"]')
6、对筛选后的结果按prince进行求和
df_inner.query('city == ["beijing", "shanghai"]').price.sum()
七、数据汇总
主要函数是groupby和pivote_table
1、对所有的列进行计数汇总
df_inner.groupby('city').count()
2、按城市对id字段进行计数
df_inner.groupby('city')['id'].count()
3、对两个字段进行汇总计数
df_inner.groupby(['city','size'])['id'].count()
4、对city字段进行汇总，并分别计算prince的合计和均值
df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])
八、数据统计
数据采样，计算标准差，协方差和相关系数
1、简单的数据采样
df_inner.sample(n=3)
2、手动设置采样权重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
3、采样后不放回
df_inner.sample(n=6, replace=False)
4、采样后放回
df_inner.sample(n=6, replace=True)
5、 数据表描述性统计
df_inner.describe().round(2).T #round函数设置显示小数位，T表示转置
6、计算列的标准差
df_inner['price'].std()
7、计算两个字段间的协方差
df_inner['price'].cov(df_inner['m-point'])
8、数据表中所有字段间的协方差
df_inner.cov()
9、两个字段的相关性分析
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
10、数据表的相关性分析
df_inner.corr()
九、数据输出
1.分析后的数据可以输出为xlsx格式和csv格式1、写入Excel
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
2、写入到CSV
df_inner.to_csv('excel_to_python.csv')
十、数据可视化
- 数据的可是化,用柱状图,扇形图,折线图来进行展示,更加直观的展现
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
