目录
注：简单起见，下文中"df"均写为"表名"，"函数"均写为"HS"，"属性"均写为"SX"，"范围"均写为"FW"。
注：简单起见，下文中"df"均写为"表名"，"函数"均写为"HS"，"属性"均写为"SX"，"范围"均写为"FW"。
1.数据分析常用开源库
Pandas
基于Numpy,特点高效的科学计算库,核心的数据对象是ndarray(n维数组)
Series 一列数据
DataFrame 二维表
绘图的库最基础的 Matplotlib
Pandas 有绘图的API,基于Matplotlib
Seaborn 基于Matplotlib
注释：
简单起见，下文中"df"均写为"表名"，"函数"均写为"HS"，"属性"均写为"SX"，"范围"均写为"FW"
2.Pandas 数据结构
Series的创建
pd.Series()
S大写
传入一个、两个参数
第一个参数就是数据， 也可以通过index = 指定行索引
如果不指定行索引， 会默认添加从0开始的索引
传入的数据可以是以下类型
numpy的ndarray
python 列表,元组,字典
传入的如果是字典,字典的key作为索引,Value就是数据
一列Series数据类型必须一致的
如果既有字符串,又有数字,会默认是字符串类型 Object
Series属性
s.shape # 形状 描述Series有几行 返回一个元组 s.values # Series的值 默认ndarray类型 s.index # Series的索引， 如果手动指定， 就是一个ndarray类型， 如果是自动生成 rangeIndex()
3.DataFrame创建
# 定义一个字典
dict_data ={
'id':[1,2,3],
'name':['张三','李四','王五'],
'age':[18,20,22]
}
# 储存在df中
df = pd.DataFrame(dict_data)
df4.文件加载
# 不创建也可以加载文件 df = pd.read_csv('D:/Yuanman/day01/02_代码/data/scientists.csv') df = pd.read_csv('D:/Yuanman/day01/02_代码/data/scientists.csv',encoding='gbk') df
5.HS与SX
红色m：HS，用()
紫色p：SX，乄||[]
6.HS-初始化表格
加载数据之后，做具体的业务处理之前，一般固定的套路
head() info() describe()
从脑袋上取前5条，也可指定条数
表名.head()
从尾巴上取后5条，也可指定条数
表名.tail()
字段有哪些，有没有空值
表名.info()
看数据的分布情况
表名.describe()
查看所有数据分布情况
表名.describe(include='all')
查看有几个唯一值
表名.unique()
7.HS-获取最值索引
# 返回最大值的下标
表名['列名'].argmax()
# 返回最小值的下标
表名['列名'].argmin()
# 返回最大值的索引值
表名['列名'].idxmax()
# 返回最小值的索引值
表名['列名'].idxmin()8.SX-显示行列
# 显示几行几列
表名.shape
# 仅显示行
表名.shape[0]
# 仅显示列
表名.shape[1]
# 显示所有值
表名.values9.HS/SX-索引
# 行索引FW及步长
表名.index
# 显示列索引及类型
表名.columns
# 把某一列数据作为索引,加inplace=True替换原索引
表名.set_index('列名',inplace=True)
# 重置所有为从0开始的整数
表名.reset_index()
# 将其行索引修改为对应的列值
表名.index = df2['列名']
# 将其列索引(字段)修改为对应值
表名.columns =['列1','列2']
# 单独修改某行某列的索引,注意rename和replace类似，如果旧值没有找到，不会报错
表名.rename(index={0:'行索引名'},columns={'旧列名':'新列名'})10.HS-计数
# 计算所有列的数据数，也可以单独计算某列
表名.count()
# 分组计数，查看每个分组的数量并降序，也可以单独计算某列
表名.value_counts(ascending=False)11.HS-最值中位数平均值标准差求和
# 计算所有列的最大值，也可以单独计算某列
表名.max()
# 计算所有列的最小值，也可以单独计算某列
表名.min()
# 计算所有列的平均值，也可以单独计算某列
表名.mean()
# 计算所有列的中位数，也可以单独计算某列
表名.median()
# 标准差(方差开根号，反映了数据的离散程度，也可以单独计算某列)
s1.std()
# 对文件某一列或某多列进行求和，0是对列求和，默认是0
表名['字段'].sum()
# 1是对行求和，此时列字段至少两个
表名[['字段1','字段2']].sum()12.HS-排序
# 按照某列排序，True升/False降，不指定显示列则为全部
表名['显示列名'].sort_values(by='筛选字段名',ascending=False)
# 根据某字段排序后显示其他字段
名称 = 表名[['字段1','字段2']].sort_values(by='字段2',ascending=False)13.HS-去重
# 去重，假删
表名.drop_duplicates()
# 去重，真删(False假True真)
表名.drop_duplicates(inplace=True)subset 传入列名的列表，用来做重复判断的条件
keep = 默认是first 满足重复条件的数据，保留第一次出现的，还可以选last 保留最后一次出现的
ignore_index = 默认是False 去重后会保留原来的索引，改成True之后，会重新给从0开始的索引
inplace 替换
表名.drop_duplicates(subset=['字段1','字段2'])
表名.drop_duplicates(subset=['字段1','字段2'],keep='last',inplace=True)
表名.drop_duplicates(subset=['字段1','字段2'],keep='last',ignore_index=True)14.应用
# select * 表名[直接就条件] # 获取数据的一列或多列 表名['列名'] 表名[['列1，列2']]# 通过下标切片方式获取部分行，[初始索引:终止索引:步长]，不包括终止索引(左闭右开) 表名[a:b:c]# 相当于sql中的where筛选，多个条件需要用()括起来，位运算连接(and:&,or:|) 表名['显示列'][表名['列名']=='数值']# 根据条件增新列 表名['新列名']=表名['数据列1']-表名['数据列2']# 拿出行数据，用列展示，[]内是行列名，不是编号 表名.loc[0] # 所有行加一列 表名.loc[:,'列名'] # 0到3(左闭右闭) 表名.loc[:3] # 列名也可以加:指定列FW 表名.loc[:3,:'列名'] 表名.loc[:3,['列1','列2']] # 逗号前也可以作条件筛选 表名.loc[df['区域']=='望京租房',:'价格']# 输出指定索引值的数据，[]内是编号，不是行列名，其他同上 新表名 = 带索引的表.iloc[0]['输出列名']
15.数据的保存和读取
# 创建数据文件
import pandas as pd
data =[
[1,'张三','1999-3-10',18],
[2,'李四','2002-3-10',15],
[3,'王五','1990-3-10',33],
[4,'隔璇老王','1983-3-10',40]
]
df = pd.DataFrame(data,columns=['id','name','birthday','age'])
# 将数据存储为表格文件
df.to_excel('test2.xlsx',sheet_name='student',index=False)
# 读取该文件
pd.read_excel('test2.xlsx',sheet_name='student')
# 将数据存储为csv文件
df.to_csv('test2.csv',index=False)
# 指定分隔符
df.to_csv('test3.csv',index=False,sep='\t')
# 读取该文件
pd.read_csv('test2.csv')16.HS-query查询
# 引号外单内双
表名.query('区域=="望京租房"').head()
表名.query('区域 in ["望京租房","回龙观租房"]')['单独取该列']
# 层层递进
新表名 = 表名.query('区域 in ["望京租房","回龙观租房"]')
新新表名 = 新表名.query('朝向 in [“东”,"南”]')['单独取该列']
# 层层递进合成(类似于子查询)
表名.query('区域 in ["望京租房","回龙观租房"]').query('朝向 in ["东","南"]')['单独取该列']
# 上式也能这么写
表名.query('区域 in ["望京租房","回龙观租房"] and 朝向 in ["东","南"]')['单独取该列']17.HS-isin
# 筛选是否为指定数据，输出True和False
表名['区域'].isin(['望京租房','回尨观租房'])
# 再传给df，输出所有字段
表名[表名['区域'].isin(['望京租房','回尨观租房'])]
# 多条件筛选(&或|)
表名[(表名['区域'].isin(['望京租房','回尨观租房'])) & (表名['朝向'].isin(['西南 东北'，'南 北']))]18.DF增列
# 添加新列，只能在最后一列
表名['新列名']=['','',...]
# insert新增列，可指定位置
表名.insert(列索引,column='字段名',value='字段内容')
# 在某列后插入一列
所有列名 = 表.columns.tolist() # 首先获取现有列名
某列的索引 = 所有列名.index('某列') # 找到budget列的索引位置
所有列名.insert(某列的索引 + 1, '新列名') # 在budget列之后插入利润列，更新所有列名
表名 = 表名[columns] # 重置列顺序来更新表19.DF删除
# 通过 df.drop(labels=，axis=，inplace=)方法删除行列数据
# labels: 行索引值或列名
# axis: 删除行->0或index,删除列->1或columns,默认0
# inplace: True或False,是否在原数据上删除,默认 False
表名.drop(0)
表名.drop('列名',axis=1,inplace=True)20.DF修改
# 直接改
表名.loc[0,'列名']= 数据
# 改多个
表名['列名']=[数据1,数据2,数据3,数据4,数据5]
# 修改指定数
表名.replace(to_replace='旧值',value='新值')
# 将某列更改后替换旧列并select* (将新列赋值给原列)
名称 = 表名['列名'].mean()
表名['列名']=表名['列名'].fillna(名称)21.Series/apply自定义函数
def func(x):
print(x)
if x=='天通苑租房':
return '昌平区'
else:
return x
# 遍历区域这一列，每遍历一条数据就会调用一次func把每个值传递给func函数,func函数的返回值作为apply的结果， 返回的还是Series
s = df['区域'].apply(func)# apply 可以传递出了series值其它参数，但是传参必须从第二个参数开始
df_head3 = df.head().copy()
def func(x,arg1,arg2):
print(x)
if x=='天通苑租房':
return arg1
else:
return arg2
df_head3['区域'].apply(func,args=['昌平区','其它区'])22.DataF/apply自定义函数
df.apply(func，axis=默认值0)
默认会传入每一列的series对象，如果数据有5列，func就会被调用5次，每次传入一列series对象
axis=1会传入每一行的Series对象，如果数据有10行，func就会被调用10次，每次传入一行的series对象
# 返回每一行它的价格/它的面积，但用列展示
def func1(x):
return x['价格']/x['面积']
df_head3 = df.head().copy()
df_head3.apply(func1,axis=1)df.apply() 传入自定义函数的时候，函数也可以接受额外的参数,传参args一定是列表
# 返回每一行如果区域为‘天通···’则给价格加个数，但用列展示
def func2(x,arg1):
# print(x)
# print("============") 分隔一下
if x['区域']=='天通苑租房':
x['价格']=x['价格']+arg1
return x
df_head3.apply(func2,axis=1,args=[2000])23.pandas/Mysql
(1)导包创建连接
from sqlalchemy import create_engine engine = create_engine('mysql+pymysql://root:root@localhost:3306/tabledata?charset=utf8') # 'mysql+pymysql://用户名:密码@mysql服务IP地址:3306/数据库名字?charset=utf8'(2)写入数据到Mysql
student.to_sql('student', con=engine, if_exists='append', index=False)(3)从Mysql读取数据
pd.read_sql(sql='student', con=engine.connect(),columns=['id','name','age'])
9487
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
