这个博客其实来源于自己的数据挖掘课程作业,通过完成老师布置的作业,感觉对python pandas读取表格数据进行操作有了更深层的认识,这里做一个整理总结。
本文总结了一些通过pandas
读取表格并进行常用数据处理的操作,更详细的参数应该关注官方参数文档
读取数据
1、读取10行数据
header
:指定作为列名的行,默认0,即取第一行的值为列名,数据为列名行以下的数据;若数据不含列名,则设定 header = None。
sep
:指定分隔符。如果不指定参数,则会尝试使用逗号分隔。
nrows
:需要读取的行数(从文件头开始算起)
tabledata = pandas.read_excel("./hotel.xlsx", header=None, sep=',', nrows=10)
print(tabledata)
2、对读取的数据重新定义列名
names
:用于结果的列名列表,如果数据文件中没有列标题行,就需要执行header=None
name_columns = [' ','名字','类型', '城市', '地区', '地点', '评分', '评分人数', '价格']
tabledata = pandas.read_excel("./hotel.xlsx", header=0, names=name_columns, sep=',', nrows=10)
print(tabledata)
3、取出某列值为指定值的所有数据
这里我们做一个简单的遍历操作即可完成,取值使用的函数是ix
,更加详细的使用说明可以参考我的另一篇博客,ix | pandas读取表格后的行列取值改值操作
name_columns = [' ','名字','类型', '城市', '地区', '地点', '评分', '评分人数', '价格']
tabledata = pandas.read_excel("./hotel.xlsx", header=0, names=name_columns, sep=',')
hotel_name_list = []
for i in range(421):
if tabledata.ix[i,2] == "商务出行":
hotel_name_list.append(tabledata.ix[i,1])
print(hotel_name_list)
4、取出某一列的数值是缺失值的数据
这里开始出现缺失值,提一下缺失值相关的两个参数
na_values
:默认会将'-1.#IND', '1.#QNAN', '1.#IND', '-1.#QNAN', '#N/A N/A','#N/A', 'N/A', 'NA', '#NA', 'NULL', 'NaN', '-NaN', 'nan', '-nan', ''
, 转换为NaN
,且na_values参数还支持定义另外的应处理为缺失值的值
原版解释:
na_values
: scalar, str, list-like, or dict, default None
Additional strings to recognize as NA/NaN. If dict passed, specific per-column NA values. By default the following values are interpreted as NaN: '-1.#IND', '1.#QNAN', '1.#IND', '-1.#QNAN', '#N/A N/A','#N/A', 'N/A', 'NA', '#NA', 'NULL', 'NaN', '-NaN', 'nan', '-nan', ''
keep_default_na
:bool型,决定是否自动转NaN
name_columns = [' ','名字','类型', '城市', '地区', '地点', '评分', '评分人数', '价格']
tabledata = pandas.read_excel("./hotel.xlsx", header=0, names=name_columns, sep=',')
tableline = tabledata[tabledata['类型'].isnull()]
print(tableline)
修改数据
5、只修改某一列的缺失值
fillna
函数用于替换缺失值,常见参数如下:
value
参数决定要用什么值去填充缺失值axis
:确定填充维度,从行开始或是从列开始limit
:确定填充的个数,int型
通常limit参数配合axis可以用于替换数量方向的控制
我们这里根据需求,最简单的就是将需要修改的这一列取出来进行修改,之后对原数据进行列重新赋值即可
name_columns = [' ','名字','类型', '城市', '地区', '地点', '评分', '评分人数', '价格']
tabledata = pandas.read_excel("./hotel.xlsx", header=0, names=name_columns, sep=',')
tableline = tabledata['类型'].fillna(value='其他')
tabledata['类型'] = tableline
print(tabledata)
6、修改某一列,用平均值代替缺失值
这个的思路和上面一个基本一致,区别在于我们需要线求出平均值。平均值的求解肯定不需要缺失值参与,于是我们先取出某一列不存在的缺失值的所有数据,再取出这一列数据,通过mean
函数直接获取平均值
同理的函数使用还有:
- mean()平均值
- median()中位数
- max()最大值
- min()最小值
- sum()求和
- std()标准差
- Series类型独有的方法: argmax()最大值的位置 argmin()最小值的位置
name_columns = [' ','名字','类型', '城市', '地区', '地点', '评分', '评分人数', '价格']
tabledata = pandas.read_excel("./hotel.xlsx", header=0, names=name_columns, sep=',')
tableline = tabledata[tabledata['评分'].isnull().values==False]
score_avg = tableline['评分'].mean()
tableline = tabledata['评分'].fillna(value=score_avg)
tabledata['评分'] = tableline
print(tabledata)