带你看懂pandas中的两种数据结构

Pandas是基于Numpy的一种工具,这个工具是为了解决数据分析任务而创建的,pandas纳入了大量的库和一些标准的数据模型,提供了高效的操作大型数据集所需的工具,pandas提供了大量能使我们快速便捷的处理数据的函数和方法。Pandas是使Python成为强大而高效的数据分析环境的重要因素之一。另外

在pandas包含了三种数据结构:

• Series
• DataFrame
• Time-series

下面我们就介绍一下Series和DataFrame这两种常用的数据结构,Time-series时间序列,我们后期会专门在开一篇文章仔细的去讲述一下。

一、Series

Series是一维数组,与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近,其区别是:List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型,这样可以更有效的使用内存,提高运算效率,并且series可以运用Ndarray或字典的几乎所有索引操作和函数,融合了字典和ndarray的优点。

1、series索引

Series类型是由一组数据及与之相关的数据索引组成

自动索引:不创建系统自动创建索引。

自定义索引:自定义索引,创建完自定义索引后,自动索引也在。

Series是一维带’标签’数组,它的基本操作类似Ndarray和字典,genuine索引对齐。

2、创建对象

Series(列表/元组/字典/标量/Numpy数组/range等序列,<index=param1>)不写index会自动创建索引,如果写定指定索引,index可以是列表,numpy数组。

列子如下:

• 参数:列表或元组,并分别创建自动索引和手动索引(自动索引还在)

image

可以看出index('a', 'b', 'c', 'd', 'e')分别对应1,3,5,7,9

• 参数:字典,并分别创建自动索引和手动索引

字典的key作为索引,value作为值

image

如果字典中在设置index,就相当于是从字典中挑选数据

image

image

• 参数:标量

image

image

Index可以是列表,元组,range序列,numpy数组

image

• 参数:numpy数组(ndarray)

image

3、属性

Series的主要属性包括index和values两部分

属性

说明

Values

获取数据,底层存储的是numpy数组

Index

获取索引

还有两个不太重要的属性

Name

Series的name(在DataFrame中没有Name属性)

Index.name

索引的name

还有一些类似于numpy数组的属性,比如dtype和shape等。

下面是一些属性的列子:

image

3.1Values值

image

3.2Index索引

image

3.3Name,series的名字

image

3.4Index,series索引的名字

image

4、选取

• series类型的选取类似numpy数组,索引的方式相同,采用[],numpy中的运算和操作可用于series类型,可以通过自定义索引的列表进行切片也可以通过自动索引进行切片,如果存在自定义索引,则一同被切片

image

• series类型的操作类似于python字典类型:

通过自定义索引访问,保留字in操作,使用.get()方法

image

PS:.get(key,default=none)函数返回指定键的值,如果值不再字典中则返回默认值(默认为空),key是要查找的键,default是设置的默认值。

5、series类型对齐操作

Series+series,series类型在运算中会自动对齐不同索引的数据。

• Series类型对齐

image

6、获取,设置,删除等

6.1获取值

由于具备numpy数组和字典的特性,series可以像使用numpy数组的索引切片或用字典的get一样来用。

image

6.2设置/修改:索引和切片

image

• 将a修改为11

image

• 将b,c修改为100

image

• 将b,c改为101和102

image

• 将b,c改为103和104(注意这次用的是逗号,表示单独挑选出了b和c,上面是b到c)

image

6.3删除

drop方法(结果改变)和pop(像字典的用法,改变自身)

• Drop:

image

• 删除a,结果改变

image

• 删除b和d

image

• Pop:

image

二、DataFrame

DataFrame类型由公用相同索引的一组序列组成,是一个表格型的数据类型,每列值类型可以不同。DataFrame即有行索引也有列索引:

• Index axis = 0(默认)
• Column axis = 1(默认)

DataFrame常用于表达二维数据,但可以表达多维数据,基本操作类似于Series,依据行列索引

1、DataFrame的创建

1.1、从内存中创建

语法:

DataFrame(字典/列表/numpy数组/DataFrame,index=0,columns=1)也可以在创建的时候不指定index和columns,在创建完后单独设置这两个属性。

常用的参数:

• 字典:key作为列名,value作为该列的值。
• 列表:作为值
• Numpy数组:作为值

例子:

image

• 列表

image

手动创建行索引和列索引,方法1:创建的时候就设置好行列索引

image

手动创建行列索引,方法2:创建的时候设置自动索引,之后在修改

image

• 二维numpy数组

手动输入数组

image

使用方法生成数组

image

• 字典(key是列名,value可以是数据,也可以是series类型)

手动创建列索引,行索引自动创建

image

手动创建列索引,手动创建行索引

image

1.2、从文件中创建

DataFrame可以从文件中创建:

文件第一行默认作为列索引(columns),默认为没有行索引,可以通过indx_dol参数设置第1列或前几行作为行索引。如果第一行不作为列索引,设置header=none。

文件编码为utf-8,可以通过参数encoding设置编码。

方式

作用

pd.read_csv(filename)

从CSV文件导入数据, 文件是逗号分隔。

pd.read_table(filename,<sep='\t'>)

从限定分隔符的文本文件导入数据，默认是 tab

pd.read_excel(filename)

从Excel文件导入数据

pd.read_sql(query, connection_object)

从SQL表/库导入数据

pd.read_json(json_string)

从JSON格式的字符串导入数据

pd.read_html(url)

解析URL、 字符串或者HTML文件， 抽取其中的tables表格

pd.read_clipboard()

从你的粘贴板获取内容， 并传给read_table()

下面我们就将上面的这么多方法一个个演示一遍,文章中用的这些数据可以自己生成对应格式的就可以了,这个是不影响的,只要自己掌握了这些知识就好。

image

1. Pd.read_csv(filename):从CSV文件导入数据,文件是逗号分隔。

• 编码是utf-8

image

• 编码是gbk

image

读取的时候,可以带行索引,用index_col=列

image

• 不把第一行作为列索引(在有些情况下,文件中全部都是数据)

image

2)pd.read_table(filename)

image

查看DataFrame的信息http://df.info()

image

3. pd.read_excel(filename):从Excel文件中导入数据

image

4. pd.read_sql(query, connection_object):从SQL表/库导入数据

SQLAlchemy是python编程语言下的一款ORM框架,该框架建立在数据库API上,使用关系对象映射进行数据库操作,简言之便是:将对象转换成SQL

首先导入两个模块,连接数据库建议用sqlalchemy,使用pymysql可能会出问题

image

Sqlalchemy.create(‘mysql+pymysql://用户名:用户名密码@localhost:编号/数据库名称’)

不清楚用户名和编号的可以使用mysql workbench查看

image

image

将文件写入到数据库中

image

image

Test是要在数据库中创建的表名,表示的意思是将df的数据传入到数据库lianxi下的表test中

5. pd.read_json(json_string)

image

6. pd.read_html(url)

首先要安装html5lib,pip install html5lib

image

7. pd.read_clipboard():从剪切板导入数据

首先复制一段文字

然后运行代码

image

2、写入文件

写入数据后,前往输入路径下查看文件

方式

作用

df.to_csv(filename)

导出数据到CSV文件

df.to_excel(filename)

导出数据到Excel文件

df.to_sql(table_name, connection_object)

导出数据到SQL表

df.to_json(filename)

以Json格式导出数据到文本文件

image

1)第一种方式:将行索引和列索引肉写入到文件

• df.to_csv(filename):将文件导出到CSV文件中

image

• df.to_excel(filename):导出数据到Excel文件

image

• df.to_json(filename):以Json格式导出数据到文本文件

image

2)第二种方式:行索引不写入

image

3)第三种方式:行和列索引都不写入

image

3、DataFrame的属性

属性

说明

Values

值

Index

行索引

Columns

列索引

Index.name

行索引名字

Columns.name

列索引名字

其他属性:dtypes,shape等,可以用numpy数组等等大部分属性

image

• 查看自身的属性(重要):值,行索引,列索引

image

• 查看自身属性(不重要):列索引名字,行索引名字

image

• 查看其他属性:可以使用ndarray的属性

image

4、DataFrame的函数和方法

4.1、取值和修改(索引,切片,ix,loc,iloc)

DataFrame的取值和修改应该从三个层次考虑:行列,区域,单元格。每个层次都有其对应的方法:

行列df[],df.ix

区域df.ix[]

单元格df.ix

其中ix官方推荐使用iloc和loc代替

loc和iloc的用法和ix基本一样，只是loc参数用手动索引，iloc用自动索引,ix混用

image

取行:

image

取列:

image

5、其他函数或方法

5.1查看数据

• df.head(n)： 查看DataFrame对象的前n行

image

• df.tail(n)： 查看DataFrame对象的最后n行

image

• df.shape： 查看行数和列数

image

• http://df.info()： 查看索引、 数据类型和内存信息

image

• df.describe()： 查看数值型列的汇总统计

image

• s.value_counts(dropna=False)： 查看Series对象的唯一值和计数

image

image

• df.apply(函数)：把df应用于某个函数

image

5.2、清洗数据

image

• df.columns = ['a','b','c','d','e']： 重命名列名

image

• df.isnull()： 检查DataFrame对象中的空值， 并返回一个Boolean数组

image

• df.notnull()： 检查DataFrame对象中的非空值， 并返回一个Boolean数组

image

• df.dropna()： 删除所有包含空值的行

image

• df.dropna(axis=1)： 删除所有包含空值的列

image

df.dropna(axis=1,thresh=n)： 删除所有小于n个非空值的列

image

• df.fillna(x)： 用x替换DataFrame对象中所有的空值

image

• s.fillna(s.mean()): 用某列的均值来填充某列的空值

image

• s.astype(float)： 将Series中的数据类型更改为float类型

image

• s.replace(1,'one')： 用‘one’ 代替所有等于1的值

image

• df.rename(columns=lambda x: x + '1')： 批量更改列名

image

• df.rename(columns={'old_name': 'new_ name'})： 选择性更改列名

image

• df.set_index('column_one')： 更改索引列

image

• df.rename(index=lambda x: x + 1)： 批量重命名索引

image

5.3、数据规整

• df[df[col] > 0.5]： 选择col列的值大于0.5的行
• df.sort_values(col1)： 按照列col1排序数据， 默认升序排列
• df.sort_values(col2, ascending=False)： 按照列col1降序排列数据
• df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列， 后按col2降序排列数据
• df.groupby(col)： 返回一个按列col进行分组的Groupby对象
• df.groupby([col1,col2])： 返回一个按多列进行分组的Groupby对象
• df.groupby(col1).agg(np.mean)： 返回按列col1分组的所有列的均值
• df.groupby(col1).sum()： 返回按列col1分组的所有列的和
• df.groupby(col1).mean()[col2]： 返回按列col1进行分组后， 列col2的均值
• data.apply(np.mean)： 对DataFrame中的每一列应用函数np.mean
• data.apply(np.max,axis=1)： 对DataFrame中的每一行应用函数np.max
• df.pivot_table(index=col1, values=[col2,col3], aggfunc=np.mean):创建一个按列col1进行分组， 并计算col2和col3各自均值的数据透视表
• pd.crosstab(df.col1, df.col2): 按照指定的行(col1)和列(col2)统计分组频数

5.4、数据合并

• df1.append(df2)： 将df2中的行添加到df1的尾部

image

• pd.concat([df1, df2],axis=0):将df2中的行添加到df1的底部(axis=1的时候将df2的列添加到df1的尾部)

image

5.5、数据统计

• df.describe()： 查看数据值列的汇总统计

image

• df.mean()： 返回所有列的均值

image

• df.corr()： 返回列与列之间的相关系数

image

• df.count()： 返回每一列中的非空值的个数

image

• df.max()： 返回每一列的最大值

image

• df.min()： 返回每一列的最小值

image

• df.median()： 返回每一列的中位数

image

• df.std()： 返回每一列的标准差

image