超全的pandas数据分析常用函数总结(下篇)

上篇文章中,小编给大家总结了数据分析中pandas这一模块里面常用函数的四个部分的内容,分别为导入模块、创建数据集并读取、数据查看与数据清洗,现在给大家介绍下篇的内容。

5. 数据预处理

先创建一个data2数据集

data2=pd.DataFrame({    "id":np.arange(102,105),    "profit":[1,10,2]})data2

输出结果:

超全的pandas数据分析常用函数总结(下篇)

再创建一个data3数据集

data3=pd.DataFrame({    "id":np.arange(111,113),    "money":[106,51]})data3

输出结果:

5.1 数据的合并

用merge合并

DataFrame.merge(self,right,how =‘inner’,on = None)
  • right指要合并的对象
  • on指要加入的列或索引级别名称,必须在两个DataFrame中都可以找到。
  • how决定要执行的合并类型:left(使用左框架中的键)、right、inner(交集,默认)、outer(并集)
data_new=pd.merge(data,data2,on='id',how='inner')      # 默认取交集data_new=pd.merge(data,data2,on='id',how='outer')      # 取并集,没有值的地方填充NaNdata.merge(data2,on='id',how='inner')                  # 另一种写法,输出结果见下方

输出结果:

data.merge(data2,on='id',how='left')     # 使用左框架中的键

输出结果:

用append合并

data.append(data2)    # 在原数据集的下方合并入新的数据集

输出结果:

用join合并

用下面这种方式会报错:列重叠,且没有指定后缀,因为上面的数据data和data2都有“id”列,所以需要给id列指明后缀。

data.join(data2)        # 会报错

第一种修改方式:

data.join(data2,lsuffix='_data', rsuffix='_data2')

输出结果:

第二种修改方式:

data.set_index('id').join(data2.set_index('id'))

输出结果:

用concat合并

pandas.concat(objs,axis = 0,ignore_index = False,keys = None)
  • objs:Series,DataFrame或Panel对象的序列或映射。
  • axis:串联的轴,默认为0,即以索引串联(竖直拼接);如果为1,则以列串联(水平拼接)
  • ignore_index:清除现有索引并将其重置,默认为False。
  • key:在数据的最外层添加层次结构索引。
data_new=pd.concat([data,data2,data3],axis = 1,keys=['data', 'data2','data3'])data_new

输出结果:

5.2 设置索引列

data.set_index("id")      # 设置id为索引列

输出结果:

data.reset_index(drop=True)    # 重置索引列,并且避免将旧索引添加为列

输出结果:

5.3 按照特定列的值排序:

按照索引列进行排序:

data.sort_index()

按照money的值进行排序:

data.sort_values(by="money",ascending = True)    # ascending默认为True,即升序.

输出结果:

5.4 分类显示

如果money列的值>=10, level列显示high,否则显示low:

data['level'] = np.where(data['money']>=10, 'high', 'low')data

输出结果:

5.5 分组标记

data.loc[(data['level']=="high") & (data['origin']=="China"),"sign"]="棒"data

输出结果:

5.6 切割数据

对date字段的值依次进行分列,并创建数据表,索引值为data的索引列,列名称为year\month\day。

data_split = pd.DataFrame((x.split('-') for x in data['date']), index=data.index, columns=['year','month','day'])data_split

输出结果:

再与原数据表进行匹配:

pd.concat([data,data_split],axis=1)

输出结果:

6. 数据提取

下面这部分会比较绕:

loc函数按标签值进行提取,iloc按位置进行提取pandas.DataFrame.loc() 允许输入的值:

  • 单个标签,例如5或’a’,(请注意,5被解释为索引的标签,而不是沿索引的整数位置)。
  • 标签列表或数组,例如。[‘a’, ‘b’, ‘c’]
  • 具有标签的切片对象,例如’a’:‘f’,切片的开始和结束都包括在内。
pandas.DataFrame.iloc()

允许输入的值:整数5、整数列表或数组[4,3,0]、整数的切片对象1:7

更多关于pandas.DataFrame.iloc的用法,戳下面官方链接:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.iloc.html#pandas.DataFrame.iloc

6.1 单行索引

data.loc[6]    # 提取索引值为6的那一行(即输出第7行)

输出结果:

data.iloc[6]    # 提取第7行

输出结果同上!

6.2 区域索引

6.2.1 用loc取连续的多行

提取索引值为2到索引值为4的所有行,即提取第3行到第5行,注意:此时切片的开始和结束都包括在内。

data.loc[2:4]

输出结果:

提取“2020-03-13”之前的所有数据

data.loc[:"2020-03-13"]

输出结果:

6.2.2 用loc取不连续的多行

提取索引值为2和索引值为4的所有行,即提取第3行和第5行。

data.loc[[2,4]]

输出结果:

6.2.3 用loc取具体值

data.loc[6,"id"]

输出结果:107

6.2.4 用iloc取连续的多行

提取第3行到第6行

data.iloc[2:6]

输出结果:

6.2.5 用iloc取连续的多行和多列

提取第3行到第6行,第4列到第5列的值,取得是行和列交叉点的位置。

data.iloc[2:6,3:5]

输出结果:

6.2.6 用iloc取不连续的多行和多列

提取第3行和第6行,第4列和第5列的交叉值

data.iloc[[2,6],[3,5]]

输出结果:

6.2.7 用iloc取具体值

提取第3行第7列的值

data.iloc[2,6]

输出结果:‘high’

总结:文字变代码,数值少1;代码变文字,数值加1;代码从0开始计数;文字从1开始计数。

6.3 值的判断

方式一:判断origin列的值是否为China

data['origin']=="China"

方式二:判断department列的值是否为水果

data['department'].isin(['水果'])

输出结果:

data['department'].isin(['水果']).sum()     # 对判断后的值进行汇总

输出结果:1

6.4 提取符合判断的值

data.loc[data['origin'].isin(['Thailand'])]    # 将产地是泰国的数据进行提取

输出结果:

7. 数据筛选

7.1 使用与、或、非进行筛选

将满足origin是China且money小于35这两个条件的数据,返回其id、date、money、product、department、origin值。

data.loc[(data['origin']=="China") & (data['money']<35),['id','date','money','product','department','origin']]

输出结果:

将满足origin是China或者money小于35这两个条件之中任意一个条件的数据,返回其id、date、money、product、department、origin值。

data.loc[(data['origin']=="China") | (data['money']<35),['id','date','money','product','department','origin']]

输出结果:

将满足origin是China且money不小于10这两个条件的数据,返回其id、date、money、product、department、origin值。

data.loc[(data['origin']=="China") != (data['money']<10),['id','date','money','product','department','origin']]

输出结果:

7.2 使用query函数进行筛选

data.query('department=="饮料"')              # 单个条件筛选data.query('department==["饮料","零食"]')     # 多个条件筛选

输出结果:

7.3 对结果进行计数求和

data.query('department=="饮料"').count()         # 对饮料类型的数据进行筛选后计数data.query('department=="饮料"').money.count()   # 对筛选后的数据按照money进行计数

输出结果:2

data.query('department=="饮料"').money.sum()    # 在筛选后的数据中,对money进行求和

输出结果:9.0

8. 数据汇总

8.1 以department属性对所有列进行计数汇总

data.groupby("department").count()

输出结果:

8.2 以department属性分组之后,对id字段进行计数汇总

data.groupby("department")['id'].count()

输出结果:

8.3 以两个属性进行分组计数

data.groupby(["department","origin"]).count()

输出结果:

8.4 以department属性进行分组汇总并计算money的合计与均值

data.groupby("department")['money'].agg([len, np.sum, np.mean])

输出结果:

9. 数据统计

9.1 数据采样

pandas.DataFrame.sample(n = None,replace = False,weights = None)
  • n:样本数
  • replace:样本有无更换(有无放回)(默认不放回)
  • weights:权重
data.sample(3,replace=True,weights=[0.1,0.1,0.2,0.2,0.1,0.1,0.1,0.1,0,0])

输出结果:

9.2 描述性统计

data.describe().round(2).T      # round表示小数位数,T表示转置(这一函数之前提及过)

输出结果:

9.3 计算标准差

data['money'].std()

输出结果:18.14754345175493

9.4 计算协方差

data.cov()

输出结果:

9.5 相关性分析

data.corr()

输出结果:


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值