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：

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：