【轉】Pandas常見用法總結

 

關鍵縮寫和包導入

在這個速查手冊中，我們使用如下縮寫：

df：任意的Pandas DataFrame對象
s：任意的Pandas Series對象

 

raw：行標簽
col：列標簽

 

引入響應模塊：

import pandas as pd
import numpy as np

 

導入數據

• pd.read_csv(filename_path)：從CSV文件導入數據
• pd.read_table(filename_path)：從限定分隔符的文本文件導入數據
• pd.read_excel(filename_path)：從Excel文件導入數據
• pd.read_sql(query, connection_object)：從SQL表/庫導入數據
• pd.read_json(json_string)：從JSON格式的字符串導入數據
• 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()：從你的粘貼板獲取內容，並傳給read_table()
• pd.DataFrame(dict)：從字典對象導入數據，Key是列名，Value是數據

 

pd.read_excel(io, sheetname=0, header=0, skiprows=None, skip_footer=0, index_col=None, names=None, parse_cols=None, parse_dates=False, date_parser=None, na_values=None, thousands=None, convert_float=True, has_index_names=None, converters=None, dtype=None, true_values=None, false_values=None, engine=None, squeeze=False, **kwds)
 '''該函數主要的參數為：io、sheetname、header、names、encoding。
   io:excel文件，可以是文件路徑、文件網址、file-like對象、xlrd workbook;
   sheetname:返回指定的sheet，參數可以是字符串（sheet名）、整型（sheet索引）、list（元素為字符串和整型，返回字典{'key':'sheet'}）、none（返回字典，全部sheet）;（如果一個excel含有多個表，如果你只想讀入其中一個可以：df = pd.read_excel('log.xls', sheetname=1)）
   header:指定數據表的表頭，參數可以是int、list of ints，即為索引行數為表頭;
   names:返回指定name的列，參數為array-like對象。
   encoding:關鍵字參數，指定以何種編碼讀取。
  該函數返回pandas中的DataFrame或dict of DataFrame對象，利用DataFrame的相關操作即可讀取相應的數據。'''
   


pd.read_table(r'E:\test.txt', sep=' ',index_col=0)
 '''常用參數：
     header=None:沒有每列的column name，可以自己設定
     encoding='gb2312':其他編碼中文顯示錯誤
     index_col=0:設置第1列數據作為index
     sep：設置分隔符'''

 

 

 

導出數據

• df.to_csv(filename_path)：導出數據到CSV文件
• df.to_excel(filename_path)：導出數據到Excel文件
• df.to_sql(table_name, connection_object)：導出數據到SQL表
• df.to_json(filename_path)：以Json格式導出數據到文本文件

 

DataFrame.to_excel(excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None)

該函數主要參數為:excel_writer。
excel_writer:寫入的目標excel文件，可以是文件路徑、ExcelWriter對象;
sheet_name:被寫入的sheet名稱，string類型，默認為'sheet1';
na_rep:缺失值表示，string類型;
header:是否寫表頭信息，布爾或list of string類型，默認為True;
index:是否寫行號，布爾類型，默認為True;
encoding:指定寫入編碼，string類型。

 

創建測試對象

• pd.DataFrame(np.random.rand(20,5))：創建20行5列的隨機數組成的DataFrame對象
• pd.Series(my_list)：從可迭代對象my_list創建一個Series對象
• df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一個日期索引

 

查看、檢查數據

• df.head(n)：查看DataFrame對象的前n行（不加參數，默認前10行）
• df.tail(n)：查看DataFrame對象的最后n行（不加參數，默認后10行）
• df.shape()：查看行數和列數（維度查看）
• http://df.info()df.info-df.infodfdf.info()：查看索引、數據類型和內存信息
• df.describe()：查看數值型列的匯總統計
• s.value_counts(dropna=False)：查看Series對象的唯一值和計數
• df.apply(pd.Series.value_counts)：查看DataFrame對象中每一列的唯一值和計數
• df.dtypes：查看每一列的數據類型（擴展：df['two'].dtypes，查看“two”列的類型）
• df.isnull()：查看空置(注：空置部分會用true顯示，不是空置False顯示)（擴展：df['two'].isnull，查看“two”這一列的空置）
• df.values：查看數據表的值
• df.columns：查看列名稱

 

數據選取

• df.isin([5])：判斷全部數據值中是否有5
• dr[col].isin([5])：判斷列col中是否有5
• df[col]：根據列名，並以Series的形式返回列
• df[[col1, col2]]：以DataFrame形式返回多列
• s.iloc[0]：按位置選取行數據
• s.loc['index_one']：按索引選取行數據
• df.iloc[0,:]：返回第一行
• df.iloc[0,0]：返回第一列的第一個元素
• df.ix[0] 或 df.ix[raw] ：ix函數可以根據行位置或行標簽選擇行數據

 注：loc函數根據行標簽進行行選擇；

         iloc函數根據行位置進行行選擇；

         ix函數可以根據行位置選擇也可以根據行標簽選擇。

 

數據清理

• df.columns = ['a','b','c']：重命名列名
• pd.isnull()：檢查DataFrame對象中的空值，並返回一個Boolean數組
• pd.notnull()：檢查DataFrame對象中的非空值，並返回一個Boolean數組
• df.dropna()：刪除所有包含空值的行
• df.dropna(axis=1)：刪除所有包含空值的列
• df.dropna(axis=1,thresh=n)：刪除所有小於n個非空值的行
• df.fillna(x)：用x替換DataFrame對象中所有的空值（注：fillna()會填充nan數據，返回填充后的結果。如果希望在原DataFrame中修改，則把inplace設置為True。如，df.fillna(0,inplace=True)）
• s.astype(float)：將Series中的數據類型更改為float類型
• df[col].astype(float)：將DataFrame某列數據類型改為float類型
• s.replace(1,'first')：用‘first’代替所有等於1的值（替換的是值，不是列名也不是索引名）
• s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3
• df[col].replace(1,1.0,inplace=True)：列col中的值1用1.0替換
• df.replace([1,3],['one','three'])
• df.rename(columns=lambda x: x + 1)：批量更改列名
• df.rename(columns={'old_name': 'new_ name'})：選擇性更改列名
• df.set_index('column_one')：將column_one這一列變為索引列
• df.rename(index=lambda x: x + 1)：批量重命名索引
• df[col]=df[col].str.upper()或df[col].str.lower()：基於列的大小寫轉換
• df[col]=df[col].map(str.strip)：清楚某列的空格
• df.drop_duplicates(subset=col,keep='fisrt',inplace=Flase)：刪除重復值

注：這個drop_duplicate方法是對DataFrame格式的數據，去除特定列下面的重復行。返回DataFrame格式的數據。

• subset : column label or sequence of labels, optional      用來指定特定的列，默認所有列
• keep : {‘first’, ‘last’, False}, default ‘first’      刪除重復項並保留第一次出現的項
• inplace : boolean, default False        是直接在原來數據上修改還是保留一個副本

 

數據處理：Filter、Sort和GroupBy

• df[df[col] > 0.5]：選擇col列的值大於0.5的行
• df.sort_values(col1)：按照列col1排序數據，默認升序排列
• df.sort_values(col2, ascending=False)：按照列col1降序排列數據
• df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列數據
• df.groupby(col)：返回一個按列col進行分組的Groupby對象
• df.groupby([col1,col2])：返回一個按多列進行分組的Groupby對象
• df.groupby(col1)[col2]：返回按列col1進行分組后，列col2的均值
• df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：創建一個按列col1進行分組，並計算col2和col3的最大值的數據透視表
• df.groupby(col1).agg(np.mean)：返回按列col1分組的所有列的均值
• data.apply(np.mean)：對DataFrame中的每一列應用函數np.mean
• data.apply(np.max,axis=1)：對DataFrame中的每一行應用函數np.max
• df.isin

 

數據合並

• df1.append(df2)：將df2中的行添加到df1的尾部
• df.concat([df1, df2],axis=1)：將df2中的列添加到df1的尾部
• df1.join(df2,on=col1,how='inner')：對df1的列和df2的列執行SQL形式的join

 

數據統計

• df.describe()：查看數據值列的匯總統計
• df.mean()：返回所有列的均值
• df.corr()：返回列與列之間的相關系數
• df.count()：返回每一列中的非空值(NaN)的個數
• df.max()：返回每一列的最大值
• df.min()：返回每一列的最小值
• df.median()：返回每一列的中位數
• df.std()：返回每一列的標准差
• df.sum()：返回所有行的和

 

 

 附加：

1.字典內嵌列表

import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data)
print df

輸出：
      Age      Name
0     28        Tom
1     34       Jack
2     29      Steve
3     42      Ricky

 

2.列表內嵌字典

列表內嵌字典，字典的鍵默認為列名。

import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print df

輸出：
    a    b      c
0   1   2     NaN
1   5   10   20.0

 

原文鏈接