pandas操作速查表

准備工作

import numpy as np
import pandas as pd

 

倒入文件或創建一個數據表

df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))
pd.read_table(filename)# 從限定分隔符的文本文件導入數據
pd.read_excel(filename)# 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

# 創建數據表，下面兩個數據表是以下所有操作的數據支持
# pd.DataFrame(np.random.rand(20,5))# 創建20行5列的隨機數組成的DataFrame對象
df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
                    "date":pd.date_range('20130102', periods=6),
                    "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
                    "age":[23,44,54,32,34,32],
                    "category":['100-A','100-B','110-A','110-C','210-A','130-F'],
                    "price":[1200,np.nan,2133,5433,np.nan,4432]},
                    columns =['id','date','city','category','age','price'])

df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],
                  "gender":['male','female','male','female','male','female','male','female'],
                  "pay":['Y','N','Y','Y','N','Y','N','Y',],
                  "m-point":[10,12,20,40,40,40,30,20]})

 

一、查看數據表信息

　　包含操作：

• • 查看維度
  • 查看數據表基本信息
  • 查看每一列／指定列數據格式
  • 查看數據表每一單元格是否為空值
  • 查看指定列值
  • 查看數據表
  • 查看表頭
  • 查看前／后n行數據
  • 查看數值型列的匯總統計
  • 查看DataFrame對象中每一列的唯一值和計數

print(df.shape) # 查看維度、行數和列數（x*y）
print(df.info())# 查看數據表基本信息（維度、列名稱、數據格式、所占空間等）
print(df.dtypes)# 查看每一列數據的格式
print(df['price'].dtype) # 查看指定列的數據格式
print(df.isnull()) # 查看數據表每一單元格是否為空值
print(df['age'].unique()) # 查看指定列的值（去重）
print(df.values)# 查看數據表
print(df.columns)# 查看表頭
print(df.head(3)) # 查看前x行數據，括號內為空時默認為10
print(df.tail(3)) # 查看后x行數據，括號內為空時默認為10
print(df.describe()) # 查看數值型列的匯總統計
print(df.apply(pd.Series.value_counts)) # 查看DataFrame對象中每一列的唯一值和計數

 

二、數據表清洗

　　包含操作：

• • 重命名列名
  • 檢查空值
  • 刪除包含空值的行／列
  • 刪除所有小於n的非空值的行
  • 填充空值
  • 清除空格
  • 更改數據格式
  • 刪除指定列中重復的值
  • 更改數據

df.columns = ['a','b','c']# ：重命名列名
print(df.isnull())# 檢查DataFrame對象中的空值，並返回一個Boolean數組
print(df.notnull())# 檢查DataFrame對象中的空值，並返回一個Boolean數組

print(df.dropna())# 刪除所有包含空值的行
print(df.dropna(axis=1))# 刪除所有包含空值的列
print(df.dropna(axis=1,thresh=n))# 刪除所有小於n的非空值的行

print(df.fillna(value=0)) # 用數字0填充空值，返回值為填充后的表信息
print(df['price'].fillna(df['price'].mean())) # 使用指定列（price）的均值填充指定列（price）的空值，返回值為填充后的列信息

df['city']=df['city'].map(str.strip) # 清除指定字段（city）的字符空格，注意清洗完數據后要重新賦值回去
df['city']=df['city'].str.lower() # 支持str的操作，這里指變為小些，注意清洗完數據后要重新賦值回去
print(df['city'])

print(df['age'].astype('int')) # 更改數據格式，這里的操作是將數據轉為int，不需要重新賦值
print(df.rename(columns={'category': 'category-size'})) # 更改表頭

print(df['city'].drop_duplicates()) # 刪除指定列中重復的值（保留前面的，刪除后面的）
print(df['city'].drop_duplicates(keep='last'))# 刪除指定列中重復的值（保留后面的，刪除前面的）

print(df['city'].replace('sh', 'shanghai')) # 更改數據

 

三、數據表操作

　　包含操作：

• • 交集、並集、左連接、右連接
  • 設置索引
  • 排序
  • 分組標記
  • 分列並創建數據表

df_inner=pd.merge(df,df1,how='inner')  # 交集，少匹配合並
df_left=pd.merge(df,df1,how='left')    # 左連接，按左表為准，右表不夠的用NaN補
df_right=pd.merge(df,df1,how='right')  # 右連接，按右表為准，左表不夠的用NaN補
df_outer=pd.merge(df,df1,how='outer')  # 並集，多匹配合並
print(df_inner)
print(df_left)
print(df_right)
print(df_outer)

print(df_inner.set_index('id')) # 設置索引列，這里索引設置的是id列
print(df_inner.sort_values(by=['m-point'])) # 按照指定列排序，默認升序
print(df_inner.sort_values(by=['m-point']),ascending=False) # 按照指定列排序，指定降序
print(df_inner.sort_index()) # 按照索引排序，默認升序

# group的值按price的大小顯示，大於3000顯示high，小於3000顯示low
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
df_inner.loc[(df_inner['city'] == 'Beijing') & (df_inner['gender'] == 'male'), 'sign']=1# 對復合多個條件的數據進行分組標記
print(df_inner)

# 對category字段的值依次進行分列，並創建數據表，索引值為df_inner的索引列，列名稱為category和size
print(pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))

# 將完成分裂后的數據表和原df_inner數據表進行匹配
split = pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
print(df_inner)

 

四、數據提取

　　包含操作：

• • 提取單行／區域行的值
  • 重設索引
  • 按位置提取數據
  • 按索引提取數據
  • 判斷數據值
  • 提取指定字符並生成數據表

"""
主要用到的三個函數：loc,iloc和ix
 - loc函數按標簽值進行提取
 - iloc按位置進行提取
 - ix可以同時按標簽和位置進行提取。
"""
print(df_inner.loc[3])# 按索引提取單行的數值，這里提取的是第四行
print(df_inner.iloc[0:5])# 按索引提取區域行數值，這里提取的是0到四行

df_inner.reset_index()# 重設索引
df_inner=df_inner.set_index('date') # 將指定字段設置為索引，這里用的日期
print(df_inner[:'2013-01-04'])# 切片提取數據，這里切的日期，需要先將日期設為索引

# - 使用iloc按位置區域提取數據
print(df_inner.iloc[:3,:2]) #冒號前后的數字不再是索引的標簽名稱而是數據所在的位置，這里表示從0開始，前三行，前兩列。
print(df_inner.iloc[[0,2,5],[4,5]]) #提取第0、2、5行，4、5列

# - 使用ix按索引標簽和位置混合提取數據
print(df_inner.ix[:'2013-01-03',:4]) #2013-01-03號之前，前四列數據

print(df_inner['city'].isin(['Beijing']))# 判斷city列的值是否為北京

print(df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])])# 判斷city列里是否包含beijing和shanghai，然后將符合條件的數據提取出來

print(pd.DataFrame(df_inner['city'].str[:3]))# 提取前三個字符，並生成數據表

 

五、數據篩選

　　包含操作：與／或／非／大於／小於／等於／不等於

# 使用與、或、非三個條件配合大於、小於、等於對數據進行篩選，並進行計數和求和。
print(df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'shanghai'), ['id','city','age','category','gender']])
print(df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'shanghai'), ['id','city','age','category','gender']] )
print(df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']])

# 對篩選后的數據按city列進行計數
print(df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].city.count())

# 使用query函數進行篩選
print(df_inner.query('city == ["beijing", "shanghai"]'))

# 對篩選后的結果按price進行求和
print(df_inner.query('city == ["Shenzhen", "shanghai"]').price.sum())

 

六、數據處理

　　包含操作：計數匯總（主要用groupby）

# 主要函數是groupby和pivote_table
print(df_inner.groupby('city').count())# 對所有的列進行計數匯總
print(df_inner.groupby('city')['id'].count())# 按city對id字段進行計數
print(df_inner.groupby(['city','price'])['id'].count())# 對兩個字段進行匯總計數
print(df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) )# 對city字段進行匯總，並分別計算prince的合計和均值

 

七、數據統計

　　包含操作：

• • 數據采樣（可設置權重）
  • 數據表描述性統計
  • 標准差和方差
  • 相關性統計
  • 所有列的均值
  • 每一列的最大值、最小值、中位數、標准差

# 數據采樣，計算標准差，協方差和相關系數
print(df_inner.sample(n=3))# 簡單的數據采樣（隨機取3行數據）

# 手動設置采樣權重，這里指3／4／5的權重比較高，隨機取時概率較大
weights = [0, 0, 0, 0.5, 0.5, 0.5]
print(df_inner.sample(n=2, weights=weights))

print(df_inner.sample(n=6, replace=False))# 采樣后不放回
print(df_inner.sample(n=6, replace=True))# 采樣后放回

# 數據表描述性統計
print(df_inner.describe().round(2).T) #round函數設置顯示小數位，T表示轉置

# 標准差和協方差
print(df_inner['price'].std())# 計算列的標准差
print(df_inner['price'].cov(df_inner['m-point']))# 計算兩個字段間的協方差
print(df_inner.cov())# 計算數據表中所有字段間的協方差

# 計算兩個字段的相關性分析，相關系數在-1到1之間，接近1為正相關，接近-1為負相關，0為不相關
print(df_inner['price'].corr(df_inner['m-point']))

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

 

八、數據輸出

df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
df_inner.to_csv('excel_to_python.csv')
df.to_sql(table_name, connection_object)# 導出數據到SQL表
df.to_json("filename")# 以Json格式導出數據到文本文件