Python3 pandas用法大全

一、生成數據表 

1、首先導入pandas庫，一般都會用到numpy庫，所以我們先導入備用：

import numpy as np
import pandas as pd

2、導入CSV或者xlsx文件：

df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))
#pandas還可以讀取一下文件： 
read_csv, 
read_excel, 
read_hdf, 
read_sql, 
read_json, 
read_msgpack (experimental), 
read_html, 
read_gbq (experimental), 
read_stata, 
read_sas, 
read_clipboard, 
read_pickle; 
#相應的寫入： 
to_csv, 
to_excel, 
to_hdf, 
to_sql, 
to_json, 
to_msgpack (experimental), 
to_html, 
to_gbq (experimental), 
to_stata, 
to_clipboard, 
to_pickle.

（1）pandas.read_csv()參數整理:

　　讀取CSV（逗號分割）文件到DataFrame，也支持文件的部分導入和選擇迭代。

　　filepath_or_buffer : str，pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such as a file handle or StringIO)

　　可以是URL，可用URL類型包括：http, ftp, s3和文件。

　　 sep : str, default ‘,’

　　指定分隔符。如果不指定參數，則會嘗試使用逗號分隔。分隔符長於一個字符並且不是‘\s+’,將使用python的語法分析器。並且忽略數據中的逗號。正則表達式例子：'\r\t'

　　delimiter : str, default None 

　　定界符，備選分隔符（如果指定該參數，則sep參數失效）。

　　 delim_whitespace : boolean, default False. 

　　指定空格(例如’ ‘或者’ ‘)是否作為分隔符使用，等效於設定sep='\s+'。如果這個參數設定為Ture那么delimiter 參數失效。在新版本0.18.1支持

　　 header : int or list of ints, default ‘infer’

　　指定行數用來作為列名，數據開始行數。如果文件中沒有列名，則默認為0，否則設置為None。如果明確設定header=0 就會替換掉原來存在列名。header參數可以是一個list例如：[0,1,3]，

　　這個list表示將文件中的這些行作為列標題（意味着每一列有多個標題），介於中間的行將被忽略掉

　　注意：如果skip_blank_lines=True 那么header參數忽略注釋行和空行，所以header=0表示第一行數據而不是文件的第一行。

　　 names : array-like, default None

　　用於結果的列名列表，如果數據文件中沒有列標題行，就需要執行header=None。默認列表中不能出現重復，除非設定參數mangle_dupe_cols=True。

　　 index_col : int or sequence or False, default None

　　用作行索引的列編號或者列名，如果給定一個序列則有多個行索引。

　　如果文件不規則，行尾有分隔符，則可以設定index_col=False 來是的pandas不適用第一列作為行索引。

　　 usecols : array-like, default None

　　返回一個數據子集，該列表中的值必須可以對應到文件中的位置（數字可以對應到指定的列）或者是字符傳為文件中的列名。

　　例如：usecols有效參數可能是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用這個參數可以加快加載速度並降低內存消耗。

　　 as_recarray : boolean, default False

　　不贊成使用：該參數會在未來版本移除。請使用pd.read_csv(...).to_records()替代。

　　返回一個Numpy的recarray來替代DataFrame。如果該參數設定為True。將會優先squeeze參數使用。並且行索引將不再可用，索引列也將被忽略。

 　    squeeze : boolean, default False　　

　　如果文件值包含一列，則返回一個Series

 　　 prefix : str, default None

　　在沒有列標題時，給列添加前綴。例如：添加‘X’ 成為 X0, X1, ...

 　　 mangle_dupe_cols : boolean, default True

　　重復的列，將‘X’...’X’表示為‘X.0’...’X.N’。如果設定為false則會將所有重名列覆蓋。

 　　 dtype : Type name or dict of column -> type, default None

　　每列數據的數據類型。例如 {‘a’: np.float64, ‘b’: np.int32}

 　　 engine : {‘c’, ‘python’}, optional

　　Parser engine to use. The C engine is faster while the python engine is currently more feature-complete.

　　使用的分析引擎。可以選擇C或者是python。C引擎快但是Python引擎功能更加完備。

 　　 converters : dict, default None

　　列轉換函數的字典。key可以是列名或者列的序號。

 　　 true_values : list, default None

　　Values to consider as True

 　　 false_values : list, default None

　　Values to consider as False

 　　 skipinitialspace : boolean, default False

　　忽略分隔符后的空白（默認為False，即不忽略）.

 　　 skiprows : list-like or integer, default None

　　需要忽略的行數（從文件開始處算起），或需要跳過的行號列表（從0開始）。

 　　 skipfooter : int, default 0

　　從文件尾部開始忽略。 (c引擎不支持)

　　skip_footer : int, default 0

　　不推薦使用：建議使用skipfooter ，功能一樣。

 　　 nrows : int, default None

　　需要讀取的行數（從文件頭開始算起）。

 　　 na_values : scalar, str, list-like, or dict, default None

　　一組用於替換NA/NaN的值。如果傳參，需要制定特定列的空值。默認為‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.

 　　 keep_default_na : bool, default True

　　如果指定na_values參數，並且keep_default_na=False，那么默認的NaN將被覆蓋，否則添加。

 　　 na_filter : boolean, default True

　　是否檢查丟失值（空字符串或者是空值）。對於大文件來說數據集中沒有空值，設定na_filter=False可以提升讀取速度。

 　　 verbose : boolean, default False

　　是否打印各種解析器的輸出信息，例如：“非數值列中缺失值的數量”等。

 　　 skip_blank_lines : boolean, default True

　　如果為True，則跳過空行；否則記為NaN。

 　　 parse_dates : boolean or list of ints or names or list of lists or dict, default False

• • boolean. True -> 解析索引
  • list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作為獨立的日期列；
  • list of lists. e.g. If [[1, 3]] -> 合並1,3列作為一個日期列使用
  • dict, e.g. {‘foo’ : [1, 3]} -> 將1,3列合並，並給合並后的列起名為"foo"

 　　 infer_datetime_format : boolean, default False

　　如果設定為True並且parse_dates 可用，那么pandas將嘗試轉換為日期類型，如果可以轉換，轉換方法並解析。在某些情況下會快5~10倍。

 　　 keep_date_col : boolean, default False

　　如果連接多列解析日期，則保持參與連接的列。默認為False。

 　　 date_parser : function, default None

　　用於解析日期的函數，默認使用dateutil.parser.parser來做轉換。Pandas嘗試使用三種不同的方式解析，如果遇到問題則使用下一種方式。

　　　　1.使用一個或者多個arrays（由parse_dates指定）作為參數；

　　　　2.連接指定多列字符串作為一個列作為參數；

　　　　3.每行調用一次date_parser函數來解析一個或者多個字符串（由parse_dates指定）作為參數。

　　dayfirst : boolean, default False

　　DD/MM格式的日期類型

 　　 iterator : boolean, default False

　　返回一個TextFileReader 對象，以便逐塊處理文件。

 　　 chunksize : int, default None

　　文件塊的大小，  See IO Tools docs for more informationon iterator and chunksize.

　　compression : {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’

　　直接使用磁盤上的壓縮文件。如果使用infer參數，則使用 gzip, bz2, zip或者解壓文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’這些為后綴的文件，否則不解壓。

　　如果使用zip，那么ZIP包中國必須只包含一個文件。設置為None則不解壓。

　　新版本0.18.1版本支持zip和xz解壓

 　　 thousands : str, default None

　　千分位分割符，如“，”或者“."

 　　 decimal : str, default ‘.’

　　字符中的小數點 (例如：歐洲數據使用’，‘).

 　　 float_precision : string, default None

　　Specifies which converter the C engine should use for floating-point values. The options are None for the ordinary converter, high for the high-precision converter, and round_trip for the round-trip converter.

　　lineterminator : str (length 1), default None

　　行分割符，只在C解析器下使用。

 　　 quotechar : str (length 1), optional

　　引號，用作標識開始和解釋的字符，引號內的分割符將被忽略。

 　　 quoting : int or csv.QUOTE_* instance, default 0

　　控制csv中的引號常量。可選 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)

 　　 doublequote : boolean, default True

　　雙引號，當單引號已經被定義，並且quoting 參數不是QUOTE_NONE的時候，使用雙引號表示引號內的元素作為一個元素使用。

 　　 escapechar : str (length 1), default None

　　當quoting 為QUOTE_NONE時，指定一個字符使的不受分隔符限值。

 　　 comment : str, default None

　　標識着多余的行不被解析。如果該字符出現在行首，這一行將被全部忽略。這個參數只能是一個字符，空行（就像skip_blank_lines=True）注釋行被header和skiprows忽略一樣。

　　例如如果指定comment='#' 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那么返回結果將是以’a,b,c'作為header。

 　　 encoding : str, default None

　　指定字符集類型，通常指定為'utf-8'.  List of Python standard encodings

 　　 dialect : str or csv.Dialect instance, default None

　　如果沒有指定特定的語言，如果sep大於一個字符則忽略。具體查看csv.Dialect 文檔

 　　 tupleize_cols : boolean, default False

　　Leave a list of tuples on columns as is (default is to convert to a Multi Index on the columns)

 　　 error_bad_lines : boolean, default True

　　如果一行包含太多的列，那么默認不會返回DataFrame ，如果設置成false，那么會將改行剔除（只能在C解析器下使用）。

 　　 warn_bad_lines : boolean, default True

　　如果error_bad_lines =False，並且warn_bad_lines =True 那么所有的“bad lines”將會被輸出（只能在C解析器下使用）。

 　　 low_memory : boolean, default True

　　分塊加載到內存，再低內存消耗中解析。但是可能出現類型混淆。確保類型不被混淆需要設置為False。或者使用dtype 參數指定類型。

　　注意使用chunksize 或者iterator 參數分塊讀入會將整個文件讀入到一個Dataframe，而忽略類型（只能在C解析器中有效）

 　　 buffer_lines : int, default None

　　不推薦使用，這個參數將會在未來版本移除，因為他的值在解析器中不推薦使用

 　　 compact_ints : boolean, default False

　　不推薦使用，這個參數將會在未來版本移除

　　如果設置compact_ints=True ，那么任何有整數類型構成的列將被按照最小的整數類型存儲，是否有符號將取決於use_unsigned 參數

 　　 use_unsigned : boolean, default False

　　不推薦使用：這個參數將會在未來版本移除

　　如果整數列被壓縮(i.e. compact_ints=True)，指定被壓縮的列是有符號還是無符號的。

　　memory_map : boolean, default False

　　如果使用的文件在內存內，那么直接map文件使用。使用這種方式可以避免文件再次進行IO操作。

（2）pandas.read_csv()實例：

#read_csv會自動加上行索引，即使原數據集有行索引
obj=pd.read_csv('f:/ceshi.csv')
#獲取對應的列值，從列名獲取值，header必須從0開始或者默認
obj['列名']

#header=None時，即指明原始文件數據沒有列索引，這樣read_csv為自動加上列索引，除非你給定列索引的名字。
obj_2=pd.read_csv('f:/ceshi.csv',header=None,names=range(2,5))

#header=0，表示文件第0行（即第一行，python，索引從0開始）為列索引，這樣加names會替換原來的列索引。
obj_2=pd.read_csv('f:/ceshi.csv',index_col=0)

#index_col為指定數據中哪一列作為Dataframe的行索引，也可以可指定多列，形成層次索引，默認為None,即不指定行索引，這樣系統會自動加上行索引（0-）
obj_2=pd.read_csv('f:/ceshi.csv',index_col=[0,2])

#usecols:可以指定原數據集中，所使用的列。在本例中，共有4列，當usecols=[0,1,2,3]時，即選中所有列，之后令第一列為行索引，當usecols=[1,2,3]時，即從第二列開始，之后令原始數據集的第二列為行索引。
obj_2=pd.read_csv('f:/ceshi.csv',index_col=0,usecols=[0,1,2,3])

#nrows：可以給出從原始數據集中的所讀取的行數，目前只能從第一行開始到nrows行
obj_2=pd.read_csv('f:/ceshi.csv',index_col=0,nrows=3)

3、用pandas創建數據表：

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'])

二、數據表信息查看 

1、維度查看：

df.shape

2、數據表基本信息（維度、列名稱、數據格式、所占空間等）：

df.info()

3、每一列數據的格式：

df.dtypes

4、某一列格式：

df['B'].dtype

5、空值：

df.isnull()

6、查看某一列空值：

df['B'].isnull()

7、查看某一列的唯一值：

df['B'].unique()

8、查看數據表的值： 

df.values 

9、查看列名稱：

df.columns

10、查看前10行數據、后10行數據：

df.head() #默認前10行數據
df.tail()    #默認后10 行數據

三、數據表清洗 

 1、用數字0填充空值：

df.fillna(value=0)

2、使用列prince的均值對NA進行填充：

df['prince'].fillna(df['prince'].mean())

3、清楚city字段的字符空格：

df['city']=df['city'].map(str.strip)

4、大小寫轉換：

df['city']=df['city'].str.lower()

5、更改數據格式：

df['price'].astype('int')       

6、更改列名稱：

df.rename(columns={'category': 'category-size'}) 

7、刪除后出現的重復值：

df['city'].drop_duplicates()

8、刪除先出現的重復值：

df['city'].drop_duplicates(keep='last')

9、數據替換：

df['city'].replace('sh', 'shanghai')

四、數據預處理

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]})

1、數據表合並

df_inner=pd.merge(df,df1,how='inner')  # 匹配合並，交集
df_left=pd.merge(df,df1,how='left')        #
df_right=pd.merge(df,df1,how='right')
df_outer=pd.merge(df,df1,how='outer')  #並集

2、設置索引列

df_inner.set_index('id')

3、按照特定列的值排序：

df_inner.sort_values(by=['age'])

4、按照索引列排序：

df_inner.sort_index()

5、如果prince列的值>3000，group列顯示high，否則顯示low：

df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

 6、對復合多個條件的數據進行分組標記

df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

7、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

pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))

8、將完成分裂后的數據表和原df_inner數據表進行匹配

df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

五、數據提取 

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。 
1、按索引提取單行的數值

df_inner.loc[3]

2、按索引提取區域行數值

df_inner.iloc[0:5]

3、重設索引

df_inner.reset_index()

4、設置日期為索引

df_inner=df_inner.set_index('date')

5、提取4日之前的所有數據

df_inner[:'2013-01-04']

6、使用iloc按位置區域提取數據

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，從0開始，前三行，前兩列。

7、適應iloc按位置單獨提起數據

df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列

8、使用ix按索引標簽和位置混合提取數據

df_inner.ix[:'2013-01-03',:4] #2013-01-03號之前，前四列數據

9、判斷city列的值是否為北京

df_inner['city'].isin(['beijing'])

10、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

df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])] 

11、提取前三個字符，並生成數據表

pd.DataFrame(category.str[:3])

六、數據篩選 

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。 
1、使用“與”進行篩選

df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

2、使用“或”進行篩選

df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age']) 

3、使用“非”條件進行篩選

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 

4、對篩選后的數據按city列進行計數

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

5、使用query函數進行篩選

df_inner.query('city == ["beijing", "shanghai"]')

6、對篩選后的結果按prince進行求和

df_inner.query('city == ["beijing", "shanghai"]').price.sum()

七、數據匯總 主要函數是groupby和pivote_table 
1、對所有的列進行計數匯總

df_inner.groupby('city').count()

2、按城市對id字段進行計數

df_inner.groupby('city')['id'].count()

3、對兩個字段進行匯總計數

df_inner.groupby(['city','size'])['id'].count()

4、對city字段進行匯總，並分別計算prince的合計和均值

df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) 

八、數據統計

數據采樣，計算標准差，協方差和相關系數 
1、簡單的數據采樣

df_inner.sample(n=3) 

2、手動設置采樣權重

weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights) 

3、采樣后不放回

df_inner.sample(n=6, replace=False) 

4、采樣后放回

df_inner.sample(n=6, replace=True)

5、 數據表描述性統計

df_inner.describe().round(2).T #round函數設置顯示小數位，T表示轉置

6、計算列的標准差

df_inner['price'].std()

7、計算兩個字段間的協方差

df_inner['price'].cov(df_inner['m-point'])

8、數據表中所有字段間的協方差

df_inner.cov()

9、兩個字段的相關性分析

df_inner['price'].corr(df_inner['m-point']) #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

10、數據表的相關性分析

df_inner.corr()

九、數據輸出 

分析后的數據可以輸出為xlsx格式和csv格式 
1、寫入Excel

df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc') 

2、寫入到CSV

df_inner.to_csv('excel_to_python.csv')