目錄
數據分析雖說很多時候需要對業務和數據的理解，但其實大部分時候對數據的操作是相似（即使使用不同的工具，如Excel、Python、R等），像是數據清洗、表格結構修改、字段切分、分組計算等等。下面是使用Python中的Pandas包對數據分析常用操作的筆記。
數據讀取
pandas讀取文件后的數據集是一個DataFrame對象，該對象的每個列是一個Series對象
# pandas可讀取很多文件格式
# 但一般讀取數據的文件格式為：csv 和 excel
import pandas as pd
df = pd.read_csv("iris.csv",
sep=',',
names=["A","B","C","D"],
nrows=2， # 只要前兩行的數據
encoding='utf-8'
)
df = pd.read_excel("iris.xlsx",
sheetname='XXXX',
header=0, # 指定第一行為表頭
index_col=0, # 指定第一列為索引
usecols = [0, 2] # 只要第一和三列的數據
)
# 數據庫讀取
import pymysql # MySQL
import pymssql # SQLserver
conn = pymssql.connect(host='XXX.XX.XX.XX', user='username', password='123', database='DB')
OS = pd.read_sql("SELECT * FROM [KF_SZ].[dbo].[OSdepartrelation]",conn)
conn.close()
數據探索
# 查看數據量和特征量
df.shape
>>> (68630, 14)
# 查看數據集的頭5行
df.head()
# 查看數據集的尾5行
df.tail()
# 查看行名
df.index
>>> RangeIndex(start=0, stop=68630, step=1)
# 查看列名
df.columns
>>> Index(['行號', '倉庫', '貨號', '條碼', '商品名稱'], dtype='object')
# 幾乎用不上吧
df.values
# 查看數據格式
df.dtypes
>>> 行號 int64
倉庫 object
貨號 int64
條碼 object
# 計數：每個特征(列)的非空數量
df.count()
>>> 商品名稱 68630
規格 6340
單位 67719
庫存數量 68630
# 計數：對單個列(Series)的頻數統計
df['倉庫'].value_counts()
>>> 公司總部總倉庫 2016
佛山南海萬科店 938
深圳寶安興業店 928
深圳寶安百年店 907
# 返回唯一值的數組
df['區域'].unique()
>>> array(['深圳', '東莞', '廣州', '佛山', '江門', '成都', '四川'], dtype=object)
# 統計描述：可以對整個數據集(DataFrame)，也可以對單個列(Series)
df.describe()
df['庫存數量'].describe()
>>> count 68630.000000
mean 19.545230
std 248.819321
min -1600.000000
25% 2.000000
50% 5.000000
75% 14.000000
max 38080.000000
Name: 庫存數量, dtype: float64
# 小技巧
df.describe().astype(np.int64).T
數據清洗
數據清洗
# 單列字段清洗-去空格
df['商品名稱'] = df['商品名稱'].map(lambda s : s.strip())
df['A']=df['A'].map(str.strip) # 去除兩邊空格
df['A']=df['A'].map(str.lstrip) # 去除左邊空格
df['A']=df['A'].map(str.rstrip) # 去除右邊空格
df['A']=df['A'].map(str.upper) # 轉大寫
df['A']=df['A'].map(str.lower) # 轉小寫
df['A']=df['A'].map(str.title) # 首字母大寫
# 字段切分，並創建新特征
df.loc[:,"區域"] = df['倉庫'].map(lambda s:s[0:2])
類型轉換
# 轉換某特征(列)的數據格式
df['行號'] = df['行號'].astype(float)
# 轉化時間格式
df['time']=pd.to_datetime(df['time'])
缺失值
- 缺失值查看
# 缺失值判斷(在原數據對象以T/F替換)
df.isnull()
df.notnull()
df['A'].isnull()
- 缺失值統計
# 缺失值計數方法
# 方法一
df['A'].isnull().value_counts()
>>> True 68629
False 1
Name: A, dtype: int64
# 方法二
df['A'].isnull().sum()
>>> 68629
df.isnull().sum()
>>> 倉庫 0
貨號 0
條碼 2
規格 62290
- 缺失值刪除
# 默認axi=0，how='any': 按行，任意一行有NaN就整列丟棄
df.dropna()
df.dropna(axis=1)
# 一行中全部為NaN的，才丟棄
df.driopna(how='all')
# 保留至少3個非空值的行：一行中有3個值是非空的就保留
df.dropna(thresh=3)
- 缺失值填充
# 整個數據集填充
df.fillna(0)
# 有針對性的填充
df.fillna({'性別':'男', '年齡':30})
重復值
# 返回布爾向量、矩陣
df['A'].duplicated()
df.duplicated()
# 整個實例一模一樣才刪除，默認保留第一行
df.drop_duplicates()
# 保留k1列中的唯一值的行，默認保留第一行
df.drop_duplicates(subset=["k1"])
# 保留 k1和k2 組合的唯一值的行，take_last=True 保留最后一行
df.drop_duplicates(subset=["k1","k2"], take_last=True)
值替換
# 一對一替換
# 將df的A列中 -999 全部替換成空值
df["A"].replace(-999, np.nan)
# 多對一替換
# -999和1000 均替換成空值
obj.replace([-999,1000], np.nan)
# 多對 一對一替換
# -999替換成空值，1000替換成0
obj.replace([-999,1000], [np.nan, 0])
# 同上，寫法不同，更清晰
obj.replace({-999:np.nan, 1000:0})
# 有趣的寫法
dataset_raw.loc[dataset_raw['workclass'] == 'Without-pay', 'workclass'] = 'Not Working'
修改表結構
一般數據分析需要修改表結構都是在列上動手腳，注意操作有以下幾種
新增列
# 方式一
df['test'] = 0
# 方式二
df.loc[:,"區域"] = df['倉庫'].map(lambda s:s[0:2])
# 方式三
df.loc[:,"is_bonus"]=1
df.loc[df['remarks']=='無獎金', 'is_bonus'] = 0
# 方式四
# 需求：創建一個新變量test2
# 1.petal_length>2 and petal_width>0.3 = 1
# 2.sepeal_length>6 and sepal_width>3 = 2 3.其他 = 0
df.loc[(df['petal_length']>2)&(df['petal_width']>0.3), 'test2'] = 1
df.loc[(df['sepal_length']>6)&(df['sepal_width']>3), 'test2'] = 2
刪除列
# 丟棄指定的特征(列)
df.drop(['行號','條碼'],
axis=1,
inplace=True)
刪除行
# 刪除特色的行用得少，一般使用切片
df.drop(index=['no1','no2'],
axis=0,
inplace=True)
df.drop(df.index[[0,1]],
axis=0,
inplace=True)
修改列名
df.rename(columns = {'年':'compute_year',
'月/季度':'compute_month',
'員工編號':'code',
'員工姓名':'name',
'職位':'position',
'體系':'system_name',
'運營單位':'op_unit_name',
'區域':'sub_area_name',
'部門名稱':'dept_name',
'員工所屬小組': 'sub_dept_name'},
inplace=True)
數據分組（數值變量）
# cut()數據分組，以連續值變量分組創建新特征
bins = [0, 5, 10, 15, 20] # 切分的邊界
group_names = ['A', 'B', 'C', 'D'] # 每組的標簽名
df['new'] = pd.cut(df['old'], bins, labels=group_names) # new就是分組新特征
# qcut只要指定切分個數即可
df.qcut(df['年齡']，4)
數據分列（分類變量）
這個操作和Excel中的分列功能很像，在原始數據表中grade列中包含了兩個層級的用戶等級信息，現在我們通過數據分列將分級信息進行拆分。數據分列操作使用的是split函數，下面是具體的代碼和分列后的結果。
grade_split = pd.DataFrame((x.split('-') for x in loandata.grade),
index=loandata.index,
columns=['grade','sub_grade'])
完成數據分列操作后，使用merge函數將數據匹配會原始數據表，這個操作類似Excel中的Vlookup函數的功能。通過匹配原始數據表中包括了分列后的等級信息
loandata=pd.merge(loandata,grade_split,right_index=True, left_index=True)
設置索引
# 將列轉化為索引
# 將columns中的其中兩列：race和sex設置索引，race為一級，sex為二級
# inplace=True 在原數據集上修改的
# 默認情況下，設置成索引的列會從DataFrame中移除, drop=False將其保留下來
adult.set_index(['race','sex'], inplace = True)
# 取消列索引設置，並自動填充索引
adult.reset_index(level=None, drop=Fasle, inplace=False)
# 索引重塑
df.stack()
df.unstack()
排序
df.b(by=['code'], ascending=False, na_position='first')
df.sort_values(by=['code', 'name'], ascending=False, na_position='first')
# 缺失值NaN默認是排在最后后的，na_position='first'設置為排在最前面
數據篩選/切片
- []
- isin
- loc
- iloc
- ix
- contains
# []只能對 行（row/index） 切片，前閉后開
df[0:3]
df[:4]
df[4:]
# where布爾查找,建立在[]基礎之上
df[df["A"]>7]
# 並
df.loc[(df['petal_length']>2)&(df['petal_width']>0.3)]
# 或
df.loc[(df['petal_length']>2)|(df['petal_width']>0.3)]
# isin()
# 返回布爾值
df["A"].isin([1,2,3])
df.loc[df['sepal_length'].isin([5.8,5.1])]
# loc ：根據名稱Label切片
# df.loc[A,B] A是行范圍，B是列范圍
df.loc[:, ['petal_length','petal_width']]
df.loc[1:4, ['petal_length','petal_width']]
df.loc[['no1','no2'], ['petal_length','petal_width']]
# iloc：切位置,以序列號去切
df.iloc[1:4,:]
# ix：混切
# 名稱和位置混切，但效率低，少用
df1.ix[0:3,['sepal_length','petal_width']]
# contains()模糊匹配
# 使用DataFrame模糊篩選數據(類似SQL中的LIKE)
# 使用正則表達式進行模糊匹配,*匹配0或無限次,?匹配0或1次
df_obj[df_obj['套餐'].str.contains(r'.*?語音CDMA.*')]
# 下面兩句效果一致
df[df['商品名稱'].str.contains("四件套")]
df[df['商品名稱'].str.contains(r".*四件套.*")]
多表拼接
merge 合並
-
pandas.merge可根據一個或多個鍵將不同DataFrame中的行合並起來
# 在未指定連接鍵的情況下，merge會將重疊列的列名當做鍵 pd.merge(left, right) # 指定“on”作為連接鍵，left和right兩個DataFrame必須同時存在“on”列，連接鍵也可N對N（少用） pd.merge(left, right, on="key") pd.merge(left, right, on=["key1", "key2"]) # 指定left的連接鍵為“lkey”，right的連接鍵為“rkey” pd.merge(left, right, left_on="lkey", right_on="rkey") # suffixes:用於追加到重疊列名的末尾，默認為("_x", "_y") pd.merge(left, right, on="key", suffixes=("_left", "_right")) # 指定連接方式：“inner”（默認），“left”，“right”，“outer” pd.merge(left, right, how="outer") -
多對多連接產生的是行的笛卡爾積
-
常用方式：連接方式為“left”，right的連接鍵要唯一（去除重復值），通過right的數據補全left的數據索引上的合並（可用join代替，而且join更方便）
-
當DataFrame的連接鍵位於其索引中，可以使用 left_index=True 和 right_index=True
# 索引和索引連接 pd.merge(left, right, left_index=True, right_index=True) # "key"和索引連接 pd.merge(left, right, left_on="key", right_index=True) # 層次化索引 pd.merge(left, right, left_on=["key1", "key2"], right_index=True)
join 連接
-
DataFrame的join實例方法，是為了方便實現索引合並
# 用left的索引和right的索引進行merge left.join(right) # 用left的索引和right的“key”進行merge left.join(right， on="key") # 層次化索引 left.join(right， on=["key1", "key"]) # join可以合並兩張以上的表，而merge只能合並兩張表 left.join([right1, right2], how="outer")
concat 軸向連接
-
pandas.concat可以沿着一條軸將多個表對象堆疊到一起：因為模式how模式是“outer”
# 默認 axis=0 上下拼接，列column重復的會自動合並 pd.concat([df1, df2], axis=0) # axis=1 左右拼接，行raw/index重復的會自動合並 pd.concat([df1, df2], axis=1) # 忽略df1和df2原來的index，重新給新的DataFrame設置從0開始的index pd.concat([df1,df2], ignore_index=True)
append
-
使用場景：表頭一致的多張表，進行連接（上下連接）
df1.append(df2).append(df3)
combin_first 數據填補
-
使用場景：有兩張表left和right，一般要求它們的表格結構一致，數據量也一致，使用right的數據去填補left的數據缺漏
-
如果在同一位置left與right數據不一致，保留left的數據
df1.combin_first(df2)
數據聚合&分組運算
groupby
# 單層分組
df.groupby('區域')
# 多層分組
df.groupby(['A','B'])
# 每個分組記錄的計數
df.groupby('區域').size()
>>> 區域
東莞 7528
中山 520
佛山 5632
...
dtype: int64
# 分組數
len(df.groupby('區域'))
>>> 7
aggregate
grouped = df.groupby(['A','B'])
# 對一個特征一次求得多個統計數
grouped['age'].agg([np.sum, np.mean, np.std])
# 對單一屬性統計可以改列名
grouped['age'].agg({"求和":np.sum,"求平均數":np.mean})
# 對不同屬性求不同的統計數
grouped.agg({'age':np.mean,'fnlwgt':np.sum})
filter
# filter()
# 過濾分組計數少於1000的分組，在把分組計數大於1000的分組整合成一個DataFrame返回
con1 = lambda s : len(s) > 1000
df1 = grouped.filter(con1)
# 過濾分組age均值小於30的分組
con2 = lambda s : s['age'].mean()>30
df2 = grouped3.filter(con2)
tansformation
# tansformation()
# 會返回一個數據集，這個數據集與group具有相同的索引以及大小 相當分組處理后合並
# 舉例說明對數據集進行標准化：
zscore = lambda s : (s - s.mean())/s.std()
df = grouped.transform(zscore)
數據透視表
crosstab
# crosstab() 一般只用與計數的數據透視表
pd.crosstab(index= df['A'],
columns = [df['B'],df['C']],
margins =True,
dropn=True)
pivot/pivot_table
# Produce 'pivot' table based on 3 columns of this DataFrame.
# Uses unique values from index / columns and fills with values.
# 感覺能使用的場景很少，因為不重復
df.pivot(index, columns, values)
df.pivot_table(values=None,
index=None,
columns=None,
aggfunc='mean',
fill_value=None,
margins=False,
dropna=True,
margins_name='All')
# 需求： index 是A ，columns 是 B，C, 我要求E的平均數並且有邊
pd.pivot_table(df,
values = 'E',
index = 'A',
columns = ['B','C'],
aggfunc = [np.mean,np.sum],
margins = True)
時間序列
時間格式轉化
# 轉化時間格式
df['time']=pd.to_datetime(df['time'])
時間索引操作
啞編碼
pd.get_dummies(data,
prefix=None,
prefix_sep='_',
dummy_na=False,
columns=None,
sparse=False,
drop_first=False)
數據導出
pd.to_csv("XXX.csv",index=False)
from sqlalchemy import create_engine
engine = create_engine('mssql+pymssql://zxadmin:Zx!@#$8888@172.17.180.113/BS_KF')
pd.io.sql.to_sql(df,'payroll',engine,if_exists='append',index=False,chunksize=10000)
數據入庫
# pd 1.9以后的版本，除了sqllite，均需要通過sqlalchemy來設置
from sqlalchemy import create_engine
engine = create_engine('mssql+pymssql://zxadmin:Zx!@#$8888@172.17.180.113:8000/BS_KF')
# append：如果表存在，則將數據添加到這個表的后面
# fail：如果表存在就不操作
# replace：如果存在表，刪了，重建
pd.io.sql.to_sql(df,'table_name',engine,if_exists='append',index=False,chunksize=10000)
# 關閉連接
engine.dispose()
技巧
數據集概覽
# 整體概況
def birdview(data):
print(data.shape)
d = {}
for col in data.columns:
if len(list(data[col].unique()))<30:
d[col]= str(list(data[col].unique()))
else:
d[col]= "too much"
r = pd.DataFrame(pd.Series(d),columns=['values'])\
.join(pd.DataFrame(data.dtypes,columns=['type']))\
.join(pd.DataFrame(data.count(),columns=['count']))\
.join(pd.DataFrame(data.isnull().sum(),columns=['isnull']))
return r.sort_values(by=['values','type',])
def catview(data):
print("定性數據概況")
for c in data.columns:
print(c)
print(dict(df[c].value_counts()))
def valueview(data):
print("定值數據概況")
return data.describe().T\
.join(pd.DataFrame(data.skew(),columns=['skew']))\
.join(pd.DataFrame(data.kurt(),columns=['kurt']))
長寬表轉換
寬表轉換為長表
# 方法一：先用set_index，再用stack，然后還有rename修改下列名
df.set_index(['Company','Name'], inplace = True).stack().reset_index()
# 方法二：melt
df.melt(id_vars=['Company','Name'],
var_name='Year',
value_name='Sale')
長表轉換為寬表
df.pivot_table(index=['Company','Name'], columns='Year', values='Sale')
行列互換
df.T