Pandas 用法匯總

一、生成數據表

1、首先導入pandas 庫，一般會用到 numpy 庫，所以我們先導入備用：

import numpy as np

import pandas as pd

2、生成 CSV 或者 xlsx 文件：

df = pd.DataFrame(pd.read_csv( 'name.csv', header = 1))

df = pd.DataFrame(pd.read_excel('name.xlsx'))

3、用 pandas 創建數據表：

import numpy as np
import pandas as pd

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'])

 

print(df)

       id          date    city    category    age    price
0    1001    2013-01-02    Beijing    100-A    23    1200.0
1    1002    2013-01-03    SH         100-B    44    NaN
2    1003    2013-01-04    guangzhou  110-A    54    2133.0
3    1004    2013-01-05    Shenzhen   110-C    32    5433.0
4    1005    2013-01-06    shanghai   210-A    34    NaN
5    1006    2013-01-07    BEIJING    130-F    32    4432.0

 

二、數據表信息查看

1、維度查看：

df.shape

( 6, 6 )

2、數據表基本信息（維度，列名稱，數據格式， 所占空間）：
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6 entries, 0 to 5
Data columns (total 6 columns):
id          6 non-null int64
date        6 non-null datetime64[ns]
city        6 non-null object
category    6 non-null object
age         6 non-null int64
price       4 non-null float64
dtypes: datetime64[ns](1), float64(1), int64(2), object(2)
memory usage: 368.0+ bytes

3、每一列的數據格式：

df.dtypes

id                   int64
date        datetime64[ns]
city                object
category            object
age                  int64
price              float64
dtype: object

4、某一列格式：
df[ 'id' ].dtype

dtype('int64')

5、空值：
df.isnull()

    id    date    city    category    age    price
0    False    False    False    False    False    False
1    False    False    False    False    False    True
2    False    False    False    False    False    False
3    False    False    False    False    False    False
4    False    False    False    False    False    True
5    False    False    False    False    False    False

6、查看某一列的空值：

df['price'].isnull()

0    False
1     True
2    False
3    False
4     True
5    False
Name: price, dtype: bool

7、查看某一列的唯一值：

df['id'].unique()

array([1001, 1002, 1003, 1004, 1005, 1006], dtype=int64)

8、查看數據表的值：
df.values

array([[1001, Timestamp('2013-01-02 00:00:00'), 'Beijing ', '100-A', 23,
        1200.0],
       [1002, Timestamp('2013-01-03 00:00:00'), 'SH', '100-B', 44, nan],
       [1003, Timestamp('2013-01-04 00:00:00'), ' guangzhou ', '110-A',
        54, 2133.0],
       [1004, Timestamp('2013-01-05 00:00:00'), 'Shenzhen', '110-C', 32,
        5433.0],
       [1005, Timestamp('2013-01-06 00:00:00'), 'shanghai', '210-A', 34,
        nan],
       [1006, Timestamp('2013-01-07 00:00:00'), 'BEIJING ', '130-F', 32,
        4432.0]], dtype=object)

9、查看列名稱：

df.columns

Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

10、查看前10列數據、后10行數據：
df.head()       // 默認前10行數據

       id          date    city    category    age    price
0    1001    2013-01-02    Beijing     100-A    23    1200.0
1    1002    2013-01-03    SH          100-B    44    NaN
2    1003    2013-01-04    guangzhou   110-A    54    2133.0
3    1004    2013-01-05    Shenzhen    110-C    32    5433.0
4    1005    2013-01-06    shanghai    210-A    34    NaN

df.tail()          // 默認后10行數據

       id          date    city    category    age    price
1    1002    2013-01-03    SH          100-B    44    NaN
2    1003    2013-01-04    guangzhou   110-A    54    2133.0
3    1004    2013-01-05    Shenzhen    110-C    32    5433.0
4    1005    2013-01-06    shanghai    210-A    34    NaN
5    1006    2013-01-07    BEIJING     130-F    32    4432.0

 

三、數據表清洗

1、用數字 0 填充空值：

df.fillna(value = 0)

       id          date    city    category    age    price
0    1001    2013-01-02    Beijing     100-A    23    1200.0
1    1002    2013-01-03    SH          100-B    44    0.0
2    1003    2013-01-04    guangzhou   110-A    54    2133.0
3    1004    2013-01-05    Shenzhen    110-C    32    5433.0
4    1005    2013-01-06    shanghai    210-A    34    0.0
5    1006    2013-01-07    BEIJING     130-F    32    4432.0

2、使用列 price 的均值對 NA 進行填充：

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

0    1200.0
1    3299.5
2    2133.0
3    5433.0
4    3299.5
5    4432.0
Name: price, dtype: float64

 

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()

       id           date    city    category    age    price
0    1001    2013-01-02    beijing      100-A    23    1200.0
1    1002    2013-01-03    sh           100-B    44    NaN
2    1003    2013-01-04    guangzhou    110-A    54    2133.0
3    1004    2013-01-05    shenzhen     110-C    32    5433.0
4    1005    2013-01-06    shanghai     210-A    34    NaN
5    1006    2013-01-07    beijing      130-F    32    4432.0

5、更改數據格式：

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

6、更改列名稱：

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

       id          date    city    category-size    age    price
0    1001    2013-01-02    Beijing    100-A    23    1200.0
1    1002    2013-01-03    SH         100-B    44    NaN
2    1003    2013-01-04    guangzhou  110-A    54    2133.0
3    1004    2013-01-05    Shenzhen   110-C    32    5433.0
4    1005    2013-01-06    shanghai   210-A    34    NaN
5    1006    2013-01-07    BEIJING    130-F    32    4432.0

 

7、刪除后出現的重復值:

df[ 'city' ].drop_duplicates()

0       Beijing 
1             SH
2     guangzhou 
3       Shenzhen
4       shanghai
5       BEIJING 
Name: city, dtype: object

8、刪除先出現的重復值：

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

0       Beijing 
1             SH
2     guangzhou 
3       Shenzhen
4       shanghai
5       BEIJING 
Name: city, dtype: object

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：
1.1merge

df_inner = pd.merge(df, df1, how = 'inner') # 匹配合並 交集

       id          date    city    category    age    price    gender    pay   m-point
0    1001    2013-01-02    Beijing     100-A    23    1200.0    male      Y    10
1    1002    2013-01-03    SH          100-B    44    NaN       female    N    12
2    1003    2013-01-04    guangzhou   110-A    54    2133.0    male      Y    20
3    1004    2013-01-05    Shenzhen    110-C    32    5433.0    female    Y    40
4    1005    2013-01-06    shanghai    210-A    34    NaN       male      N    40
5    1006    2013-01-07    BEIJING     130-F    32    4432.0    female    Y    40

df_left = pd.merge(df, df1, how = 'left')


       id          date    city    category    age    price    gender    pay   m-point
0    1001    2013-01-02    Beijing    100-A    23    1200.0    male       Y    10
1    1002    2013-01-03    SH         100-B    44    NaN       female     N    12
2    1003    2013-01-04    guangzhou  110-A    54    2133.0    male       Y    20
3    1004    2013-01-05    Shenzhen   110-C    32    5433.0    female     Y    40
4    1005    2013-01-06    shanghai   210-A    34    NaN       male       N    40
5    1006    2013-01-07    BEIJING    130-F    32    4432.0    female     Y    40

 
df_right = pd.merge(df, df1, how = 'right')
df_outer = pd.merge(df, df1, how = 'outer') # 並集

輸出結構同上

1.2 append

result = df1.append(df2)

1.3 join

reault = left.join( right, on='key' )

1.4 concat

pd.concat(
　　　　　　objs, 
　　　　　　axis=0, 
　　　　　　join = 'outer', 
　　　　　　join_axes = None, 
　　　　　　ignore_index = False, 
　　　　　　keys = None, 
　　　　　　levels = None, 
　　　　　　names=None, 
　　　　　　verify_integrity=false, 
　　　　　　copy = True)

objs；一個序列系列、綜合或面板對象的映射。如果字典中傳遞，將作為鍵參數，使用序的鍵，除非它傳遞，在這種情況下的值將會選擇（見上下文）。任何沒有任何反對將默默的的丟棄，除非他媽嗯都沒有在這種情況下將引發 VslueError。

axis：{0,1,2，...}，默認值為0，要連接沿軸。

join：{‘內部’、‘外’}，默認 ‘外’。如何處理其他axis（es）上的索引。聯盟內，外的交叉口。

ignore_index︰ 布爾值、 默認 False。如果為 True，則不要串聯軸上使用的索引值。由此產生的軸將標記 0，…，n-1。這是有用的如果你串聯串聯軸沒有有意義的索引信息的對象。請注意在聯接中仍然受到尊重的其他軸上的索引值。 
join_axes︰ 索引對象的列表。具體的指標，用於其他 n-1 軸而不是執行內部/外部設置邏輯。 
keys︰ 序列，默認為無。構建分層索引使用通過的鍵作為最外面的級別。如果多個級別獲得通過，應包含元組。 
levels︰ 列表的序列，默認為無。具體水平 （唯一值） 用於構建多重。否則，他們將推斷鑰匙。 
names︰ 列表中，默認為無。由此產生的分層索引中的級的名稱。 
verify_integrity︰ 布爾值、 默認 False。檢查是否新的串聯的軸包含重復項。這可以是相對於實際數據串聯非常昂貴。 
副本︰ 布爾值、 默認 True。如果為 False，請不要，不必要地復制數據。

例子：

　　1、frames  =  [df1, df2, df3]

　　2、result = pd.concat(frames)

 

2、設置索引列

df_inner.set_index('id')

               date    city    category    age    price    gender    pay   m-point
id                                
1001    2013-01-02    Beijing      100-A    23    1200.0    male      Y    10
1002    2013-01-03    SH           100-B    44    NaN       female    N    12
1003    2013-01-04    guangzhou    110-A    54    2133.0    male      Y    20
1004    2013-01-05    Shenzhen     110-C    32    5433.0    female    Y    40
1005    2013-01-06    shanghai     210-A    34    NaN       male      N    40
1006    2013-01-07    BEIJING      130-F    32    4432.0    female    Y    40

 

3、按照特定列的值排序：
df_inner.sort_values(by = [‘age’])

      id            date    city    category    age    price    gender    pay   m-point
0    1001    2013-01-02    Beijing    100-A     23    1200.0    male       Y    10
3    1004    2013-01-05    Shenzhen   110-C     32    5433.0    female     Y    40
5    1006    2013-01-07    BEIJING    130-F     32    4432.0    female     Y    40
4    1005    2013-01-06    shanghai   210-A     34    NaN       male       N    40
1    1002    2013-01-03    SH         100-B     44    NaN       female     N    12
2    1003    2013-01-04    guangzhou  110-A     54    2133.0    male       Y    20

4、按照索引排序：
df_inner.sort_index()

       id           date    city    category    age    price    gender    pay   m-point
0    1001    2013-01-02    Beijing    100-A     23     1200.0    male      Y    10
1    1002    2013-01-03    SH         100-B     44     NaN       female    N    12
2    1003    2013-01-04    guangzhou  110-A     54     2133.0    male      Y    20
3    1004    2013-01-05    Shenzhen   110-C     32     5433.0    female    Y    40
4    1005    2013-01-06    shanghai   210-A     34     NaN       male      N    40
5    1006    2013-01-07    BEIJING    130-F     32     4432.0    female    Y    40

5、如果price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')

       id          date    city    category    age    price    gender    pay    m-point   group
0    1001    2013-01-02    Beijing    100-A    23      1200.0    male      Y        10    low
1    1002    2013-01-03    SH         100-B    44      NaN       female    N        12    low
2    1003    2013-01-04    guangzhou  110-A    54      2133.0    male      Y        20    low
3    1004    2013-01-05    Shenzhen   110-C    32      5433.0    female    Y        40    high
4    1005    2013-01-06    shanghai   210-A    34      NaN       male      N        40    low
5    1006    2013-01-07    BEIJING    130-F    32      4432.0    female    Y        40    high

6、對符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

       id           date    city    category    age    price    gender    pay    m-point    group    sign
0    1001    2013-01-02    Beijing    100-A      23    1200.0    male      Y      10         low     NaN
1    1002    2013-01-03    SH         100-B      44    NaN       female    N      12         low     NaN
2    1003    2013-01-04    guangzhou  110-A      54    2133.0    male      Y      20         low     NaN
3    1004    2013-01-05    Shenzhen   110-C      32    5433.0    female    Y      40         high    NaN
4    1005    2013-01-06    shanghai   210-A      34    NaN       male      N      40         low     NaN
5    1006    2013-01-07    BEIJING    130-F      32    4432.0    female    Y      40         high    NaN

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]

id                         1004
date        2013-01-05 00:00:00
city                   Shenzhen
category                  110-C
age                          32
price                      5433
gender                   female
pay                           Y
m-point                      40
group                      high
sign                        NaN
Name: 3, dtype: object

2、按索引提取區域行數值

df_inner.iloc[0:3]

       id          date    city    category    age    price    gender    pay    m-point    group  sign
0    1001    2013-01-02    Beijing    100-A    23    1200.0    male       Y          10    low    NaN
1    1002    2013-01-03    SH         100-B    44    NaN       female     N          12    low    NaN
2    1003    2013-01-04    guangzhou  110-A    54    2133.0    male       Y          20    low    NaN

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] # 冒號前后的數字不在是索引的標簽名稱，而是數據所在的位置，從0 開始，前三行，前兩行。

7、適應 iloc 按位置單獨提起數據：

df_inner.iloc[[0, 2, 5], [4, 5]] # 提取 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[: '2013-01-03', :4] # 2013-01-03 好之前，前四列的數據

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bejing 和 shanghai，然后將符合條件的數據提取出來

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

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”進行刪選

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price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price 的合計和均值

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

 

八、數據統計

數據采樣，計算標准差、協方和相關系數

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 = 6, replace = False)

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 = False)

5、數據表描述性統計

df_inner.describe().round(2).T   # round 函數是設置小數位，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、數據表中所有的字段間的協方差

df_inner.cov()

9、兩個字段間的相關性分析

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')