Python通過pandas操作excel常用功能

1.導入數據源

#導入相關庫
import  pandas as pd
import numpy as np 
import os 
from pandas import DataFrame,Series
import re
df =pd.read_csv(r'E:\work\daima\python\forestfires.csv') #打開文件

2.數據基本處理

1）查看列名和數據類型

print(df.columns)  #查看列名
print(df.dtypes)    #查看各列數據類型

2）查看指定行列數據

print(df.head(20)) #查看前20行數據
df=df.loc[:,'FFMC':'rain']     #選擇FFMC到rain列所有數據

3）刪除行或列

df=df.drop(['wind', 'rain', 'area'],axis=1)           #刪除wind,rain和area三列
df_an=df_an.loc[-(df_an['qudao']=='Total')]  #刪除qudao列等於'Total'的行

4）移除重復數據

df_new=df.drop_duplicates(['month','day'])  #移除month和day列包含重復值得行，保留第一個
df_new=df.drop_duplicates(['month'],take_last=True )#移除month列包含重復值得行，保留最后一個

5）更改列名

df.rename(columns={'ISI':'isi'}, inplace = True) #ISI列列名改為isi

2.描述性統計

1）計算某列變量頻數

print(df['month'].unique())     #輸出month列唯一值
print(df['month'].value_counts())   #輸出month列各變量出現頻數

2）分段統計

bins=[0,10,20,30,40,50,60,70,80,90,100]
group_names=['0-10','10-20','20-30','30-40','40-50','50-60','60-70','70-80','80-90','90-100']
cats=pd.cut(df['RH'],bins,labels=group_names)
pd.value_counts(cats,sort=False)

3）添加一列分組列，做多維頻數統計

bins=[0,10,20,30,40,50,60,70,80,90,100]
group_names=['0-10','10-20','20-30','30-40','40-50','50-60','60-70','70-80','80-90','90-100']
cats=pd.cut(df['RH'],bins,labels=group_names)
df_concat=pd.concat([df,cats],axis=1,ignore_index=True)
df_group=df_concat[7].groupby([df_concat[0],df_concat[6],df_concat[7]])
df_fum=df_group.agg('count')

3.缺失值處理

1）缺失值統計

a顯示有缺失值的行

df[df.isnull().values==True] #顯示有缺失值的行

b增加一列，顯示每行的缺失值

df_na=(df.isnull()).sum(axis=1) #統計每行的缺失值
df=pd.concat([df,df_na],axis=1) #df和df_na橫向拼接
df.rename(columns={0:'na_num'}, inplace = True) #更改列名
df=df.loc[df['na_num']<=5]#刪去變量值大於5的行

2）填充缺失值

a刪除含有缺失值的行（或者全為NA的行）

df.dropna()#刪除含有缺失值的行
df.dropna(how='all')#只丟棄全為NA的那些行

b填充固定值

train_data.fillna(0, inplace=True) # 填充 0

c填充均值

df['DC'].fillna(df['DC'].mean(),inplace=True) # 填充均值

d填充中位數

df['DC'].fillna(df['DC'].median(),inplace=True) #DC列缺失值填充為DC列的中位數

e填充眾數

df['DC'].fillna(df['DC'].mode(),inplace=True) # 填充眾數
#循環用眾數填充每列缺失值，若眾數為na的情況，刪掉na
features=['X', 'Y', 'month', 'day', 'FFMC', 'DMC', 'DC', 'ISI', 'temp', 'RH',
       'wind', 'rain', 'area']
features_mode = {}
for f in features:
    print (f,':', list(df[f].dropna().mode().values))
    features_mode[f] = list(df[f].dropna().mode().values)[0]
df.fillna(features_mode,inplace=True)

f填充上下條的數據

df['DC'].fillna(method='pad', inplace=True) 
df['DC'].fillna(0, inplace=True)# 前一條沒值就填充0
df['DC'].fillna(method='bfill', inplace=True) 
df['DC'].fillna(0, inplace=True)# 后一條沒值就填充0

g填充KNN數據

from fancyimpute import KNN
features=['X', 'Y', 'month', 'day', 'FFMC', 'DMC', 'DC', 'ISI', 'temp', 'RH',
       'wind', 'rain', 'area']
train_data_x = pd.DataFrame(KNN(k=6).fit_transform(df), columns=features)

4.篩選

1）條件篩選loc

df_sel=df.loc[(df['month']=='aug') & (df['DC']>=600)] #篩選month列等於aug且DC列大於600的所有行

2）篩選並給新列賦值

這個多用於區間匹配，例如如果A列(0,100],C列為50；A列大於100 ,C列為A列的值。

df.loc[(df['DC']>0) & (df['DC']<=100) ,'DC_na']=50 # 創建新列DC_na,DC列大於0且小於等於100，DC列為50
df.loc[df['DC']>100,'DC_na']=df['DC']# 創建新列DC_na,DC列大於100等於原值，其他為NA

這里舉一個其他類似的例子:

有一組數據包含三列（列名為A,B,C），現在要新增一個D列，如果A>100且5<B<7，那么D列的值等於C列減5；如果A>100且B>=7，那么D列的值等於C列減10，其他情況D列的值等於C列的值。

df['D']=df['C']
df.loc[(df['A']>100) & (df['B']>=5) &(df['B']<=7) ,'D']=df['C']-5
df.loc[(df['A']>100) & (df['B']>=7)  ,'D']=df['C']-10

3）模糊篩選/精確篩選：isin()，contains()

df_sel1=df[df['day'].str.contains('fr')]   # 篩選day列包含fr字符的行
df_sel2=df[df['day'].isin(['fri','mon'])]   # 篩選day列等於fri或mon的行

5.替換

1）去掉字符串兩端空格

df_city['experience_new'] = df_city['experience'].map(lambda s: s.strip())#experience列中文前后端包含空格，需對改列進行分詞處理（去掉空格），賦值給新列experience_new

2）替換

#將experience_new列中的應屆畢業生替換為1年以下
df_city = df_city.replace({'experience_new':'應屆畢業生'},'1年以下')
df_city['expreienct_new']=df_city['expreienct_new'].map(lambda s:re.sub('應屆畢業生','1年以下',s))

6.提取字符串

1）分列

df['new']=df['day'].map(lambda s:re.compile(':').split(s)[0])#對df['day']列按照符號':'進行分列並提取第一個值，賦值到新列df['new']

2）搜索字符串

這個情況很多，涉及到很多正則表達式知識。

df['xin']='U34' #增加新列，列名為xin,為新列賦值U34
df['zimu']=df['xin'].map(lambda s:re.compile("([0-9]+)").search(s).group()[0])#搜索字母並提取第一個值
df['shuzi']=df['xin'].map(lambda s:re.compile("[a-zA-Z]+").search(s).group()[0])#搜索字母並提取第一個值

3）如果未匹配到關鍵字，直接用group()函數會報錯

def chuli(s):
    jieguo=re.compile("([0-9]+)").search(s)
    if jieguo:
        jieguo=int(jieguo.group())+1
    else :
        jieguo=0
    return jieguo
df['Room']=df['Cabin'].map(chuli)

7.關聯

1）兩表關聯：merge(左關聯，右關聯)

比如有以下兩個數據集

df1 客戶信息表

customer_id sex city

10084    男 北京

10085    女 上海

10086    男 廣州

10087    女 深圳

df2訂單表

order customer_id product shouru

CH001 10084         A 500

CH002 10085         B 200

CH003 10086         C 1000

CH004 10086         D 3000

a左關聯

df_merge=pd.merge(df1,df2,on='customer_id',how='left') #左關聯
print(df_merge)

注意第三四列，與EXCEL匹配的邏輯稍有不同。

customer_id sex city order product shouru

10084      男 北京  CH001 A    500

10085      女 上海  CH002 B    200

10086      男  廣州 CH003  C   1000

10086      男  廣州 CH004  D   3000

10087      女  深圳  NA    NA    NA

b根據多列進行左關聯

pd.merge(df1,df2,on=['key1','key2'],how='left')#多鍵連接

2）多表進行關聯

a軸向連接：concat()

pd.concat([df1,df2],axis=1,ignore_index=True）#df1和df2橫向拼接

b多表關聯：reduce()

from functools import reduce
df_list=[df_dau,df_gmv_zx,df_dau_zx]
df_zhengti=reduce(lambda left,right:pd.merge(left,right,on=['event_date','duan'],how='left'),df_list) #按照event_date,duan 從左到右對df_list中的文件進行左關聯

8.聚合(數據透視表）

類似於數據透視表，類似於sumifs(),countifs(),averageifs()等函數的效果。

1）聚合groupby()

df_group=df['DC'].groupby([df['month'],df['day']]) #根據month和day列對DC列進行聚合
df_fun=df_gorup.agg(['sum','mean','std']) #對df_group求和，均值和標准差
print(df_fun)

2）數據透視表pd.pivot_table()

這個函數比較難記，可以參考EXCEL數據透視表去理解，index代表列，columns代表行，values代表值，aggfunc代表要對值用什么函數，fil_value代表缺失值用0填充。

df_toushi=pd.pivot_table(df,index=['month'],columns=['day'],
         values=['DC'],aggfunc=[np.sum,np.mean],fill_value=0)
print(df_toushi)

9.排序

按照DMC列降序，DC列升序對數據集進行排序。

df_paixu=df.sort_values(by=['DMC','DC'],ascending=[0,1]) 

10時間序列處理

1）csv中的時間會被讀取為字符串，需要批量處理為pandas可處理的時間類型

df['date']=pd.to_datetime(df['createTime']) #批量轉換createTime中的時間，並賦值到date列
df[(df['date']>='20140701')&(df['date']<='20140715')]#篩選指定時間段數據

2）時間設置

from datetime import datetime, timedelta
import time
today = datetime.today()#今天
yesterday_ts = time.time() - 24 * 3600#昨天
yesterday = datetime.fromtimestamp(yesterday_ts).strftime('%Y-%m-%d') #轉換為年月日
fromtime =  (today -timedelta(16)).strftime('%Y-%m-%d') #16天前，並轉化為年月日
day_before_yesterday_ts = yesterday_ts - 24*3600#前天
day_before_yesterday = datetime.fromtimestamp(day_before_yesterday_ts).strftime('%Y-%m-