pandas 菜鳥教程

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’))

3、用pandas創建數據表：

1. df = pd.DataFrame({ "id":[1001,1002,1003,1004,1005,1006],
2. "date":pd.date_range('20130102', periods=6),
3. "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
4. "age":[23,44,54,32,34,32],
5. "category":['100-A','100-B','110-A','110-C','210-A','130-F'],
6. "price":[1200,np.nan,2133,5433,np.nan,4432]},
7. 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.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

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

1、數據表合並

1.1 merge

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

1.2 append

result = df1.append(df2) 

1.3 join

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

1.4 concat

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

    

objs︰ 一個序列或系列、 綜合或面板對象的映射。如果字典中傳遞，將作為鍵參數，使用排序的鍵，除非它傳遞，在這種情況下的值將會選擇 （見下文）。任何沒有任何反對將默默地被丟棄，除非他們都沒有在這種情況下將引發 ValueError。
axis: {0，1，…}，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’)

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’)