Python基础(三) pandas基本用法总结

今天药忘吃喽~ 2022-03-21 07:45 389阅读 0赞

转载：[https://blog.csdn.net/yiyele/article/details/80605909][https_blog.csdn.net_yiyele_article_details_80605909]

官网教程：[https://www.yiibai.com/pandas/python\_pandas\_basic\_functionality.html][https_www.yiibai.com_pandas_python_pandas_basic_functionality.html]

# 一、生成数据表 #

## 1、首先导入pandas库，一般都会用到numpy库，所以我们先导入备用： ##

import numpy as np   
import pandas as pd

## 2、导入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创建数据表： ##

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、数据表信息查看 #

## 1、维度查看： ##

df.shape

## 2、数据表基本信息（维度、列名称、数据格式、所占空间等）： ##

df.info()

## 3、每一列数据的格式： ##

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、查看数据表的值： ##

df.values

## 9、查看列名称： ##

df.columns

## 10、查看前10行数据、后10行数据： ##

df.head() \#默认前10行数据   
df.tail() \#默认后10 行数据

# 三、数据表清洗 #

## 1、用数字0填充空值： ##

df.fillna(value=0)

## 2、使用列prince的均值对NA进行填充： ##

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、大小写转换： ##

df\[‘city’\]=df\[‘city’\].str.lower()

## 5、更改数据格式： ##

df\[‘price’\].astype(‘int’)

## 6、更改列名称： ##

df.rename(columns=\{‘category’: ‘category-size’\})

## 7、删除后出现的重复值： ##

df\[‘city’\].drop\_duplicates()

## 8、删除先出现的重复值： ##

df\[‘city’\].drop\_duplicates(keep=’last’)

## 9、数据替换： ##

df\[‘city’\].replace(‘sh’, ‘shanghai’)

# 四、数据预处理[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、数据表合并 ##

### 1.1 merge ###

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

### 1.2 append ###

result = df1.append(df2)

![这里写图片描述][70]

### 1.3 join ###

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

![这里写图片描述][70 1]

### 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︰ 一个序列或系列、 综合或面板对象的映射。如果字典中传递，将作为键参数，使用排序的键，除非它传递，在这种情况下的值将会选择 （见下文）。任何没有任何反对将默默地被丢弃，除非他们都没有在这种情况下将引发 ValueError。   
axis: \{0，1，…\}，默认值为 0。要连接沿轴。   
join: \{‘内部’、 ‘外’\}，默认 ‘外’。如何处理其他 axis(es) 上的索引。联盟内、 外的交叉口。   
ignore\_index︰ 布尔值、 默认 False。如果为 True，则不要串联轴上使用的索引值。由此产生的轴将标记 0，…，n-1。这是有用的如果你串联串联轴没有有意义的索引信息的对象。请注意在联接中仍然受到尊重的其他轴上的索引值。   
join\_axes︰ 索引对象的列表。具体的指标，用于其他 n-1 轴而不是执行内部/外部设置逻辑。   
keys︰ 序列，默认为无。构建分层索引使用通过的键作为最外面的级别。如果多个级别获得通过，应包含元组。   
levels︰ 列表的序列，默认为无。具体水平 （唯一值） 用于构建多重。否则，他们将推断钥匙。   
names︰ 列表中，默认为无。由此产生的分层索引中的级的名称。   
verify\_integrity︰ 布尔值、 默认 False。检查是否新的串联的轴包含重复项。这可以是相对于实际数据串联非常昂贵。   
副本︰ 布尔值、 默认 True。如果为 False，请不要，不必要地复制数据。

例子：1.frames = \[df1, df2, df3\]   
2.result = pd.concat(frames)   
![这里写图片描述][70 2]

## 2、设置索引列 ##

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列显示high，否则显示low： ##

df\_inner\[‘group’\] = np.where(df\_inner\[‘price’\] > 3000,’high’,’low’)

## 6、对复合多个条件的数据进行分组标记 ##

df\_inner.loc\[(df\_inner\[‘city’\] == ‘beijing’) & (df\_inner\[‘price’\] >= 4000), ‘sign’\]=1

## 7、对category字段的值依次进行分列，并创建数据表，索引值为df\_inner的索引列，列名称为category和size ##

pd.DataFrame((x.split(‘-‘) for x in df\_inner\[‘category’\]),index=df\_inner.index,columns=\[‘category’,’size’\]))

## 8、将完成分裂后的数据表和原df\_inner数据表进行匹配 ##

df\_inner=pd.merge(df\_inner,split,right\_index=True, left\_index=True)

# 五、数据提取 #

主要用到的三个函数：loc,iloc和ix，loc函数按标签值进行提取，iloc按位置进行提取，ix可以同时按标签和位置进行提取。

## 1、按索引提取单行的数值 ##

df\_inner.loc\[3\]

## 2、按索引提取区域行数值 ##

df\_inner.iloc\[0:5\]

## 3、重设索引 ##

df\_inner.reset\_index()

## 4、设置日期为索引 ##

df\_inner=df\_inner.set\_index(‘date’)

## 5、提取4日之前的所有数据 ##

df\_inner\[:’2013-01-04’\]

## 6、使用iloc按位置区域提取数据 ##

df\_inner.iloc\[:3,:2\] \#冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。

## 7、适应iloc按位置单独提起数据 ##

df\_inner.iloc\[\[0,2,5\],\[4,5\]\] \#提取第0、2、5行，4、5列

## 8、使用ix按索引标签和位置混合提取数据 ##

df\_inner.ix\[:’2013-01-03’,:4\] \#2013-01-03号之前，前四列数据

## 9、判断city列的值是否为北京 ##

df\_inner\[‘city’\].isin(\[‘beijing’\])

## 10、判断city列里是否包含beijing和shanghai，然后将符合条件的数据提取出来 ##

df\_inner.loc\[df\_inner\[‘city’\].isin(\[‘beijing’,’shanghai’\])\]

## 11、提取前三个字符，并生成数据表 ##

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

# 六、数据筛选 #

使用与、或、非三个条件配合大于、小于、等于对数据进行筛选，并进行计数和求和。

## 1、使用“与”进行筛选 ##

df\_inner.loc\[(df\_inner\[‘age’\] > 25) & (df\_inner\[‘city’\] == ‘beijing’), \[‘id’,’city’,’age’,’category’,’gender’\]\]

## 2、使用“或”进行筛选 ##

df\_inner.loc\[(df\_inner\[‘age’\] > 25) | (df\_inner\[‘city’\] == ‘beijing’), \[‘id’,’city’,’age’,’category’,’gender’\]\].sort(\[‘age’\])

## 3、使用“非”条件进行筛选 ##

df\_inner.loc\[(df\_inner\[‘city’\] != ‘beijing’), \[‘id’,’city’,’age’,’category’,’gender’\]\].sort(\[‘id’\])

## 4、对筛选后的数据按city列进行计数 ##

df\_inner.loc\[(df\_inner\[‘city’\] != ‘beijing’), \[‘id’,’city’,’age’,’category’,’gender’\]\].sort(\[‘id’\]).city.count()

## 5、使用query函数进行筛选 ##

df\_inner.query(‘city == \[“beijing”, “shanghai”\]’)

## 6、对筛选后的结果按prince进行求和 ##

df\_inner.query(‘city == \[“beijing”, “shanghai”\]’).price.sum()

# 七、数据汇总 #

主要函数是groupby和pivote\_table

## 1、对所有的列进行计数汇总 ##

df\_inner.groupby(‘city’).count()

## 2、按城市对id字段进行计数 ##

df\_inner.groupby(‘city’)\[‘id’\].count()

## 3、对两个字段进行汇总计数 ##

df\_inner.groupby(\[‘city’,’size’\])\[‘id’\].count()

## 4、对city字段进行汇总，并分别计算prince的合计和均值 ##

df\_inner.groupby(‘city’)\[‘price’\].agg(\[len,np.sum, np.mean\])

# 八、数据统计 #

数据采样，计算标准差，协方差和相关系数

## 1、简单的数据采样 ##

df\_inner.sample(n=3)

## 2、手动设置采样权重 ##

weights = \[0, 0, 0, 0, 0.5, 0.5\]   
df\_inner.sample(n=2, weights=weights)

## 3、采样后不放回 ##

df\_inner.sample(n=6, replace=False)

## 4、采样后放回 ##

df\_inner.sample(n=6, replace=True)

## 5、 数据表描述性统计 ##

df\_inner.describe().round(2).T \#round函数设置显示小数位，T表示转置

## 6、计算列的标准差 ##

df\_inner\[‘price’\].std()

## 7、计算两个字段间的协方差 ##

df\_inner\[‘price’\].cov(df\_inner\[‘m-point’\])

## 8、数据表中所有字段间的协方差 ##

df\_inner.cov()

## 9、两个字段的相关性分析 ##

df\_inner\[‘price’\].corr(df\_inner\[‘m-point’\]) \#相关系数在-1到1之间，接近1为正相关，接近-1为负相关，0为不相关

## 10、数据表的相关性分析 ##

df\_inner.corr()

# 九、数据输出 #

分析后的数据可以输出为xlsx格式和csv格式

## 1、写入Excel ##

df\_inner.to\_excel(‘excel\_to\_python.xlsx’, sheet\_name=’bluewhale\_cc’)

## 2、写入到CSV ##

df\_inner.to\_csv(‘excel\_to\_python.csv’)

[https_blog.csdn.net_yiyele_article_details_80605909]: https://blog.csdn.net/yiyele/article/details/80605909
[https_www.yiibai.com_pandas_python_pandas_basic_functionality.html]: https://www.yiibai.com/pandas/python_pandas_basic_functionality.html
[df1]: https://www.baidu.com/s?wd=df1&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[70]: /images/20220321/6d7072cb81eb4949ac536ced9d564a42.png
[70 1]: /images/20220321/b7c04d58ad1b42dbbc336e6cee70f7f8.png
[70 2]: /images/20220321/5ce97ed91b6c4d03abe20282cb9ca14b.png