python大数据分析——pandas基本数据类型类型及操作（DataFrame，数据选择函数，iloc & loc）

Love The Way You Lie 2022-11-29 12:30 627阅读 0赞

### python大数据分析——pandas基本数据类型类型及操作 ###

*  前言
 *  一、pandas是什么？
 *  二、使用步骤
 *   *  1.引入库
     *  2.使用库
     *   *  1）构建DataFrame
         *  2）DataFrame 基础属性和整体情况查询
         *  3）DataFrame 索引
         *   *  3.1）基本索引
             *  3.2）iloc & loc
             *  3.3）布尔索引
         *  4）缺失数据的处理

--------------------

# 前言 #

python用于数据分析，需要使用 **pandas** 库。

# 一、pandas是什么？ #

pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的，提供了大量能使我们快速便捷地处理数据的函数和方法。

为什么学?  
numpy能够帮助我们处理**数值**，但是pandas除了处理数值之外还能**处理其他类型的数据（如字符串）**。

# 二、使用步骤 #

## 1.引入库 ##

pandas有**两种数据类型**：

*  Series：一维，带标签（即索引）数组
 *  DataFrame：二维，Series容器。任取 DataFrame 的一行或一列，都是一个 Series。

下面介绍如何使用 DataFrame。

import pandas as pd
    from pandas import DataFrame

## 2.使用库 ##

### 1）构建DataFrame ###

参考：[pandas初探：DataFrame生成，索引与修改][pandas_DataFrame]

*  **列标签**为字典的键——通过**columns**属性显式指定列排列顺序
 *  **行标签**未显式指定，故默认为**0到n-1**——通过**index**属性显式指定行标签

缺少的值会用 NAN 填充。

有两种方法可以构建 DataFrame：

*  直接构建：`pd.DataFrame(np.arange(12).reshape((3,4)), index=list("abc"), columns=list("wxyz"))`
 *  通过字典构建：`pd.DataFrame(字典)`

# 字典
    data = {
        'ID': ['000001', '000002', '000003', '000004', '000005', '000006', '000007'],
            'name': ['黎明', '赵怡春', '张富平', '白丽', '牛玉德', '姚华', '李南'],
            'gender': [True, False, True, False, True, False, True],
            'age': [16, 20, 18, 18, 17, 18, 16],
            'height': [1.88, 1.78, 1.81, 1.86, 1.74, 1.75, 1.76]
            }
    frame = pd.DataFrame(data, index=[6,5,4,3,2,1,0])
    
    #        ID name  gender  age  height
    # 6  000001   黎明    True   16    1.88
    # 5  000002  赵怡春   False   20    1.78
    # 4  000003  张富平    True   18    1.81
    # 3  000004   白丽   False   18    1.86
    # 2  000005  牛玉德    True   17    1.74
    # 1  000006   姚华   False   18    1.75
    # 0  000007   李南    True   16    1.76

### 2）DataFrame 基础属性和整体情况查询 ###

**1.基础属性**（不是方法，因此没有括号）

frame.shape #行数列数
    frame.dtypes #列数据类型
    frame.ndim #数据维度
    frame.index #行索引
    frame.columns #列索引
    frame.values #对象值，二维ndarray数组

**2.整体情况查询**

frame.head(3) #显示头部几行，默认5行
    frame.tail(3) #显示末尾几行，默认5行
    frame.info() #相关信息概览:行数，列数，列索引，列非空值个数，列类型，列类型，内存占用
    frame.describe() #快速综合统计结果:计数，均值，标准差，最大值，四分位数，最小值
    frame.sort_values(by="列名", ascending=True/False) #按某一列降序或升序排序

### 3）DataFrame 索引 ###

#### 3.1）基本索引 ####

*  方括号写**数字**，表示取行
 *  方括号写**字符串**，表示取列

取完之后`type(data[])`显示为`Series`类型

**1.列索引**

print(frame['name'])
    # 6     黎明
    # 5    赵怡春
    # 4    张富平
    # 3     白丽
    # 2    牛玉德
    # 1     姚华
    # 0     李南
    # Name: name, dtype: object
    
    print(frame[['name','age']])
    #   name  age
    # 6   黎明   16
    # 5  赵怡春   20
    # 4  张富平   18
    # 3   白丽   18
    # 2  牛玉德   17
    # 1   姚华   18
    # 0   李南   16
    
    print(frame.name)
    # 6     黎明
    # 5    赵怡春
    # 4    张富平
    # 3     白丽
    # 2    牛玉德
    # 1     姚华
    # 0     李南
    # Name: name, dtype: object

**2.行索引**

print(frame[2:7])
    #        ID name  gender  age  height
    # 4  000003  张富平    True   18    1.81
    # 3  000004   白丽   False   18    1.86
    # 2  000005  牛玉德    True   17    1.74
    # 1  000006   姚华   False   18    1.75
    # 0  000007   李南    True   16    1.76
    
    print(frame[2:7:2])
    #        ID name  gender  age  height
    # 4  000003  张富平    True   18    1.81
    # 2  000005  牛玉德    True   17    1.74
    # 0  000007   李南    True   16    1.76

**3.同时进行 行列索引**

print(frame['name'][0:1])
    print(frame[0:1]['name'])

#### 3.2）iloc & loc ####

**1.iloc函数**：使用**位置**索引数据

print(frame.iloc[1,3])			选择第2行，第4列数据
    print(frame.iloc[1:2,0:3])		选择第1：2行，第0：3列数据
    print(frame.iloc[[3,1],[0,2]])	选择4和2行，第1和2列共两个数据（4行和2行的位置会变化）

**2.loc函数**：使用**标签**获取数据，且包含下界（只有它包含）（如果index=101,102，则索引号不能为1,2，而**应该为101,102**）

print(frame.loc[0:1]) 			选择0：1行，共两个数据
    print(frame.loc[[1,3]]) 		选择2和4行，共两个数据
    
    同时读取行列：
    print(frame.loc[:,['name']])
    print(frame.loc[:,['name','age']])

--------------------

**iloc 与 loc 的区别：**

frame = pd.DataFrame(data, index=[100,101,102,103,104,105,106])
    print(frame[0:1])
    #         ID name  gender  age  height
    # 100  000001   黎明    True   16    1.88
    
    print(frame[100:101])
    # Empty DataFrame
    
    print(frame.loc[0:1])
    # Columns: [ID, name, gender, age, height]
    # Index: []
    # Empty DataFrame
    
    print(frame.loc[100:101])
    # Columns: [ID, name, gender, age, height]
    # Index: []
    #          ID name  gender  age  height
    # 100  000001   黎明    True   16    1.88
    # 101  000002  赵怡春   False   20    1.78

--------------------

#### 3.3）布尔索引 ####

**不同条件需要用括号分隔**

print(frame[frame['age'] > 17])
    print(frame[(frame['age']> 17) & (frame['height'] > 1.80])
    print(frame[(frame['age']> 17) & (frame['gender'] == True)])
    print(frame[frame['age'].isin([20, 16])])
    print(frame['name'[[2, 3]][(frame['height']> 1.80)])
    print(framel(frame[height']> 1.80) & (frame['gender] == True)]['name']) 查询身高大于1.80的男生姓名

### 4）缺失数据的处理 ###

**1.处理 NaN 数据**  
判断数据是否为NaN: `pd.isnull(frame)、pd.notnull(frame)`

*  删除NaN所在的行列：`frame.dropna (axis=0, how='any / all', inplace=False)`  
    how：  any：只要有 NaN 就删除这一行/列  
        all：全部为 NaN 才删除  
    inplace：对数据是否进行原地修改
 *  填充数据：`frame.fillna(0)、frame.fillna(frame.mean())、frame.fillna(frame.median())`

**2.处理为0的数据**（赋值为 NaN `frame[frame==0] = np.nan`）

当然，并不是每次为0的数据都需要处理。  
在pandas 中计算平均值等数值时，NaN 是不参与计算的，但是0会（numpy 中 NaN 参与计算）。

[pandas_DataFrame]: https://blog.csdn.net/weixin_43901558/article/details/104834178