pandas常用函数学习

在做数据分析时自己在网上搜集的有关pandas用法整理,后续还会增加。

python pandas基本函数
查看数据 .head() .tail() .shape .describe()
矩阵运算 .add() .sub() .mul() .div() .divmod() .combine()
矩阵比较 .eq() .ne() .lt() .gt() .le() .ge().empty .any() .all() .bool()
数据框连接 .align() .merge() .join() .concatenate()
设置行名列名 .column .reindex() .reindex_like().rename()
列操作 .drop() .insert() .assign()
数据类型 .dtypes .get_dtype_counts() .astype() .to_numeric().select_dtypes()
数据运算 .pipe() .apply() .applymap()
统计运算 .cut() .qcut() .idxmin() .idxmax() .value_counts() .sum()…
排序 .sort_index() .sort_values() .nsmallest() .nlargest()
其他 .dt Iteration .copy() .info()

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:
1
2
import numpy as np
import pandas as pd
  1. 导入CSV或者xlsx文件:
1
2
df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))
  1. 用pandas创建数据表:
1
2
3
4
5
6
7
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'])

数据表信息查看

  1. 维度查看:
1
df.shape
  1. 数据表基本信息(维度、列名称、数据格式、所占空间等):
1
df.info()
  1. 每一列数据的格式:
1
df.dtypes
  1. 某一列格式:
1
df['B'].dtype
  1. 空值:
1
df.isnull()
  1. 查看某一列空值:
1
df.isnull()
  1. 查看某一列的唯一值:
1
df['B'].unique()
  1. 查看数据表的值:
1
df.values
  1. 查看列名称:
1
df.columns
  1. 查看前10行数据、后10行数据:
1
2
df.head() #默认前10行数据
df.tail() #默认后10行数据

数据表清洗

  1. 用数字0填充空值:
1
df.fillna(value=0)
  1. 使用列prince的均值对NA进行填充:
1
df['prince'].fillna(df['prince'].mean())
  1. 清楚city字段的字符空格:
1
df['city']=df['city'].map(str.strip)
  1. 大小写转换:
1
df['city']=df['city'].str.lower()
  1. 更改数据格式:
1
df['price'].astype('int')
  1. 更改列名称:
1
df.rename(columns={'category': 'category-size'})
  1. 删除后出现的重复值:
1
df['city'].drop_duplicates()
  1. 删除先出现的重复值:
1
df['city'].drop_duplicates(keep='last')
  1. 数据替换:
1
df['city'].replace('sh', 'shanghai')

数据预处理

1
2
3
4
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
2
3
4
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. 设置索引列
1
df_inner.set_index('id')
  1. 按照特定列的值排序:
1
df_inner.sort_values(by=['age'])
  1. 按照索引列排序:
1
df_inner.sort_index()
  1. 如果prince列的值>3000,group列显示high,否则显示low:
1
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
  1. 对复合多个条件的数据进行分组标记
1
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1
  1. 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
1
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))
  1. 将完成分裂后的数据表和原df_inner数据表进行匹配
1
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

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
1
df_inner.loc[3]
  1. 按索引提取区域行数值
1
df_inner.iloc[0:5]
  1. 重设索引
1
df_inner.reset_index()
  1. 设置日期为索引
1
df_inner=df_inner.set_index('date')
  1. 提取4日之前的所有数据
1
df_inner[:'2013-01-04']
  1. 使用iloc按位置区域提取数据
1
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。
  1. 适应iloc按位置单独提起数据
1
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行,4、5列
  1. 使用ix按索引标签和位置混合提取数据
1
df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前,前四列数据
  1. 判断city列的值是否为北京
1
df_inner['city'].isin(['beijing'])
  1. 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
1
df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]
  1. 提取前三个字符,并生成数据表
1
pd.DataFrame(category.str[:3])

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
1
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]
  1. 使用“或”进行筛选
1
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age'])
  1. 使用“非”条件进行筛选
1
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])
  1. 对筛选后的数据按city列进行计数
1
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()
  1. 使用query函数进行筛选
1
df_inner.query('city == ["beijing", "shanghai"]')
  1. 对筛选后的结果按prince进行求和
1
df_inner.query('city == ["beijing", "shanghai"]').price.sum()

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
1
df_inner.groupby('city').count()
  1. 按城市对id字段进行计数
1
df_inner.groupby('city')['id'].count()
  1. 对两个字段进行汇总计数
1
df_inner.groupby(['city','size'])['id'].count()
  1. 对city字段进行汇总,并分别计算prince的合计和均值
1
df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])
  1. 对于这种形式,一般是flight[0]表示group by后的两个属性,flight[1]表示df的所有属性
1
for flight in df.groupby([u'航班编号', u'出发机场'])

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
1
df_inner.sample(n=3)
  1. 手动设置采样权重
1
2
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
  1. 采样后不放回
1
df_inner.sample(n=6, replace=False)
  1. 采样后放回
1
df_inner.sample(n=6, replace=True)
  1. 数据表描述性统计
1
df_inner.describe().round(2).T #round函数设置显示小数位,T表示转置
  1. 计算列的标准差
1
df_inner['price'].std()
  1. 计算两个字段间的协方差
1
df_inner['price'].cov(df_inner['m-point'])
  1. 数据表中所有字段间的协方差
1
df_inner.cov()
  1. 两个字段的相关性分析
1
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
  1. 数据表的相关性分析
1
df_inner.corr()

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
1
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
  1. 写入到CSV
1
df_inner.to_csv('excel_to_python.csv')

标记删除重复记录

Powered by Hexo and Hexo-theme-hiker

Copyright © 2016 - 2019 Dreaouth All Rights Reserved.

访客数 : | 访问量 :