pandas库操作

返回上一步 / in None
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
  • 1
  • 2
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'))
  • 1
  • 2
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'])
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
2、数据表信息查看 1、维度查看： 
df.shape
  • 1
2、数据表基本信息（维度、列名称、数据格式、所占空间等）： 
df.info()
  • 1
3、每一列数据的格式： 
df.dtypes
  • 1
4、某一列格式： 
df['B'].dtype
  • 1
5、空值： 
df.isnull()
  • 1
6、查看某一列空值： 
df.isnull()
  • 1
7、查看某一列的唯一值： 
df['B'].unique()
  • 1
8、查看数据表的值： df.values 9、查看列名称： 
df.columns
  • 1
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
  • 1
  • 2
三、数据表清洗 1、用数字0填充空值： 
df.fillna(value=0)
  • 1
2、使用列prince的均值对NA进行填充： 
df['prince'].fillna(df['prince'].mean())
  • 1
3、清楚city字段的字符空格： 
df['city']=df['city'].map(str.strip)
  • 1
4、大小写转换： 
df['city']=df['city'].str.lower()
  • 1
5、更改数据格式： 
df['price'].astype('int')
  • 1
6、更改列名称： 
df.rename(columns={'category': 'category-size'})
  • 1
7、删除后出现的重复值： 
df['city'].drop_duplicates()
  • 1
8、删除先出现的重复值： 
df['city'].drop_duplicates(keep='last')
  • 1
9、数据替换： 
df['city'].replace('sh', 'shanghai')
  • 1
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
  • 2
  • 3
  • 4
1、数据表合并 
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
  • 3
  • 4
2、设置索引列 
df_inner.set_index('id')
  • 1
3、按照特定列的值排序： 
df_inner.sort_values(by=['age'])
  • 1
4、按照索引列排序： 
df_inner.sort_index()
  • 1
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')
  • 1
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
  • 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']))
  • 1
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)
  • 1
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]
  • 1
2、按索引提取区域行数值 
df_inner.iloc[0:5]
  • 1
3、重设索引 
df_inner.reset_index()
  • 1
4、设置日期为索引 
df_inner=df_inner.set_index('date')
  • 1
5、提取4日之前的所有数据 
df_inner[:'2013-01-04']
  • 1
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。
  • 1
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
  • 1
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
  • 1
9、判断city列的值是否为北京 
df_inner['city'].isin(['beijing'])
  • 1
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'])]
  • 1
11、提取前三个字符，并生成数据表 
pd.DataFrame(category.str[:3])
  • 1
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']]
  • 1
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'])
  • 1
3、使用“非”条件进行筛选 
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])
  • 1
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()
  • 1
5、使用query函数进行筛选 
df_inner.query('city == ["beijing", "shanghai"]')
  • 1
6、对筛选后的结果按prince进行求和 
df_inner.query('city == ["beijing", "shanghai"]').price.sum()
  • 1
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()
  • 1
2、按城市对id字段进行计数 
df_inner.groupby('city')['id'].count()
  • 1
3、对两个字段进行汇总计数 
df_inner.groupby(['city','size'])['id'].count()
  • 1
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])
  • 1
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)
  • 1
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)
  • 1
  • 2
3、采样后不放回 
df_inner.sample(n=6, replace=False)
  • 1
4、采样后放回 
df_inner.sample(n=6, replace=True)
  • 1
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
  • 1
6、计算列的标准差 
df_inner['price'].std()
  • 1
7、计算两个字段间的协方差 
df_inner['price'].cov(df_inner['m-point'])
  • 1
8、数据表中所有字段间的协方差 
df_inner.cov()
  • 1
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
  • 1
10、数据表的相关性分析 
df_inner.corr()
  • 1
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')
  • 1
2、写入到CSV 
df_inner.to_csv('excel_to_python.csv') 
转自：https://blog.csdn.net/liufang0001/article/details/77856255
搜索