pandas 相关
一、安装
pip install pandas matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
ImportError: No module named Tkinter
yum install -y tkinter tk-devel
apt install python-tk
二、基本使用
Series方法与DataFrame差不多，这里只介绍后者如何使用，前者相似。
df = pd.DataFrame(np.arange(12).reshape(3,4),columns=['A', 'B', 'C', 'D'])
In [4]: df
Out[4]:
A B C D
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
axis=1（按列方向操作）、inplace=True（修改完数据，在原数据上保存）
1、按标签来删除列
df.drop(['B','C'],axis=1,inplace=True)
A D
0 0 3
1 4 7
2 8 11
2、按序号来删除列
x = [1,2] #删除多列需给定列表，否则参数过多
df.drop(df.columns[x],axis=1,inplace=True)
A D
0 0 3
1 4 7
2 8 11
3、按序号来删除行
df.drop([0,1],inplace=True) #默认axis=0
A B C D
2 8 9 10 11
import pandas as pd
import numpy as np
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'])
4、数据表信息查看
查看维度
df.shape
数据表基本信息（维度、列名称、数据格式、所占空间等）
df.info()
每一列数据的格式
df.dtypes
某一列格式
df['id'].dtype
空值
df.isnull()
查看某一列的唯一值
df['id'].unique()
查看数据表的值
df.values
查看列名称
df.columns
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
5、数据表清洗
用数字0填充空值
df.fillna(value=0)
使用列prince的均值对NA进行填充
df['prince'].fillna(df['prince'].mean())
清楚city字段的字符空格
df['city']=df['city'].map(str.strip)
大小写转换
df['city']=df['city'].str.lower()
更改数据格式
df['price'].astype('int')
更改列名称
df.rename(columns={'category': 'category-size'})
删除后出现的重复值
df['city'].drop_duplicates()
删除先出现的重复值
df['city'].drop_duplicates(keep='last')
数据替换
df['city'].replace('sh', 'shanghai')
返回的是个true或false的Series对象（掩码对象），进而筛选出我们需要的特定数据。
df[df.isnull()]
df[df.notnull()]
将所有含有nan项的row删除
df.dropna()
将在列的方向上三个为NaN的项删除
df.dropna(axis=1,thresh=3)
将全部项都是nan的row删除
df.dropna(how='ALL')
此处：print data.dropna() 和 print data[data.notnull()] 结果一样
填充无效值
df.fillna(0)
对第一列nan值赋0，第二列赋值0.5
df.fillna({1:0, 2:0.5})
在列方向上以前一个值作为值赋给NaN
df.fillna(method='ffill')
删除行
print frame.drop(['a'])
删除列，drop函数默认删除行，列需要加axis = 1
print frame.drop(['Ohio'], axis = 1)
6、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]})
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
设置索引列
df_inner.set_index('id')
按照特定列的值排序
df_inner.sort_values(by=['age'])
按照索引列排序
df_inner.sort_index()
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')
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
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']))
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)
7、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。
按索引提取单行的数值
df_inner.loc[3]
按索引提取区域行数值
df_inner.iloc[0:5]
重设索引
df_inner.reset_index()
设置日期为索引
df_inner=df_inner.set_index('date')
提取4日之前的所有数据
df_inner[:'2013-01-04']
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。
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
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
判断city列的值是否为北京
df_inner['city'].isin(['beijing'])
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'])]
提取前三个字符，并生成数据表
pd.DataFrame(category.str[:3])
8、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。
使用“与”进行筛选
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]
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'])
使用“非”条件进行筛选
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])
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()
使用query函数进行筛选
df_inner.query('city == ["beijing", "shanghai"]')
对筛选后的结果按prince进行求和
df_inner.query('city == ["beijing", "shanghai"]').price.sum()
9、数据汇总
主要函数是groupby和pivote_table
对所有的列进行计数汇总
df_inner.groupby('city').count()
按城市对id字段进行计数
df_inner.groupby('city')['id'].count()
对两个字段进行汇总计数
df_inner.groupby(['city','size'])['id'].count()
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])
10、数据统计
数据采样，计算标准差，协方差和相关系数
简单的数据采样
df_inner.sample(n=3)
手动设置采样权重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
采样后不放回
df_inner.sample(n=6, replace=False)
采样后放回
df_inner.sample(n=6, replace=True)
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
计算列的标准差
df_inner['price'].std()
计算两个字段间的协方差
df_inner['price'].cov(df_inner['m-point'])
数据表中所有字段间的协方差
df_inner.cov()
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
数据表的相关性分析
df_inner.corr()
11、数据输出
分析后的数据可以输出为xlsx格式和csv格式
写入Excel
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
写入到CSV
df_inner.to_csv('excel_to_python.csv')
三、实例
# -*- coding: UTF-8 -*-
import pandas as pd
name = []
score = []
with open('film_log3.csv','r') as film_data:
for i in film_data:
name.append(i.split(';')[0])
score.append(i.split(';')[7])
#print name[0]
movie = pd.DataFrame({'nameinfo':name,'scoreinfo':score})
print movie.head()
movie = pd.read_csv('film_log3.csv',prefix='tmp',header=None)
#print movie
movie_split = pd.DataFrame((x.split(';') for x in movie.tmp0),index=movie.index,columns=['name','2','3','4','5','6','7','score','9'])
movie = movie_split.ix[:,[0,7]]
#movie.to_csv('out.csv')
#print movie[0:1]
#[df['列名'].isin([相应的值])]
print movie