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

使用Pandas&NumPy进行数据清洗的6大常用方法

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

results matching ""

    No results matching ""