資料分析---pandas庫
一、生成資料表
1、首先匯入pandas庫，一般都會用到numpy庫，所以我們先匯入備用：
import numpy as np
import pandas as pd2、匯入CSV或者xlsx檔案：
df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))
3、用pandas建立資料表：
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'])
2、資料表資訊檢視
1、維度檢視：
df.shape
2、資料表基本資訊（維度、列名稱、資料格式、所佔空間等）：
df.info()
3、每一列資料的格式：
df.dtypes
4、某一列格式：
df['B'].dtype
5、空值：
df.isnull()
6、檢視某一列空值：
df.isnull()
7、檢視某一列的唯一值：
df['B'].unique()
8、檢視資料表的值：
df.values
9、檢視列名稱：
df.columns
10、檢視前10行資料、後10行資料：
df.head() #預設前10行資料
df.tail() #預設後10 行資料
三、資料表清洗
1、用數字0填充空值：
df.fillna(value=0)
2、使用列prince的均值對NA進行填充：
df['prince'].fillna(df['prince'].mean())
3、清楚city欄位的字元空格：
df['city']=df['city'].map(str.strip)
4、大小寫轉換：
df['city']=df['city'].str.lower()
5、更改資料格式：
df['price'].astype('int')
6、更改列名稱：
df.rename(columns={'category': 'category-size'})
7、刪除後出現的重複值：
df['city'].drop_duplicates()
8、刪除先出現的重複值：
df['city'].drop_duplicates(keep='last')
9、資料替換：
df['city'].replace('sh', 'shanghai')
四、資料預處理
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、資料表合併
df_inner=pd.merge(df,df1,how='inner') # 匹配合並，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') #並集
2、設定索引列
df_inner.set_index('id')
3、按照特定列的值排序：
df_inner.sort_values(by=['age'])
4、按照索引列排序：
df_inner.sort_index()
5、如果prince列的值>3000，group列顯示high，否則顯示low：
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
6、對複合多個條件的資料進行分組標記
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1
7、對category欄位的值依次進行分列，並建立資料表，索引值為df_inner的索引列，列名稱為category和size
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))
8、將完成分裂後的資料表和原df_inner資料表進行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
五、資料提取
主要用到的三個函式：loc,iloc和ix，loc函式按標籤值進行提取，iloc按位置進行提取，ix可以同時按標籤和位置進行提取。
1、按索引提取單行的數值
df_inner.loc[3]
2、按索引提取區域行數值
df_inner.iloc[0:5]
3、重設索引
df_inner.reset_index()
4、設定日期為索引
df_inner=df_inner.set_index('date')
5、提取4日之前的所有資料
df_inner[:'2013-01-04']
6、使用iloc按位置區域提取資料
df_inner.iloc[:3,:2] #冒號前後的數字不再是索引的標籤名稱，而是資料所在的位置，從0開始，前三行，前兩列。
7、適應iloc按位置單獨提起資料
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列
8、使用ix按索引標籤和位置混合提取資料
df_inner.ix[:'2013-01-03',:4] #2013-01-03號之前，前四列資料
9、判斷city列的值是否為北京
df_inner['city'].isin(['beijing'])
10、判斷city列裡是否包含beijing和shanghai，然後將符合條件的資料提取出來
df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]
11、提取前三個字元，並生成資料表
pd.DataFrame(category.str[:3])
六、資料篩選
使用與、或、非三個條件配合大於、小於、等於對資料進行篩選，並進行計數和求和。
1、使用“與”進行篩選
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]
2、使用“或”進行篩選
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age'])
3、使用“非”條件進行篩選
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])
4、對篩選後的資料按city列進行計數
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()
5、使用query函式進行篩選
df_inner.query('city == ["beijing", "shanghai"]')
6、對篩選後的結果按prince進行求和
df_inner.query('city == ["beijing", "shanghai"]').price.sum()
七、資料彙總
主要函式是groupby和pivote_table
1、對所有的列進行計數彙總
df_inner.groupby('city').count()
2、按城市對id欄位進行計數
df_inner.groupby('city')['id'].count()
3、對兩個欄位進行彙總計數
df_inner.groupby(['city','size'])['id'].count()
4、對city欄位進行彙總，並分別計算prince的合計和均值
df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])
八、資料統計
資料取樣，計算標準差，協方差和相關係數
1、簡單的資料取樣
df_inner.sample(n=3)
2、手動設定取樣權重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
3、取樣後不放回
df_inner.sample(n=6, replace=False)
4、取樣後放回
df_inner.sample(n=6, replace=True)
5、 資料表描述性統計
df_inner.describe().round(2).T #round函式設定顯示小數位，T表示轉置
6、計算列的標準差
df_inner['price'].std()
7、計算兩個欄位間的協方差
df_inner['price'].cov(df_inner['m-point'])
8、資料表中所有欄位間的協方差
df_inner.cov()
9、兩個欄位的相關性分析
df_inner['price'].corr(df_inner['m-point']) #相關係數在-1到1之間，接近1為正相關，接近-1為負相關，0為不相關
10、資料表的相關性分析
df_inner.corr()
九、資料輸出
分析後的資料可以輸出為xlsx格式和csv格式
1、寫入Excel
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
2、寫入到CSV
df_inner.to_csv('excel_to_python.csv')