1. 程式人生 > >資料分析---pandas庫

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 pd
  •  

2、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')