目錄

一、生成資料表

二、資料表資訊檢視

三、資料表清洗

四、資料預處理

五、資料提取

六、資料篩選

七、資料彙總

八、資料統計

九、資料輸出

---

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'])
 

注：在pandas中有一個非常常用的函式date_range，尤其是在處理時間序列資料時，這個函式的作用就是產生一個DatetimeIndex，就是時間序列資料的索引。這個函式的使用方式就是如下所示：pd.data_range(start=none,end=none,...)

二、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、檢視某一列的唯一值：

df['B].unique()

7、檢視資料表的值：

df.values

8、檢視列名稱：

df.columns

9、檢視前10行資料、後10行資料：

df.head()
df.tail()

三、資料表清洗

1、用數字0填充空值：

df.fillna(value=0)

2、使用列prce的均值對NA進行填充：

df.fillna(df['price'].mean())

3、清楚city欄位的字元空格：

1	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：

1	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

how : {‘left’, ‘right’, ‘outer’, ‘inner’}, default ‘inner’

• left: use only keys from left frame, similar to a SQL left outer join; preserve key order（以左表為主）
• right: use only keys from right frame, similar to a SQL right outer join; preserve key order（以右表為主）
• outer: use union of keys from both frames, similar to a SQL full outer join; sort keys lexicographically（包含兩個全部資訊）
• inner: use intersection of keys from both frames, similar to a SQL inner join; preserve the order of the left keys（包含兩表共同資訊）

 

 

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

1	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

1	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

1	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

1	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

1	df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

11、提取前三個字元，並生成資料表

1	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

1	df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

2、使用“或”進行篩選

1	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

1	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

1	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

1	df_inner.query('city == ["beijing", "shanghai"]')

6、對篩選後的結果按price進行求和

1	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

1	df_inner.groupby('city').count()

2、按城市對id欄位進行計數

1	df_inner.groupby('city')['id'].count()

3、對兩個欄位進行彙總計數

1	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

1	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

1	df_inner.sample(n=3)

2、手動設定取樣權重

1 2	weights = [0, 0, 0, 0, 0.5, 0.5] df_inner.sample(n=2, weights=weights)

3、取樣後不放回

1	df_inner.sample(n=6, replace=False)

4、取樣後放回

1	df_inner.sample(n=6, replace=True)

5、 資料表描述性統計

1	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

1	df_inner['price'].std()

7、計算兩個欄位間的協方差

1	df_inner['price'].cov(df_inner['m-point'])

8、資料表中所有欄位間的協方差

1	df_inner.cov()

9、兩個欄位的相關性分析

1	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

1	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

1	df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')

2、寫入到CSV

1	df_inner.to_csv('excel_to_python.csv')