Pandas 用法匯總
一、生成數據表
1、首先導入pandas 庫，一般會用到 numpy 庫，所以我們先導入備用：
import numpy as np import pandas as pd
2、生成 CSV 或者 xlsx 文件：
df = pd.DataFrame(pd.read_csv( ‘name.csv‘, header = 1)) df = pd.DataFrame(pd.read_excel(‘name.xlsx‘))
3、用 pandas 創建數據表：
import numpy as np
import pandas as pd
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‘])
print(df)
id date city category age price 0 1001 2013-01-02 Beijing 100-A 23 1200.0 1 1002 2013-01-03 SH 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN 5 1006 2013-01-07 BEIJING 130-F 32 4432.0
二、數據表信息查看
1、維度查看：
df.shape
( 6, 6 )
2、數據表基本信息（維度，列名稱，數據格式， 所占空間）：
df.info()
<class ‘pandas.core.frame.DataFrame‘> RangeIndex: 6 entries, 0 to 5 Data columns (total 6 columns): id 6 non-null int64 date 6 non-null datetime64[ns] city 6 non-null object category 6 non-null object age 6 non-null int64 price 4 non-null float64 dtypes: datetime64[ns](1), float64(1), int64(2), object(2) memory usage: 368.0+ bytes
3、每一列的數據格式：
df.dtypes
id int64 date datetime64[ns] city object category object age int64 price float64 dtype: object
4、某一列格式：
df[ ‘id‘ ].dtype
dtype(‘int64‘)
5、空值：
df.isnull()
id date city category age price 0 False False False False False False 1 False False False False False True 2 False False False False False False 3 False False False False False False 4 False False False False False True 5 False False False False False False
6、查看某一列的空值：
df[‘price‘].isnull()
0 False 1 True 2 False 3 False 4 True 5 False Name: price, dtype: bool
7、查看某一列的唯一值：
df[‘id‘].unique()
array([1001, 1002, 1003, 1004, 1005, 1006], dtype=int64)
8、查看數據表的值：
df.values
array([[1001, Timestamp(‘2013-01-02 00:00:00‘), ‘Beijing ‘, ‘100-A‘, 23, 1200.0], [1002, Timestamp(‘2013-01-03 00:00:00‘), ‘SH‘, ‘100-B‘, 44, nan], [1003, Timestamp(‘2013-01-04 00:00:00‘), ‘ guangzhou ‘, ‘110-A‘, 54, 2133.0], [1004, Timestamp(‘2013-01-05 00:00:00‘), ‘Shenzhen‘, ‘110-C‘, 32, 5433.0], [1005, Timestamp(‘2013-01-06 00:00:00‘), ‘shanghai‘, ‘210-A‘, 34, nan], [1006, Timestamp(‘2013-01-07 00:00:00‘), ‘BEIJING ‘, ‘130-F‘, 32, 4432.0]], dtype=object)
9、查看列名稱：
df.columns
Index([‘id‘, ‘date‘, ‘city‘, ‘category‘, ‘age‘, ‘price‘], dtype=‘object‘)
10、查看前10列數據、後10行數據：
df.head() // 默認前10行數據
id date city category age price 0 1001 2013-01-02 Beijing 100-A 23 1200.0 1 1002 2013-01-03 SH 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN
df.tail() // 默認後10行數據
id date city category age price 1 1002 2013-01-03 SH 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN 5 1006 2013-01-07 BEIJING 130-F 32 4432.0
三、數據表清洗
1、用數字 0 填充空值：
df.fillna(value = 0)
id date city category age price 0 1001 2013-01-02 Beijing 100-A 23 1200.0 1 1002 2013-01-03 SH 100-B 44 0.0 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 0.0 5 1006 2013-01-07 BEIJING 130-F 32 4432.0
2、使用列 price 的均值對 NA 進行填充：
df[ ‘price‘ ].fillna(df[‘price‘].mean())
0 1200.0 1 3299.5 2 2133.0 3 5433.0 4 3299.5 5 4432.0 Name: price, dtype: float64
3、清楚 city 字段的字符空格：
df[ ‘city‘ ] = df[ ‘city‘ ].map(str.strip)
4、大小寫轉換：
df[ ‘city‘ ] = df[ ‘city‘ ].str.lower()
id date city category age price 0 1001 2013-01-02 beijing 100-A 23 1200.0 1 1002 2013-01-03 sh 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN 5 1006 2013-01-07 beijing 130-F 32 4432.0
5、更改數據格式：
df[ ‘price‘ ].astype( ‘int‘ )
6、更改列名稱：
df.rename(columns = { ‘category‘ : ‘category-size‘ })
id date city category-size age price 0 1001 2013-01-02 Beijing 100-A 23 1200.0 1 1002 2013-01-03 SH 100-B 44 NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 4 1005 2013-01-06 shanghai 210-A 34 NaN 5 1006 2013-01-07 BEIJING 130-F 32 4432.0
7、刪除後出現的重復值:
df[ ‘city‘ ].drop_duplicates()
0 Beijing 1 SH 2 guangzhou 3 Shenzhen 4 shanghai 5 BEIJING Name: city, dtype: object
8、刪除先出現的重復值：
df[ ‘city‘ ].drop_duplicates(keep = ‘last‘ )
0 Beijing 1 SH 2 guangzhou 3 Shenzhen 4 shanghai 5 BEIJING Name: city, dtype: object
9、數據替換：
df[ ‘city‘ ].replace( ‘sh‘ , ‘shanghai‘ )
四、數據預處理
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、數據表合並：
1.1merge
df_inner = pd.merge(df, df1, how = ‘inner‘) # 匹配合並 交集
id date city category age price gender pay m-point 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40
df_left = pd.merge(df, df1, how = ‘left‘) id date city category age price gender pay m-point 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40
df_right = pd.merge(df, df1, how = ‘right‘) df_outer = pd.merge(df, df1, how = ‘outer‘) # 並集
輸出結構同上
1.2 append
result = df1.append(df2)
1.3 join
reault = left.join( right, on=‘key‘ )
1.4 concat
pd.concat(
objs,
axis=0,
join = ‘outer‘,
join_axes = None,
ignore_index = False,
keys = None,
levels = None,
names=None,
verify_integrity=false,
copy = True)
objs；一個序列系列、綜合或面板對象的映射。如果字典中傳遞，將作為鍵參數，使用序的鍵，除非它傳遞，在這種情況下的值將會選擇（見上下文）。任何沒有任何反對將默默的的丟棄，除非他媽嗯都沒有在這種情況下將引發 VslueError。
axis：{0,1,2，...}，默認值為0，要連接沿軸。
join：{‘內部’、‘外’}，默認 ‘外’。如何處理其他axis（es）上的索引。聯盟內，外的交叉口。
ignore_index︰ 布爾值、 默認 False。如果為 True，則不要串聯軸上使用的索引值。由此產生的軸將標記 0，…，n-1。這是有用的如果你串聯串聯軸沒有有意義的索引信息的對象。請註意在聯接中仍然受到尊重的其他軸上的索引值。
join_axes︰ 索引對象的列表。具體的指標，用於其他 n-1 軸而不是執行內部/外部設置邏輯。
keys︰ 序列，默認為無。構建分層索引使用通過的鍵作為最外面的級別。如果多個級別獲得通過，應包含元組。
levels︰ 列表的序列，默認為無。具體水平 （唯一值） 用於構建多重。否則，他們將推斷鑰匙。
names︰ 列表中，默認為無。由此產生的分層索引中的級的名稱。
verify_integrity︰ 布爾值、 默認 False。檢查是否新的串聯的軸包含重復項。這可以是相對於實際數據串聯非常昂貴。
副本︰ 布爾值、 默認 True。如果為 False，請不要，不必要地復制數據。
例子：
1、frames = [df1, df2, df3]
2、result = pd.concat(frames)
2、設置索引列
df_inner.set_index(‘id‘)
date city category age price gender pay m-point id 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 1002 2013-01-03 SH 100-B 44 NaN female N 12 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40
3、按照特定列的值排序：
df_inner.sort_values(by = [‘age’])
id date city category age price gender pay m-point 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20
4、按照索引排序：
df_inner.sort_index()
id date city category age price gender pay m-point 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40
5、如果price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‘)
id date city category age price gender pay m-point group 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 low 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 low 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 low 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 high 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 low 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40 high
6、對符合多個條件的數據進行分組標記：
df_inner.loc[(df_inner[‘city‘] == ‘beijing‘)&(df_inner[‘price‘] >= 4000), ‘sign‘] = 1
id date city category age price gender pay m-point group sign 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 low NaN 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 low NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 low NaN 3 1004 2013-01-05 Shenzhen 110-C 32 5433.0 female Y 40 high NaN 4 1005 2013-01-06 shanghai 210-A 34 NaN male N 40 low NaN 5 1006 2013-01-07 BEIJING 130-F 32 4432.0 female Y 40 high NaN
7、對category字段的值依次進行分列，並創建數據表，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、將完成分裂的數據表和原df_inner 數據表進行匹配：
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
五、數據提取
主要用到三個函數： loc、iloc 和 ix。
loc 函數按標簽值進行提取
iloc 按位置進行提取
ix 可以同時按標簽和位置進行提取
1、按索引提取單行的數值
df_inner.loc[3]
id 1004 date 2013-01-05 00:00:00 city Shenzhen category 110-C age 32 price 5433 gender female pay Y m-point 40 group high sign NaN Name: 3, dtype: object
2、按索引提取區域行數值
df_inner.iloc[0:3]
id date city category age price gender pay m-point group sign 0 1001 2013-01-02 Beijing 100-A 23 1200.0 male Y 10 low NaN 1 1002 2013-01-03 SH 100-B 44 NaN female N 12 low NaN 2 1003 2013-01-04 guangzhou 110-A 54 2133.0 male Y 20 low NaN
3、重設索引：
df_inner.reset_index()
4、設置日期為索引：
df_inner = df_inner.set_index( ‘date‘ )
5、提取 4 日之前的所有數據
df_inner[: ‘2013-01-04‘]
6、使用 iloc 按位置區域提取數據：
df_inner.iloc[:3, :2] # 冒號前後的數字不在是索引的標簽名稱，而是數據所在的位置，從0 開始，前三行，前兩行。
7、適應 iloc 按位置單獨提起數據：
df_inner.iloc[[0, 2, 5], [4, 5]] # 提取 0、2、5行，4、5列
8、使用 ix 按索引標簽和位置混合提取數據
df_inner[: ‘2013-01-03‘, :4] # 2013-01-03 好之前，前四列的數據
9、判斷city列的值是否為北京
df_inner[‘city‘].isin([‘beijing‘])
10、判斷 city 列裏是否包含bejing 和 shanghai，然後將符合條件的數據提取出來
df_inner.loc[df_inner[ ‘city‘ ].isin([ ‘beijing‘ , ‘sahnghai‘ ] )]
11、提取前三個字符，並生成數據表
pd.DataFrame(category.str[:3])
六、數據篩選
使用與、或、非 三個條件配合大於、小於、等於對數據進行篩選，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”進行刪選
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、對篩選後的數據按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函數進行篩選
df_inner.query(‘city==[‘beijing‘,‘shanghai‘]‘)
6、對篩選後的結果按price進行求和
df_inner.query(‘city ==[‘beijing‘, ‘shanghai‘]‘).price.sum()
七、數據匯總
主要函數是groupby 和 pivote_table
1、對所有的列進行計數匯總
df_inner.groupby(‘city‘).count()
2、按城市對 id 字段進行計數
df_inner.groupby(‘city‘)[‘id‘].count()
3、對兩個字段進行匯總計數
df_inner.groupby([‘city‘, ‘size‘])[‘id‘].count()
4、對city字段進行匯總，並分別計算price 的合計和均值
df_inner.groupby(‘city‘)[‘price‘].agg([len, np.su, np.mean])
八、數據統計
數據采樣，計算標準差、協方和相關系數
1、簡單的數據采樣
df_inner.sample(n = 3)
2、手動設置采樣權重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n = 6, replace = False)
3、采樣後不放回
df_inner.sample(n=6, replace = False)
4、采樣後放回
df_inner.sample(n = 6, replace = False)
5、數據表描述性統計
df_inner.describe().round(2).T # round 函數是設置小數位，T表示轉置
6、 計算列的標準差
df_inner[ ‘price‘ ].std()
7、計算兩個字段間的協方差
df_inner[‘price‘].cov(df_inner[‘m-point‘])
8、數據表中所有的字段間的協方差
df_inner.cov()
9、兩個字段間的相關性分析
df_inner[‘price‘].corr(df_inner[‘m-point‘]) # 相關系數在 -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、數據表的相關分析
df_inner.corr()
九、數據輸出
分析後的數據可以輸出為 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‘)
Pandas 用法匯總