一、生成数据表
1、首先导入pandas库，一般都会用到numpy库，所以我们先导入备用：
|
1
2
|
import numpy as npimport pandas as pd |
2、导入CSV或者xlsx文件：
|
1
2
|
df = pd.DataFrame(pd.read_csv('name.csv',header=1))df = pd.DataFrame(pd.read_excel('name.xlsx')) |
3、用pandas创建数据表：
|
1
2
3
4
5
6
7
|
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']) |
二、数据表信息查看
1、维度查看：
|
1
|
df.shape |
2、数据表基本信息（维度、列名称、数据格式、所占空间等）：
|
1
|
df.info() |
3、每一列数据的格式：
|
1
|
df.dtypes |
4、某一列格式：
|
1
|
df['B'].dtype |
5、空值：
|
1
|
df.isnull() |
6、查看某一列空值：
|
1
|
df.isnull() |
7、查看某一列的唯一值：
|
1
|
df['B'].unique() |
8、查看数据表的值：
|
1
|
df.values |
9、查看列名称：
|
1
|
df.columns |
10、查看前10行数据、后10行数据：
|
1
2
|
df.head() #默认前10行数据df.tail() #默认后10 行数据 |
三、数据表清洗
1、用数字0填充空值：
|
1
|
df.fillna(value=0) |
2、使用列prince的均值对NA进行填充：
|
1
|
df['prince'].fillna(df['prince'].mean()) |
3、清楚city字段的字符空格：
|
1
|
df['city']=df['city'].map(str.strip) |
4、大小写转换：
|
1
|
df['city']=df['city'].str.lower() |
5、更改数据格式：
|
1
|
df['price'].astype('int') |
6、更改列名称：
|
1
|
df.rename(columns={'category': 'category-size'}) |
7、删除后出现的重复值：
|
1
|
df['city'].drop_duplicates() |
8、删除先出现的重复值：
|
1
|
df['city'].drop_duplicates(keep='last') |
9、数据替换：
|
1
|
df['city'].replace('sh', 'shanghai') |
四、数据预处理
|
1
2
3
4
|
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、数据表合并
|
1
2
3
4
|
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 |
2、设置索引列
|
1
|
df_inner.set_index('id') |
3、按照特定列的值排序：
|
1
|
df_inner.sort_values(by=['age']) |
4、按照索引列排序：
|
1
|
df_inner.sort_index() |
5、如果prince列的值>3000，group列显示high，否则显示low：
|
1
|
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low') |
6、对复合多个条件的数据进行分组标记
|
1
|
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1 |
7、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
|
1
|
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])) |
8、将完成分裂后的数据表和原df_inner数据表进行匹配
|
1
|
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True) |
五、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。
1、按索引提取单行的数值
|
1
|
df_inner.loc[3] |
2、按索引提取区域行数值
|
1
|
df_inner.iloc[0:5] |
3、重设索引
|
1
|
df_inner.reset_index() |
4、设置日期为索引
|
1
|
df_inner=df_inner.set_index('date') |
5、提取4日之前的所有数据
|
1
|
df_inner[:'2013-01-04'] |
6、使用iloc按位置区域提取数据
|
1
|
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。 |
7、适应iloc按位置单独提起数据
|
1
|
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列 |
8、使用ix按索引标签和位置混合提取数据
|
1
|
df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前，前四列数据 |
9、判断city列的值是否为北京
|
1
|
df_inner['city'].isin(['beijing']) |
10、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
|
1
|
df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])] |
11、提取前三个字符，并生成数据表
|
1
|
pd.DataFrame(category.str[:3]) |
六、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。
1、使用“与”进行筛选
|
1
|
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']] |
2、使用“或”进行筛选
|
1
|
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age']) |
3、使用“非”条件进行筛选
|
1
|
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) |
4、对筛选后的数据按city列进行计数
|
1
|
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count() |
5、使用query函数进行筛选
|
1
|
df_inner.query('city == ["beijing", "shanghai"]') |
6、对筛选后的结果按prince进行求和
|
1
|
df_inner.query('city == ["beijing", "shanghai"]').price.sum() |
七、数据汇总
主要函数是groupby和pivote_table
1、对所有的列进行计数汇总
|
1
|
df_inner.groupby('city').count() |
2、按城市对id字段进行计数
|
1
|
df_inner.groupby('city')['id'].count() |
3、对两个字段进行汇总计数
|
1
|
df_inner.groupby(['city','size'])['id'].count() |
4、对city字段进行汇总，并分别计算prince的合计和均值
|
1
|
df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) |
八、数据统计
数据采样，计算标准差，协方差和相关系数
1、简单的数据采样
|
1
|
df_inner.sample(n=3) |
2、手动设置采样权重
|
1
2
|
weights = [0, 0, 0, 0, 0.5, 0.5]df_inner.sample(n=2, weights=weights) |
3、采样后不放回
|
1
|
df_inner.sample(n=6, replace=False) |
4、采样后放回
|
1
|
df_inner.sample(n=6, replace=True) |
5、 数据表描述性统计
|
1
|
df_inner.describe().round(2).T #round函数设置显示小数位，T表示转置 |
6、计算列的标准差
|
1
|
df_inner['price'].std() |
7、计算两个字段间的协方差
|
1
|
df_inner['price'].cov(df_inner['m-point']) |
8、数据表中所有字段间的协方差
|
1
|
df_inner.cov() |
9、两个字段的相关性分析
|
1
|
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 |
10、数据表的相关性分析
|
1
|
df_inner.corr() |
九、数据输出
分析后的数据可以输出为xlsx格式和csv格式
1、写入Excel
|
1
|
|
2、写入到CSV
|
1
|
df_inner.to_csv('excel_to_python.csv') |
以上就是关于pandas的基本用法，大家可以参考下
