pandas簡介和運用

pandas是python環境下最有名的數據統計包，而DataFrame翻譯爲數據框，是一種數據組織方式，這麼說你可能無法從感性上認識它，舉個例子，你大概用過Excel，而它也是一種數據組織和呈現的方式，簡單說就是表格，而在在pandas中用DataFrame組織數據，如果你不print DataFrame，你看不到這些數據。

pandas和numpy的區別：

        1.numpy是數值計算的擴展包，panadas是做數據處理。

         2.NumPy簡介：N維數組容器NumPy系統是Python的一種開源的數值計算擴展。這種工具可用來存儲和處理大型矩陣，比Python自身的嵌套列表（nested list structure)結構要高效的多（該結構也可以用來表示矩陣（matrix））。據說NumPy將Python相當於變成一種免費的更強大的MatLab系統。

            Pandas簡介：表格容器 pandas 是基於NumPy 的一種工具，該工具是爲了解決數據分析任務而創建的。Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。pandas提供了大量快速便捷地處理數據的函數和方法。使Python成爲強大而高效的數據分析環境的重要因素之一。

一、生成數據表 

1、首先導入pandas庫，一般都會用到numpy庫，所以我們先導入備用：

import numpy as np
import pandas as pd

• 1
• 2

2、導入CSV或者xlsx文件：

df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))

• 1
• 2
• 3

3、用pandas創建數據表：

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'])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

2、數據表信息查看 
1、維度查看：

df.shape

• 1
• 2

2、數據表基本信息（維度、列名稱、數據格式、所佔空間等）：

df.info()

• 1
• 2

3、每一列數據的格式：

df.dtypes

• 1
• 2

4、某一列格式：

df['B'].dtype

• 1
• 2

5、空值：

df.isnull()

• 1
• 2

6、查看某一列空值：

df.isnull()

• 1
• 2

7、查看某一列的唯一值：

df['B'].unique()

• 1
• 2

8、查看數據表的值： 
df.values 
9、查看列名稱：

df.columns

• 1
• 2

10、查看前10行數據、後10行數據：

df.head() #默認前10行數據
df.tail()    #默認後10 行數據

• 1
• 2
• 3

三、數據表清洗 
1、用數字0填充空值：

df.fillna(value=0)

• 1
• 2

2、使用列prince的均值對NA進行填充：

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

• 1
• 2

3、清楚city字段的字符空格：

df['city']=df['city'].map(str.strip)

• 1
• 2

4、大小寫轉換：

df['city']=df['city'].str.lower()

• 1
• 2

5、更改數據格式：

df['price'].astype('int')       

• 1
• 2

6、更改列名稱：

df.rename(columns={'category': 'category-size'}) 

• 1
• 2

7、刪除後出現的重複值：

df['city'].drop_duplicates()

• 1
• 2

8、刪除先出現的重複值：

df['city'].drop_duplicates(keep='last')

• 1
• 2

9、數據替換：

df['city'].replace('sh', 'shanghai')

• 1
• 2

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
• 2
• 3
• 4
• 5

1、數據表合併

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

• 1
• 2
• 3
• 4
• 5

2、設置索引列

df_inner.set_index('id')

• 1
• 2

3、按照特定列的值排序：

df_inner.sort_values(by=['age'])

• 1
• 2

4、按照索引列排序：

df_inner.sort_index()

• 1
• 2

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')

• 1
• 2

6、對複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

• 1
• 2

7、對category字段的值依次進行分列，並創建數據表，索引值爲df_inner的索引列，列名稱爲category和size

pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))

• 1
• 2

8、將完成分裂後的數據表和原df_inner數據表進行匹配

df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

• 1
• 2

五、數據提取 
主要用到的三個函數：loc,iloc和ix，loc函數按標籤值進行提取，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]

• 1
• 2

2、按索引提取區域行數值

df_inner.iloc[0:5]

• 1
• 2

3、重設索引

df_inner.reset_index()

• 1
• 2

4、設置日期爲索引

df_inner=df_inner.set_index('date') 

• 1
• 2

5、提取4日之前的所有數據

df_inner[:'2013-01-04']

• 1
• 2

6、使用iloc按位置區域提取數據

df_inner.iloc[:3,:2] #冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從0開始，前三行，前兩列。

• 1
• 2

7、適應iloc按位置單獨提起數據

df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列

• 1
• 2

8、使用ix按索引標籤和位置混合提取數據

df_inner.ix[:'2013-01-03',:4] #2013-01-03號之前，前四列數據

• 1
• 2

9、判斷city列的值是否爲北京

df_inner['city'].isin(['beijing'])

• 1
• 2

10、判斷city列裏是否包含beijing和shanghai，然後將符合條件的數據提取出來

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

• 1
• 2

11、提取前三個字符，並生成數據表

pd.DataFrame(category.str[:3])

• 1
• 2

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']]

• 1
• 2

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']) 

• 1
• 2

3、使用“非”條件進行篩選

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 

• 1
• 2

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()

• 1
• 2

5、使用query函數進行篩選

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

• 1
• 2

6、對篩選後的結果按prince進行求和

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

• 1
• 2

七、數據彙總 
主要函數是groupby和pivote_table 
1、對所有的列進行計數彙總

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

• 1
• 2

2、按城市對id字段進行計數

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

• 1
• 2

3、對兩個字段進行彙總計數

df_inner.groupby(['city','size'])['id'].count()

• 1
• 2

4、對city字段進行彙總，並分別計算prince的合計和均值

df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) 

• 1
• 2

八、數據統計 
數據採樣，計算標準差，協方差和相關係數 
1、簡單的數據採樣

df_inner.sample(n=3) 

• 1
• 2

2、手動設置採樣權重

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

• 1
• 2
• 3

3、採樣後不放回

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

• 1
• 2

4、採樣後放回

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

• 1
• 2

5、 數據表描述性統計

df_inner.describe().round(2).T #round函數設置顯示小數位，T表示轉置

• 1
• 2

6、計算列的標準差

df_inner['price'].std()

• 1
• 2

7、計算兩個字段間的協方差

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

• 1
• 2

8、數據表中所有字段間的協方差

df_inner.cov()

• 1
• 2

9、兩個字段的相關性分析

df_inner['price'].corr(df_inner['m-point']) #相關係數在-1到1之間，接近1爲正相關，接近-1爲負相關，0爲不相關

• 1
• 2

10、數據表的相關性分析

df_inner.corr()

• 1
• 2

九、數據輸出 
分析後的數據可以輸出爲xlsx格式和csv格式 
1、寫入Excel

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

• 1
• 2

2、寫入到CSV

df_inner.to_csv('excel_to_python.csv')