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')