准备工作
import numpy as np import pandas as pd
倒入文件或创建一个数据表
df = pd.DataFrame(pd.read_csv(‘name.csv‘,header=1)) df = pd.DataFrame(pd.read_excel(‘name.xlsx‘)) pd.read_table(filename)# 从限定分隔符的文本文件导入数据 pd.read_excel(filename)# 从Excel文件导入数据 pd.read_sql(query, connection_object)# 从SQL表/库导入数据 pd.read_json(json_string)# 从JSON格式的字符串导入数据 pd.read_html(url)# 解析URL、字符串或者HTML文件,抽取其中的tables表格 pd.read_clipboard()# 从你的粘贴板获取内容,并传给read_table() pd.DataFrame(dict)# 从字典对象导入数据,Key是列名,Value是数据
倒入各种格式的文件操作
# 创建数据表,下面两个数据表是以下所有操作的数据支持 # pd.DataFrame(np.random.rand(20,5))# 创建20行5列的随机数组成的DataFrame对象 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‘]) 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]})
一、查看数据表信息
包含操作:
-
- 查看维度
- 查看数据表基本信息
- 查看每一列/指定列数据格式
- 查看数据表每一单元格是否为空值
- 查看指定列值
- 查看数据表
- 查看表头
- 查看前/后n行数据
- 查看数值型列的汇总统计
- 查看DataFrame对象中每一列的唯一值和计数
print(df.shape) # 查看维度、行数和列数(x*y) print(df.info())# 查看数据表基本信息(维度、列名称、数据格式、所占空间等) print(df.dtypes)# 查看每一列数据的格式 print(df[‘price‘].dtype) # 查看指定列的数据格式 print(df.isnull()) # 查看数据表每一单元格是否为空值 print(df[‘age‘].unique()) # 查看指定列的值(去重) print(df.values)# 查看数据表 print(df.columns)# 查看表头 print(df.head(3)) # 查看前x行数据,括号内为空时默认为10 print(df.tail(3)) # 查看后x行数据,括号内为空时默认为10 print(df.describe()) # 查看数值型列的汇总统计 print(df.apply(pd.Series.value_counts)) # 查看DataFrame对象中每一列的唯一值和计数
二、数据表清洗
包含操作:
-
- 重命名列名
- 检查空值
- 删除包含空值的行/列
- 删除所有小于n的非空值的行
- 填充空值
- 清除空格
- 更改数据格式
- 删除指定列中重复的值
- 更改数据
df.columns = [‘a‘,‘b‘,‘c‘]# :重命名列名 print(df.isnull())# 检查DataFrame对象中的空值,并返回一个Boolean数组 print(df.notnull())# 检查DataFrame对象中的空值,并返回一个Boolean数组 print(df.dropna())# 删除所有包含空值的行 print(df.dropna(axis=1))# 删除所有包含空值的列 print(df.dropna(axis=1,thresh=n))# 删除所有小于n的非空值的行 print(df.fillna(value=0)) # 用数字0填充空值,返回值为填充后的表信息 print(df[‘price‘].fillna(df[‘price‘].mean())) # 使用指定列(price)的均值填充指定列(price)的空值,返回值为填充后的列信息 df[‘city‘]=df[‘city‘].map(str.strip) # 清除指定字段(city)的字符空格,注意清洗完数据后要重新赋值回去 df[‘city‘]=df[‘city‘].str.lower() # 支持str的操作,这里指变为小些,注意清洗完数据后要重新赋值回去 print(df[‘city‘]) print(df[‘age‘].astype(‘int‘)) # 更改数据格式,这里的操作是将数据转为int,不需要重新赋值 print(df.rename(columns={‘category‘: ‘category-size‘})) # 更改表头 print(df[‘city‘].drop_duplicates()) # 删除指定列中重复的值(保留前面的,删除后面的) print(df[‘city‘].drop_duplicates(keep=‘last‘))# 删除指定列中重复的值(保留后面的,删除前面的) print(df[‘city‘].replace(‘sh‘, ‘shanghai‘)) # 更改数据
三、数据表操作
包含操作:
-
- 交集、并集、左连接、右连接
- 设置索引
- 排序
- 分组标记
- 分列并创建数据表
df_inner=pd.merge(df,df1,how=‘inner‘) # 交集,少匹配合并 df_left=pd.merge(df,df1,how=‘left‘) # 左连接,按左表为准,右表不够的用NaN补 df_right=pd.merge(df,df1,how=‘right‘) # 右连接,按右表为准,左表不够的用NaN补 df_outer=pd.merge(df,df1,how=‘outer‘) # 并集,多匹配合并 print(df_inner) print(df_left) print(df_right) print(df_outer) print(df_inner.set_index(‘id‘)) # 设置索引列,这里索引设置的是id列 print(df_inner.sort_values(by=[‘m-point‘])) # 按照指定列排序,默认升序 print(df_inner.sort_values(by=[‘m-point‘]),ascending=False) # 按照指定列排序,指定降序 print(df_inner.sort_index()) # 按照索引排序,默认升序 # group的值按price的大小显示,大于3000显示high,小于3000显示low df_inner[‘group‘] = np.where(df_inner[‘price‘] > 3000,‘high‘,‘low‘) df_inner.loc[(df_inner[‘city‘] == ‘Beijing‘) & (df_inner[‘gender‘] == ‘male‘), ‘sign‘]=1# 对复合多个条件的数据进行分组标记 print(df_inner) # 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 print(pd.DataFrame((x.split(‘-‘) for x in df_inner[‘category‘]),index=df_inner.index,columns=[‘category‘,‘size‘])) # 将完成分裂后的数据表和原df_inner数据表进行匹配 split = pd.DataFrame((x.split(‘-‘) for x in df_inner[‘category‘]),index=df_inner.index,columns=[‘category‘,‘size‘]) df_inner=pd.merge(df_inner,split,right_index=True, left_index=True) print(df_inner)
四、数据提取
包含操作:
-
- 提取单行/区域行的值
- 重设索引
- 按位置提取数据
- 按索引提取数据
- 判断数据值
- 提取指定字符并生成数据表
""" 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。 """ print(df_inner.loc[3])# 按索引提取单行的数值,这里提取的是第四行 print(df_inner.iloc[0:5])# 按索引提取区域行数值,这里提取的是0到四行 df_inner.reset_index()# 重设索引 df_inner=df_inner.set_index(‘date‘) # 将指定字段设置为索引,这里用的日期 print(df_inner[:‘2013-01-04‘])# 切片提取数据,这里切的日期,需要先将日期设为索引 # - 使用iloc按位置区域提取数据 print(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,这里表示从0开始,前三行,前两列。 print(df_inner.iloc[[0,2,5],[4,5]]) #提取第0、2、5行,4、5列 # - 使用ix按索引标签和位置混合提取数据 print(df_inner.ix[:‘2013-01-03‘,:4]) #2013-01-03号之前,前四列数据 print(df_inner[‘city‘].isin([‘Beijing‘]))# 判断city列的值是否为北京 print(df_inner.loc[df_inner[‘city‘].isin([‘beijing‘,‘shanghai‘])])# 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 print(pd.DataFrame(df_inner[‘city‘].str[:3]))# 提取前三个字符,并生成数据表
五、数据筛选
包含操作:与/或/非/大于/小于/等于/不等于
# 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。 print(df_inner.loc[(df_inner[‘age‘] > 25) & (df_inner[‘city‘] == ‘shanghai‘), [‘id‘,‘city‘,‘age‘,‘category‘,‘gender‘]]) print(df_inner.loc[(df_inner[‘age‘] > 25) | (df_inner[‘city‘] == ‘shanghai‘), [‘id‘,‘city‘,‘age‘,‘category‘,‘gender‘]] ) print(df_inner.loc[(df_inner[‘city‘] != ‘beijing‘), [‘id‘,‘city‘,‘age‘,‘category‘,‘gender‘]]) # 对筛选后的数据按city列进行计数 print(df_inner.loc[(df_inner[‘city‘] != ‘beijing‘), [‘id‘,‘city‘,‘age‘,‘category‘,‘gender‘]].city.count()) # 使用query函数进行筛选 print(df_inner.query(‘city == ["beijing", "shanghai"]‘)) # 对筛选后的结果按price进行求和 print(df_inner.query(‘city == ["Shenzhen", "shanghai"]‘).price.sum())
六、数据处理
包含操作:计数汇总(主要用groupby)
# 主要函数是groupby和pivote_table print(df_inner.groupby(‘city‘).count())# 对所有的列进行计数汇总 print(df_inner.groupby(‘city‘)[‘id‘].count())# 按city对id字段进行计数 print(df_inner.groupby([‘city‘,‘price‘])[‘id‘].count())# 对两个字段进行汇总计数 print(df_inner.groupby(‘city‘)[‘price‘].agg([len,np.sum, np.mean]) )# 对city字段进行汇总,并分别计算prince的合计和均值
七、数据统计
包含操作:
-
- 数据采样(可设置权重)
- 数据表描述性统计
- 标准差和方差
- 相关性统计
- 所有列的均值
- 每一列的最大值、最小值、中位数、标准差
# 数据采样,计算标准差,协方差和相关系数 print(df_inner.sample(n=3))# 简单的数据采样(随机取3行数据) # 手动设置采样权重,这里指3/4/5的权重比较高,随机取时概率较大 weights = [0, 0, 0, 0.5, 0.5, 0.5] print(df_inner.sample(n=2, weights=weights)) print(df_inner.sample(n=6, replace=False))# 采样后不放回 print(df_inner.sample(n=6, replace=True))# 采样后放回 # 数据表描述性统计 print(df_inner.describe().round(2).T) #round函数设置显示小数位,T表示转置 # 标准差和协方差 print(df_inner[‘price‘].std())# 计算列的标准差 print(df_inner[‘price‘].cov(df_inner[‘m-point‘]))# 计算两个字段间的协方差 print(df_inner.cov())# 计算数据表中所有字段间的协方差 # 计算两个字段的相关性分析,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 print(df_inner[‘price‘].corr(df_inner[‘m-point‘])) print(df.describe())# 查看数据值列的汇总统计 print(df.mean())# 返回所有列的均值 print(df.corr())# 返回列与列之间的相关系数 print(df.count())# 返回每一列中的非空值的个数 print(df.max())# 返回每一列的最大值 print(df.min())# 返回每一列的最小值 print(df.median())# 返回每一列的中位数 print(df.median())# 返回每一列的标准差
八、数据输出
df_inner.to_excel(‘excel_to_python.xlsx‘, sheet_name=‘bluewhale_cc‘) df_inner.to_csv(‘excel_to_python.csv‘) df.to_sql(table_name, connection_object)# 导出数据到SQL表 df.to_json("filename")# 以Json格式导出数据到文本文件
原文地址:https://www.cnblogs.com/zhuminghui/p/9401489.html
时间: 2024-09-30 23:58:39