pandas操作速查表

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

pandas操作速查表的相关文章

这可能是AI、机器学习和大数据领域覆盖最全的一份速查表

https://mp.weixin.qq.com/s?__biz=MjM5ODE1NDYyMA==&mid=2653390110&idx=1&sn=b3e5d6e946b719d08b67d9ebf88283fe&chksm=bd1c3d0d8a6bb41bf05a8ccc9f375528c7c5e4223b190acc9593082b50e17855d2ccdd0e8ac2&mpshare=1&scene=23&srcid=0110mg1nBdOA

Git操作手册|命令速查表

这篇文章主要介绍Git分布式版本管理与集中式管理的一些差异,总结下Git常用命令作为日后的速查表,最后介绍Git进阶的一些案例.本文分为以下几个部分: Git与SVN差异 Git常用命令 Git进阶指南 Git与SVN差异 Git的第一个版本是Linux之父Linus Torvalds亲手操刀设计和实现的,Git 基于 DAG 结构 (Directed Acyclic Graph),其运行起来相当的快,它已经是现在的主流. Git 和 SVN 思想最大的差别有四个: 去中心化 直接记录快照,而非

pandas基础命令速查表

pandas基础命令速查表 数据的导入 数据的导出 创建测试对象 数据的查看与检查 数据的选取 数据的清洗 数据的过滤(filter)排序(sort)和分组(group) 数据的连接(join)与组合(combine) 一.数据的导入 pd.read_csv(filename) # 导入csv格式文件中的数据 pd.read_table(filename) # 导入有分隔符的文本 (如TSV) 中的数据 pd.read_excel(filename) # 导入Excel格式文件中的数据 pd.r

50个数据科学和机器学习速查表【转】

在数据科学领域有成千上万的包和数以百计的函数公式,你虽然不需要掌握所有的这些知识,但是有一个速查表在你的学习中是非常重要的.学习大数据包括对统计学.数学.编程知识(尤其是R.python.SQL)等知识的理解,还需要理解业务来驱动决策.这些表单也许能给你一些帮助. Python的速查表 Python在初学者中非常受欢迎,同样足以支持那些最受欢迎的产品和应用程序,它的设计让你在编程的时候感觉同用英语写作一样自然,Python basics 或者Python Debugger的速查表覆盖了重要的语法

每个程序员都应该收藏的算法复杂度速查表

算法复杂度这件事 这篇文章覆盖了计算机科学里面常见算法的时间和空间的大 O(Big-O)复杂度.我之前在参加面试前,经常需要花费很多时间从互联网上查找各种搜索和排序算法的优劣,以便我在面试时不会被问住.最近这几年,我面试了几家硅谷的初创企业和一些更大一些的公司,如 Yahoo.eBay.LinkedIn 和 Google,每次我都需要准备这个,我就在问自己,“为什么没有人创建一个漂亮的大 O 速查表呢?”所以,为了节省大家的时间,我就创建了这个,希望你喜欢! — Eric 图例 绝佳 不错 一般

汇编指令速查表

一.数据传输指令───────────────────────────────────────它们在存贮器和寄存器.寄存器和输入输出端口之间传送数据.1. 通用数据传送指令.MOV 传送字或字节.MOVSX 先符号扩展,再传送.MOVZX 先零扩展,再传送.PUSH 把字压入堆栈.POP 把字弹出堆栈.PUSHA 把 AX,CX,DX,BX,SP,BP,SI,DI 依次压入堆栈.POPA 把 DI,SI,BP,SP,BX,DX,CX,AX 依次弹出堆栈.PUSHAD 把 EAX,ECX,EDX,

测试启发法速查表

本文是测试大师Elisabeth Hendrickson的测试启发法速查表. 一.通用启发法 这些启发法绝对适用于任何种类的接口和任何种类的系统. 抽象 剔除模型中的细节.忽略低层级的细枝末节,以此进行简化,让模型可以更少地关注具体细节,而更多地聚焦与概念层面. 例如,对于交互图来说,无需详尽地描述一组通信,你也可以只画一条线,再取个名字来描述这些通信的核心交互即可.如果是在测试邮件客户端,那么在发送邮件时客户端可能要经历如下步骤:连接到服务器.鉴权.传输数据.与其在模型中记录所有步骤,你可以直

Git命令速查表【转】

本文转载自:http://www.cnblogs.com/kenshinobiy/p/4543976.html 一. Git 常用命令速查 git branch 查看本地所有分支git status 查看当前状态 git commit 提交 git branch -a 查看所有的分支git branch -r 查看远程所有分支git commit -am "init" 提交并且加注释 git remote add origin [email protected]:ndshowgit p

Git 常用命令速查表(图文+表格)

一. Git 常用命令速查 git branch 查看本地所有分支git status 查看当前状态 git commit 提交 git branch -a 查看所有的分支git branch -r 查看远程所有分支git commit -am "init" 提交并且加注释 git remote add origin [email protected]:ndshowgit push origin master 将文件给推到服务器上 git remote show origin 显示远程