https://blog.csdn.net/yiyele/article/details/80605909
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：
import numpy as np
import pandas as pd
1
2
2、导入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
或者
import pandas as pd
from collections import namedtuple
Item = namedtuple("Item", "reply pv")
items = []
with codecs.open("reply.pv.07", "r", "utf-8") as f:
for line in f:
line_split = line.strip().split(" ")
items.append(Item(line_split[0].strip(), line_split[1].strip()))
df = pd.DataFrame.from_records(items, columns=["reply", "pv"])
1
2
3
4
5
6
7
8
9
10
11
12
3、用pandas创建数据表：
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
二、数据表信息查看
1、维度查看：
df.shape
1
2、数据表基本信息（维度、列名称、数据格式、所占空间等）：
df.info()
1
3、每一列数据的格式：
df.dtypes
1
4、某一列格式：
df["B"].dtype
1
5、空值：
df.isnull()
1
6、查看某一列空值：
df.isnull()
1
7、查看某一列的唯一值：
df["B"].unique()
1
8、查看数据表的值：
df.values
1
9、查看列名称：
df.columns
1
10、查看前10行数据、后10行数据：
df.head() #默认前10行数据
df.tail() #默认后10 行数据
1
2
三、数据表清洗
1、用数字0填充空值：
df.fillna(value=0)
1
2、使用列prince的均值对NA进行填充：
df["prince"].fillna(df["prince"].mean())
1
3、清楚city字段的字符空格：
df["city"]=df["city"].map(str.strip)
1
4、大小写转换：
df["city"]=df["city"].str.lower()
1
5、更改数据格式：
df["price"].astype("int")
1
6、更改列名称：
df.rename(columns={"category": "category-size"})
1
7、删除后出现的重复值：
df["city"].drop_duplicates()
1
8 、删除先出现的重复值：
df["city"].drop_duplicates(keep="last")
1
9、数据替换：
df["city"].replace("sh", "shanghai")
1
四、数据预处理
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
1、数据表合并
1.1 merge
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
1
2
3
4
1.2 append
result = df1.append(df2)
1
1.3 join
result = left.join(right, on="key")
1
1.4 concat
pd.concat(objs, axis=0, join="outer", join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
copy=True)
1
2
3
objs︰ 一个序列或系列、 综合或面板对象的映射。如果字典中传递，将作为键参数，使用排序的键，除非它传递，在这种情况下的值将会选择
（见下文）。任何没有任何反对将默默地被丢弃，除非他们都没有在这种情况下将引发 ValueError。
axis: {0，1，…}，默认值为 0。要连接沿轴。
join: {‘内部’、 ‘外’}，默认 ‘外’。如何处理其他 axis(es) 上的索引。联盟内、 外的交叉口。
ignore_index︰ 布尔值、 默认 False。如果为 True，则不要串联轴上使用的索引值。由此产生的轴将标记
0，…，n-1。这是有用的如果你串联串联轴没有有意义的索引信息的对象。请注意在联接中仍然受到尊重的其他轴上的索引值。
join_axes︰ 索引对象的列表。具体的指标，用于其他 n-1 轴而不是执行内部/外部设置逻辑。 keys︰
序列，默认为无。构建分层索引使用通过的键作为最外面的级别。如果多个级别获得通过，应包含元组。
levels︰ 列表的序列，默认为无。具体水平 （唯一值） 用于构建多重。否则，他们将推断钥匙。
names︰ 列表中，默认为无。由此产生的分层索引中的级的名称。
verify_integrity︰ 布尔值、 默认 False。检查是否新的串联的轴包含重复项。这可以是相对于实际数据串联非常昂贵。
副本︰ 布尔值、 默认 True。如果为 False，请不要，不必要地复制数据。
例子：1.frames = [df1, df2, df3]
2.result = pd.concat(frames)
1
2
2、设置索引列
df_inner.set_index("id")
1
3、按照特定列的值排序：
df_inner.sort_values(by=["age"])
1
4、按照索引列排序：
df_inner.sort_index()
1
5、如果prince列的值>3000，group列显示high，否则显示low：
df_inner["group"] = np.where(df_inner["price"] > 3000,"high","low")
1
6、对复合多个条件的数据进行分组标记
df_inner.loc[(df_inner["city"] == "beijing") & (df_inner["price"] >= 4000), "sign"]=1
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
pd.DataFrame((x.split("-") for x in df_inner["category"]),index=df_inner.index,columns=["category","size"]))
1
8、将完成分裂后的数据表和原df_inner数据表进行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
1
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。
按索引提取单行的数值
df_inner.loc[3]
1
2、按索引提取区域行数值
df_inner.iloc[0:5]
1
3、重设索引
df_inner.reset_index()
1
4、设置日期为索引
df_inner=df_inner.set_index("date")
1
5、提取4日之前的所有数据
df_inner[:"2013-01-04"]
1
6、使用iloc按位置区域提取数据
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。
1
7、适应iloc按位置单独提起数据
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列
1
8、使用ix按索引标签和位置混合提取数据
df_inner.ix[:"2013-01-03",:4] #2013-01-03号之前，前四列数据
1
9、判断city列的值是否为北京
df_inner["city"].isin(["beijing"])
1
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
df_inner.loc[df_inner["city"].isin(["beijing","shanghai"])]
1
11、提取前三个字符，并生成数据表
pd.DataFrame(category.str[:3])
1
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。
使用“与”进行筛选
df_inner.loc[(df_inner["age"] > 25) & (df_inner["city"] == "beijing"), ["id","city","age","category","gender"]]
1
2、使用“或”进行筛选
df_inner.loc[(df_inner["age"] > 25) | (df_inner["city"] == "beijing"), ["id","city","age","category","gender"]].sort(["age"])
1
3、使用“非”条件进行筛选
df_inner.loc[(df_inner["city"] != "beijing"), ["id","city","age","category","gender"]].sort(["id"])
1
4、对筛选后的数据按city列进行计数
df_inner.loc[(df_inner["city"] != "beijing"), ["id","city","age","category","gender"]].sort(["id"]).city.count()
1
5、使用query函数进行筛选
df_inner.query("city == ["beijing", "shanghai"]")
1
6、对筛选后的结果按prince进行求和
df_inner.query("city == ["beijing", "shanghai"]").price.sum()
1
七、数据汇总
主要函数是groupby和pivote_table
对所有的列进行计数汇总
df_inner.groupby("city").count()
1
2、按城市对id字段进行计数
df_inner.groupby("city")["id"].count()
1
3、对两个字段进行汇总计数
df_inner.groupby(["city","size"])["id"].count()
1
4、对city字段进行汇总，并分别计算prince的合计和均值
df_inner.groupby("city")["price"].agg([len,np.sum, np.mean])
1
八、数据统计
数据采样，计算标准差，协方差和相关系数
简单的数据采样
df_inner.sample(n=3)
1
2、手动设置采样权重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
1
2
3、采样后不放回
df_inner.sample(n=6, replace=False)
1
4、采样后放回
df_inner.sample(n=6, replace=True)
1
5、 数据表描述性统计
df_inner.describe().round(2).T #round函数设置显示小数位，T表示转置
1
6、计算列的标准差
df_inner["price"].std()
1
7、计算两个字段间的协方差
df_inner["price"].cov(df_inner["m-point"])
1
8、数据表中所有字段间的协方差
df_inner.cov()
1
9、两个字段的相关性分析
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
1
10、数据表的相关性分析
df_inner.corr()
1
九、数据输出
分析后的数据可以输出为xlsx格式和csv格式
写入Excel
df_inner.to_excel("excel_to_python.xlsx", sheet_name="bluewhale_cc")
1
2、写入到CSV
df_inner.to_csv("excel_to_python.csv")
————————————————
版权声明：本文为CSDN博主「一夜了」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/yiyele/java/article/details/80605909
