本文涉及pandas最常用的36个函数,通过这些函数介绍如何完成数据生成和导入、数据清洗、预处理,以及最常见的数据分类,数据筛选,分类汇总,透视等最常见的操作。 生成数据表 常见的生成数据表的方法有两
本文涉及pandas最常用的36个函数,通过这些函数介绍如何完成数据生成和导入、数据清洗、预处理,以及最常见的数据分类,数据筛选,分类汇总,透视等最常见的操作。
生成数据表
常见的生成数据表的方法有两种,第一种是导入外部数据,第二种是直接写入数据。
Excel中的 文件 菜单中提供了获取外部数据的功能,支持数据库和文本文件和页面的多种数据源导入。
Python支持从多种类型的数据导入。在开始使用Python进行数据导入前需要先导入numpy和pandas库
import numpy as np
import pandas as pd
导入外部数据
df=pd.DataFrame(pd.read_csv( name.csv ,header=1))
df=pd.DataFrame(pd.read_Excel( name.xlsx ))c
里面有很多可选参数设置,例如列名称、索引列、数据格式等
直接写入数据
df = pd.DataFrame({ id :[1001,1002,1003,1004,1005,1006],
date :pd.date_range( 20130102 , periods=6),
city :[ Beijing , SH , guangzhou , Shen
zhen , shanghai , BEIJING ],
age :[23,44,54,32,34,32],
category :[ 100-A , 100-B , 110-A , 110-C , 2
10-A , 130-F ],
price :[1200,np.nan,2133,5433,np.nan,4432]},
columns =[ id , date , city , category , age ,
price ])
数据表检查的目的是了解数据表的整体情况,获得数据表的关键信息、数据的概况,例如整个数据表的大小、所占空间、数据格式、是否有 空值和重复项和具体的数据内容,为后面的清洗和预处理做好准备。
1.数据维度(行列)
Excel中可以通过CTRL+向下的光标键,和CTRL+向右的光标键 来查看行号和列号。Python中使用shape函数来查看数据表的维度,也就是行数和列数
2.数据表信息
使用info函数查看数据表的整体信息,包括数据维度、列名称、数据格式和所占空间等信息。#数据表信息
df.info()
class pandas.core.frame.DataFrame
RangeIndex: 6 entries, 0 to 5
Data columns (total 6 columns):
id 6 non-null int64
date 6 non-null datetime64[ns]
city 6 non-null object
category 6 non-null object
age 6 non-null int64
price 4 non-null float64
dtypes: datetime64[ns](1), float64(1), int64(2), object(2)
memory usage: 368.0+ bytes
3.查看数据格式
Excel中通过选中单元格并查看开始菜单中的数值类型来判断数 据的格式。Python中使用dtypes函数来返回数据格式。
Dtypes是一个查看数据格式的函数,可以一次性查看数据表中所 有数据的格式,也可以指定一列来单独查看
#查看数据表各列格式
df.dtypes
id int64
date datetime64[ns]
city object
category object
age int64
price float64
dtype: object
#查看单列格式
df[ B ].dtype
dtype( int64 )
4.查看空值
Excel中查看空值的方法是使用 定位条件 在 开始 目录下的 查找和选择 目录.
本章介绍对数据表中的问题进行清洗,包括对空值、大小写问题、数据格式和重复值的处理。
1.处理空值(删除或填充)
Excel中可以通过 查找和替换 功能对空值进行处理
Python中处理空值的方法比较灵活,可以使用 Dropna函数用来删除数据表中包含空值的数据,也可以使用fillna函数对空值进行填充。
#删除数据表中含有空值的行
df.dropna(how= any )
使用price列的均值来填充NA字段,同样使用fillna函数,在要填充的数值中使用mean函数先计算price列当前的均值,然后使用这个均值对NA进行填充。
#使用price均值对NA进行填充
df[ price ].fillna(df[ price ].mean())
Out[8]:
0 1200.0
1 3299.5
2 2133.0
3 5433.0
4 3299.5
5 4432.0
Name: price, dtype: float64
在英文字段中,字母的大小写不统一也是一个常见的问题。Excel中有UPPER,LOWER等函数,Python中也有同名函数用来解决 大小写的问题。
#city列大小写转换
df[ city ]=df[ city ].str.lower()
city列中beijing存在重复,分别在第一位和最后一位 drop_duplicates()函数删除重复值
#删除后出现的重复值
df[ city ].drop_duplicates()
0 beijing
1 sh
2 guangzhou
3 shenzhen
4 shanghai
Name: city, dtype: object
设置keep= last 参数后,与之前删除重复值的结果相反,第一位 出现的beijing被删除
#删除先出现的重复值
df[ city ].drop_duplicates(keep= last )
1 sh
2 guangzhou
3 shenzhen
4 shanghai
5 beijing
Name: city, dtype: objec
7.数值修改及替换
Excel中使用 查找和替换 功能就可以实现数值的替换
本章主要讲的是数据的预处理,对清洗完的数据进行整理以便后期的统计和分析工作。主要包括数据表的合并,排序,数值分列,数据分组及标记等工作。
1.数据表合并
在Excel中没有直接完成数据表合并的功能,可以通过VLOOKUP函数分步实现。在Python中可以通过merge函数一次性实现。
#建立df1数据表
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]})
使用merge函数对两个数据表进行合并,合并的方式为inner,将 两个数据表中共有的数据匹配到一起生成新的数据表。并命名为 df_inner。
#数据表匹配合并
df_inner=pd.merge(df,df1,how= inner )
Excel中可以通过VLOOKUP函数进行近似匹配来完成对数值的分组,或者使用 数据透视表 来完成分组
Python中使用Where函数用来对数据进行判断和分组
#如果price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
)
还可以对多个字段的值进行判断后对数据进行分组,下面的代码中对city列等于beijing并且price列大于等于4000的数据标记为1。
#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
在Python中使用split函数实现分列在数据表中category列中的数据包含有两个信息,前面的数字为类别id,后面的字母为size值。中间以连字符进行连接。我们使用split函数对这个字段进行拆分,并将拆分后的数据表匹配回原数据表中。
#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=d
f_inner.index,columns=[ category , size ])
Reset_index函数用于恢复索引,这里我们重新将date字段的日期 设置为数据表的索引,并按日期进行数据提取。
#重设索引
df_inner.reset_index()
使用iloc函数按位置对数据表中的数据进行提取,这里冒号前后 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。
#使用iloc按位置区域提取数据
df_inner.iloc[:3,:2]
将isin函数嵌套到loc的数据提取函数中,将判断结果为Ture数据 提取出来。这里我们把判断条件改为city值是否为beijing和shanghai。如果是就把这条数据提取出来。
#先判断city列里是否包含beijing和shanghai,然后将复合条件的数据提取出来。
df_inner.loc[df_inner[ city ].isin([ beijing , shanghai ])]
Python中使用loc函数配合筛选条件来完成筛选功能。配合sum和count函数还能实现Excel中sumif和countif函数的功能。使用 与 条件进行筛选,条件是年龄大于25岁,并且城市为 beijing。
#使用 与 条件进行筛选
df_inner.loc[(df_inner[ age ] 25) (df_inner[ city ] == beiji
ng ), [ id , city , age , category , gender ]]/
在前面的代码后面增加city列,并使用count函数进行计数。相当于Excel中的countifs函数的功能
#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()
还有一种筛选的方式是用query函数
#使用query函数进行筛选
df_inner.query( city == [ beijing , shanghai ] )
在前面的代码后增加price字段和sum函数。对筛选后的price字段 进行求和,相当于Excel中的sumifs函数的功能。
#对筛选后的结果按price进行求和
df_inner.query( city == [ beijing , shanghai ] ).price.sum()
12230
数据汇总
Excel中使用分类汇总和数据透视可以按特定维度对数据进行汇总,Python中使用的主要函数是groupby和pivot_table。
1.分类汇总
#对所有列进行计数汇总
df_inner.groupby( city ).count()/
最后,小编想说一句话:我是一名python开发工程师,整理了一套最新的python系统学习教程,包括从基础的python脚本到web开发、爬虫、数据分析、数据可视化、机器学习,面试宝典。想要这些资料的可以关注小编,私信小编 01 领取资料!
【本文作者】:亿闻天下网,商业用途未经许可不得转载,非商业用途转载注明出处原文链接:https://cqsoo.com/cy/63453.html
【版权与免责声明】:如发现内容存在版权问题,烦请提供相关信息发邮件至 kefu@cqsoo.com ,
并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。反馈给我们
本文内容由互联网用户自发贡献,本站不拥有所有权,不承担相关法律责任。