Pandas速查卡-Python数据科学
Josh Devlin 2017年2月21日
Pandas可以说是数据科学最重要的Python包。 它不仅提供了很多方法和函数，使得处理数据更容易；而且它已经优化了运行速度，与使用Python的内置函数进行数值数据处理相比，这是一个显著的优势。
刚开始学习pandas时要记住所有常用的函数和方法显然是有困难的，所以在Dataquest（https://www.dataquest.io/）我们主张查找pandas参考资料（http://pandas.pydata.org/pandas-docs/stable/index.html）。有时候便利查找也是非常棒的，所以我们整合了这个速查卡来帮助你！
如果你对pandas的学习很感兴趣，你可以参考我们的pandas教程指导博客（http://www.dataquest.io/blog/pandas-python-tutorial/），里面包含两大部分的内容；或者你也可以免费注册我们的互动平台（https://www.dataquest.io/subject/data-analysis?）来开始学习pandas等数据科学课程。
关键词和导入
在这个速查卡中，我们会用到一下缩写：
df | 二维的表格型数据结构DataFrame |
|---|---|
s | 一维数组Series |
您还需要执行以下导入才能开始：
import pandas as pd import numpy as np
导入数据
pd.read_csv(filename) | 导入CSV文档 |
|---|---|
pd.read_table(filename) | 导入分隔的文本文件 (如TSV) |
pd.read_excel(filename) | 导入Excel文档 |
pd.read_sql(query, connection_object) | 读取SQL 表/数据库 |
pd.read_json(json_string) | 读取JSON格式的字符串, URL或文件. |
pd.read_html(url) | 解析html URL，字符串或文件，并将表提取到数据框列表 |
pd.read_clipboard() | 获取剪贴板的内容并将其传递给read_table（） |
pd.DataFrame(dict) | 从字典、列名称键、数据列表的值导入 |
输出数据
df.to_csv(filename) | 写入CSV文件 |
|---|---|
df.to_excel(filename) | 写入Excel文件 |
df.to_sql(table_name, connection_object) | 写入一个SQL表 |
df.to_json(filename) | 写入JSON格式的文件 |
创建测试对象
用于测试的代码
pd.DataFrame(np.random.rand(20,5)) | 5列、20行的随机浮动 |
|---|---|
pd.Series(my_list) | 从可迭代的my_list创建一维数组 |
df.index=pd.date_range('1900/1/30', periods=df.shape[0]) | 添加日期索引 |
查看/检查数据
df.head(n) | 数据框的前n行 |
|---|---|
df.tail(n) | 数据框的后n行 |
df.shape() | 行数和列数 |
df.info() | 索引，数据类型和内存信息 |
df.describe() | 数值列的汇总统计信息 |
s.value_counts(dropna=False) | 查看唯一值和计数 |
df.apply(pd.Series.value_counts) | 所有列的唯一值和计数 |
选择
df[col] | 返回一维数组col的列 |
|---|---|
df[[col1, col2]] | 作为新的数据框返回列 |
s.iloc[0] | 按位置选择 |
s.loc['index_one'] | 按索引选择 |
df.iloc[0,:] | 第一行 |
df.iloc[0,0] | 第一列的第一个元素 |
数据清洗
df.columns = ['a','b','c'] | 重命名列 |
|---|---|
pd.isnull() | 检查空值，返回逻辑数组 |
pd.notnull() | 与pd.isnull()相反 |
df.dropna() | 删除包含空值的所有行 |
df.dropna(axis=1) | 删除包含空值的所有列 |
df.dropna(axis=1,thresh=n) | 删除所有小于n个非空值的行 |
df.fillna(x) | 用x替换所有空值 |
s.fillna(s.mean()) | 将所有空值替换为均值（均值可以用统计部分中的几乎任何函数替换） |
s.astype(float) | 将数组的数据类型转换为float |
s.replace(1,'one') | 将所有等于1的值替换为'one' |
s.replace([1,3],['one','three']) | 将所有1替换为'one'，将3替换为'three' |
df.rename(columns=lambda x: x + 1) | 批量重命名列 |
df.rename(columns={'old_name': 'new_ name'}) | 选择重命名 |
df.set_index('column_one') | 更改索引 |
df.rename(index=lambda x: x + 1) | 批量重命名索引 |
筛选，排序和分组
df[df[col] > 0.5] | col列大于0.5的行 |
|---|---|
df[(df[col] > 0.5) & (1.7)] | 0.7> col> 0.5的行 |
df.sort_values(col1) | 将col1按升序对值排序 |
df.sort_values(col2,ascending=False) | 将col2按降序对值排序 |
df.sort_values([col1,ascending=[True,False]) | 将col1按升序排序，然后按降序排序col2 |
df.groupby(col) | 从一列返回一组对象的值 |
df.groupby([col1,col2]) | 从多列返回一组对象的值 |
df.groupby(col1)[col2] | 返回col2中的值的平均值，按col1中的值分组（平均值可以用统计部分中的几乎任何函数替换） |
df.pivot_table(index=col1,values=[col2,col3],aggfunc=max) | 创建一个数据透视表，按col1分组并计算col2和col3的平均值 |
df.groupby(col1).agg(np.mean) | 查找每个唯一col1组的所有列的平均值 |
data.apply(np.mean) | 在每个列上应用函数 |
data.apply(np.max,axis=1) | 在每行上应用一个函数 |
加入/合并
df1.append(df2) | 将df1中的行添加到df2的末尾（列数应该相同） |
|---|---|
df.concat([df1, df2],axis=1) | 将df1中的列添加到df2的末尾（行数应该相同） |
df1.join(df2,on=col1,how='inner') | SQL类型的将df1中的列与df2上的列连接，其中col的行具有相同的值。 可以是“左”，“右”，“外”，“内”连接 |
统计
以下这些都可以应用于一个数组。
df.describe() | 数值列的汇总统计信息 |
|---|---|
df.mean() | 返回所有列的平均值 |
df.corr() | 查找数据框中的列之间的相关性 |
df.count() | 计算每个数据框的列中的非空值的数量 |
df.max() | 查找每个列中的最大值 |
df.min() | 查找每列中的最小值 |
df.median() | 查找每列的中值 |
df.std() | 查找每个列的标准差 |
点击“阅读原文”下载此速查卡的打印版本
END.