用 Pandas 进行数据处理系列二

zucchiniy

发布于 2019-10-30 18:02:08

8.1K0

发布于 2019-10-30 18:02:08

文章被收录于专栏：洞明学问

获取指定的列和行

import pandas as pd

df = pd.read_csv('xxxx.xls')

获取行操作df.loc[3:6]获取列操作df['rowname']取两列df[['a_name','bname']] ，里面需要是一个 list 不然会报错增加一列df['new']=list([...])对某一列除以他的最大值df['a']/df['a'].max()排序某一列df.sorted_values('a',inplace=True,ascending=True) ， inplace 表示排序的时候是否生成一个新的 dataFrame ， ascending=True 表示升序，默认为升序，如果存在缺失的补值（ Nan )，排序的时候会将其排在末尾

基本用法

数据表信息查看

df.shape维度查看df.info()数据表基本信息，包括围度、列名、数据格式、所占空间df.dtypes每一列的数据格式df[‘b’].dtype某一列的格式df.isnull()是否空值df.[‘b’].unique()查看某一列的唯一值df.values查看数据表的值df.columns查看列名df.head()查看默认的前 10 行数据df.tail()查看默认的后 10 行数据

数据表清洗 - df.fillna(value=0) :: 用数字 0 填充空值

df[‘pr’].fillna(df[‘pr’].mean())用列 pr 的平均值对 na 进行填充df[‘city’]=df[‘city’].map(str.strip)清除 city 字段的字符空格df[‘city’]=df[‘city’].str.lower()大小写转换df[‘pr’].astype(‘int’)更改数据的格式df.rename(columns={‘category’: ‘category-size’})更改列名df[‘city’].drop_duplicates()删除后出现的重复值df[‘city’].drop_duplicates(keep=‘last’)删除先出现的重复值df[‘city’].replace(‘sh’, ‘shanghai’)数据替换

数据预处理

数据表合并 df_inner = pd.merge(df, df1, how='inner') # 匹配合并，交集 df_left = pd.merge(df, df1, how='left') # 左联表 df_right = pd.merge(df, df1, how='right') # 右联表 df_outer = pd.merge(df, df1, how='outer') # 并集
设置索引列

df.set_index('id')

按照特定列的值排序

df.sort_values(by=['age'])

按照索引列排序

df.sort_index()

如果 pr 列的值大于 3000 ， group 列显示 hight , 否则显示 low

df['group'] = np.where(df['pr'] > 3000, 'hight', 'low')

对复合多个条件的数据进行分级标记

df.loc[(df['city'] == 'beijing') & (df['pr'] >= 4000), 'sign'] = 1

对 category 字段的值依次进行分列，并创建数据表，索引值 df 的索引列，列名称为 category 和 size

pd.DataFrame((x.split('-')
              for x in df['category']), index=df.index, columns=['category', 'size'])

数据提取

主要用到三个函数， loc , iloc , 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

具体的使用见下：

df.loc[3]按索引提取单行的数值df.iloc[0:5]按索引提取区域行数据值df.reset_index()重设索引df=df.set_index(‘date’)设置 date 为索引df[:‘2013’]提取 2013 之前的所有数据df.iloc[:3,:2]从 0 位置开始，前三行，前两列，这里的数据不同去是索引的标签名称，而是数据所有的位置df.iloc[[0,2,5],[4,5]]提取第 0、2、5 行，第 4、5 列的数据df.ix[:‘2013’,:4]提取 2013 之前，前四列数据df[‘city’].isin([‘beijing’])判断 city 的值是否为北京df.loc[df[‘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pd.DataFrame(category.str[:3])提取前三个字符，并生成数据表

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.loc[(df['age'] > 25) & (df['city'] == 'beijing'),
       ['id', 'city', 'age', 'category']]

使用或进行筛选

df.loc[(df['age'] > 25) | (df['city'] == 'beijing'), ['id', 'city', 'age']]

使用非进行筛选

df.loc[(df['city'] != 'beijing'), ['id', 'city', 'age']].sort(['id'])

筛选后的灵气按 city 列进行计数

df.loc[(df['city'] != 'beijing'), ['id', 'city', 'age']].sort(
    ['id']).city.count()

使用 query 函数进行筛选

df.query('city' == ['beijing', 'shanghai'])

对筛选后的结果按 pr 进行求和

df.query('city' == ['beijing', 'shanghai']).pr.sum()

数据汇总

主要使用 groupby 和 pivote_table 进行处理。

df.groupby(‘city’).count()按 city 列分组后进行数据汇总df.groupby(‘city’)[‘id’].count()按 city 进行分组，然后汇总 id 列的数据df.groupby([‘city’,‘size’])[‘id’].count()对两个字段进行分组汇总，然后进行计算df.groupby(‘city’)[‘pr’].agg([len, np.sum,np.mean])对 city 进行分组，然后计算 pr 列的大小、总和和平均数

数据统计

数据采样，计算标准差、协方差和相关系数。

简单数据采样

df.sample(n=3)

手动设置采样权重

weights = [0, 0, 0, 0, 0, 0.5, 0.5]
df.sample(n=2, weights=weights)

采样后不放回

df.sample(n=6, replace=False) # 如果 replace = True 采样后放回

数据表描述性统计

df.describe().round(2).T  # round 表示显示的小数位数，T 表示转置

计算列的标准差

df['pr'].std()

计算两个字段间的协方差

df['pr'].cov(df['m-point'])

计算表中所有字段间的协方差

df.cov()

两个字段间的相关性分析

df['pr'].corr(df['m-point'])  # 相关系数在 [-1, 1] 之间，接近 -1 为负相关，1 为正相关，0 为不相关

数据表的相关性分析

df.corr()

数据分组与聚合实践

import pandas as pd

df = pd.DataFrame({'Country': ['China', 'China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
                   'Income': [10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
                   'Age': [5000, 4321, 1234, 4010, 250, 250, 4500, 4321]})
print(df)

分组

import pandas as pd

df = pd.DataFrame({'Country': ['China', 'China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
                   'Income': [10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
                   'Age': [5000, 4321, 1234, 4010, 250, 250, 4500, 4321]})
df_gb = df.groupby('Country')
for index, data in df_gb:
    print(index)
    print(data)

多列分组

import pandas as pd

df = pd.DataFrame({'Country': ['China', 'China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
                   'Income': [10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
                   'Age': [5000, 4321, 1234, 4010, 250, 250, 4500, 4321]})
df_gb = df.groupby([ 'Country','Income' ])
for (index1,index2), data in df_gb:
    print((index1,index2))
    print(data)

聚合

对分组后的数据进行聚合

import pandas as pd

df = pd.DataFrame({'Country': ['China', 'China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
                   'Income': [10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
                   'Age': [5000, 4321, 1234, 4010, 250, 250, 4500, 4321]})
df_agg = df.groupby('Country').agg(['min', 'mean', 'max'])
print(df_agg)

对分组后的部分列进行聚合

import pandas as pd

df = pd.DataFrame({'Country': ['China', 'China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
                   'Income': [10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
                   'Age': [5000, 4321, 1234, 4010, 250, 250, 4500, 4321]})

num_agg = {'Age': ['min', 'mean', 'max']}
print(df.groupby('Country').agg(num_agg))

import pandas as pd

df = pd.DataFrame({'Country': ['China', 'China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
                   'Income': [10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
                   'Age': [5000, 4321, 1234, 4010, 250, 250, 4500, 4321]})

num_agg = {'Age': ['min', 'mean', 'max'], 'Income':['min','max']}
print(df.groupby('Country').agg(num_agg))

补充

对于聚合方法的传入和传出，可以使用 ['min'] ，也可以使用 numpy 中的方法，比如 numpy.min ，也可以传入一个方法，比如：

def max_deviation(s):
    std_score = (s - s.mean()) / s.std()
    return std_score.abs().max()


df.groupby('ss').agg(max_deviation).round(1).head()

对于聚合后的数据表格，是多级索引，可以重新定义索引的数据

import pandas as pd

df = pd.DataFrame({'Country': ['China', 'China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
                   'Income': [10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
                   'Age': [5000, 4321, 1234, 4010, 250, 250, 4500, 4321]})

num_agg = {'Age': ['min', 'mean', 'max'], 'Income': ['min', 'max']}
ss = df.groupby('Country').agg(num_agg)
l0 = ss.columns.get_level_values(0)
print(l0)
l1 = ss.columns.get_level_values(1)
print(l1)
ss.columns = l0 + '_' + l1
print(ss)

ss.reset_index()
print(ss)

pandas 默认会将分组后将所有分组列放在索引中，但是可以使用 as_index=False 来避免这样。

import pandas as pd

df = pd.DataFrame({'Country': ['China', 'China', 'India', 'India', 'America', 'Japan', 'China', 'India'],
                   'Income': [10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
                   'Age': [5000, 4321, 1234, 4010, 250, 250, 4500, 4321]})

num_agg = {'Age': ['min', 'mean', 'max'], 'Income': ['min', 'max']}
ss = df.groupby(['Country'], as_index=False).agg(num_agg)
print(ss)

appy 用法

import pandas as pd

df = pd.DataFrame([[4, 9], ]*3, columns=list('AB'))
print(df)

import pandas as pd
import numpy as np

df = pd.DataFrame([[4, 9], ]*3, columns=list('AB'))

print(df.apply(np.sqrt))

import pandas as pd
import numpy as np

df = pd.DataFrame([[4, 9], ]*3, columns=list('AB'))

print(df.apply(np.sum, axis=0))

import pandas as pd
import numpy as np

df = pd.DataFrame([[4, 9], ]*3, columns=list('AB'))

print(df.apply(lambda x: [1, 2], axis=1))

result_type=‘expand’ 的时候，可以将结果扩展为列表。

import pandas as pd
import numpy as np

df = pd.DataFrame([[4, 9], ]*3, columns=list('AB'))

print(df.apply(lambda x: [1, 2], axis=1, result_type='expand'))

import pandas as pd
import numpy as np

df = pd.DataFrame([[4, 9], ]*3, columns=list('AB'))

print(df.apply(lambda x: pd.Series([1, 2], index=['foo', 'bar']), axis=1))

import pandas as pd
import numpy as np

df = pd.DataFrame([[4, 9], ]*3, columns=list('AB'))

print(df.apply(lambda x: [1, 2], axis=1, result_type='broadcast'))

import pandas as pd
import numpy as np

df = pd.DataFrame([[4, 9], ]*3, columns=list('AB'))

print(df.applymap(lambda x: x**2))

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

如有侵权请联系 cloudcommunity@tencent.com 删除

count

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度