专栏首页凹凸玩数据超全的pandas数据分析常用函数总结:下篇

超全的pandas数据分析常用函数总结:下篇

大家好,我是雅痞绅士JM

基础知识在数据分析中就像是九阳神功,熟练的掌握,加以运用,就可以练就深厚的内力,成为绝顶高手自然不在话下!

为了更好地学习数据分析,我对于数据分析中pandas这一模块里面常用的函数进行了总结。整篇总结,在详尽且通俗易懂的基础上,我力求使其有很强的条理性和逻辑性,所以制作了思维导图,对于每一个值得深究的函数用法,我也会附上官方链接,方便大家继续深入学习。

文章中的所有代码都会有讲解和注释,绝大部分也都会配有运行结果,酱紫的话,整篇总结篇幅量自然不小,所以我分成了上下两篇,这里是下篇。

《超全的pandas数据分析常用函数总结:上篇》

5. 数据预处理

先创建一个data2数据集

data2=pd.DataFrame({
    "id":np.arange(102,105),
    "profit":[1,10,2]
})
data2

输出结果:

再创建一个data3数据集

data3=pd.DataFrame({
    "id":np.arange(111,113),
    "money":[106,51]
})
data3

输出结果:

5.1 数据的合并

用merge合并

DataFrame.merge(self,right,how =‘inner’,on = None)
  • right指要合并的对象
  • on指要加入的列或索引级别名称,必须在两个DataFrame中都可以找到。
  • how决定要执行的合并类型:left(使用左框架中的键)、right、inner(交集,默认)、outer(并集)
data_new=pd.merge(data,data2,on='id',how='inner')      # 默认取交集
data_new=pd.merge(data,data2,on='id',how='outer')      # 取并集,没有值的地方填充NaN
data.merge(data2,on='id',how='inner')                  # 另一种写法,输出结果见下方

输出结果:

更多关于pandas.DataFrame.merge的用法,戳下面官方链接:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.merge.html

data.merge(data2,on='id',how='left')     # 使用左框架中的键

输出结果:

用append合并

data.append(data2)    # 在原数据集的下方合并入新的数据集

输出结果:

用join合并

用下面这种方式会报错:列重叠,且没有指定后缀,因为上面的数据data和data2都有“id”列,所以需要给id列指明后缀。

data.join(data2)        # 会报错

第一种修改方式:

data.join(data2,lsuffix='_data', rsuffix='_data2')

输出结果:

第二种修改方式:

data.set_index('id').join(data2.set_index('id'))

输出结果:

更多关于pandas.DataFrame.join的用法,戳下面官方链接:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.join.html

用concat合并

pandas.concat(objs,axis = 0,ignore_index = False,keys = None)
  • objs:Series,DataFrame或Panel对象的序列或映射。
  • axis:串联的轴,默认为0,即以索引串联(竖直拼接);如果为1,则以列串联(水平拼接)
  • ignore_index:清除现有索引并将其重置,默认为False。
  • key:在数据的最外层添加层次结构索引。
data_new=pd.concat([data,data2,data3],axis = 1,keys=['data', 'data2','data3'])
data_new

输出结果:

更多关于pandas.concat的用法,戳下面官方链接:

https://pandas.pydata.org/pandas-docs/version/0.23.4/generated/pandas.concat.html

5.2 设置索引列

data.set_index("id")      # 设置id为索引列

输出结果:

data.reset_index(drop=True)    # 重置索引列,并且避免将旧索引添加为列

输出结果:

5.3 按照特定列的值排序:

按照索引列进行排序:

data.sort_index()

按照money的值进行排序:

data.sort_values(by="money",ascending = True)    # ascending默认为True,即升序.

输出结果:

5.4 分类显示

如果money列的值>=10, level列显示high,否则显示low:

data['level'] = np.where(data['money']>=10, 'high', 'low')
data

输出结果:

5.5 分组标记

data.loc[(data['level']=="high") & (data['origin']=="China"),"sign"]="棒"
data

输出结果:

5.6 切割数据

对date字段的值依次进行分列,并创建数据表,索引值为data的索引列,列名称为year\month\day。

data_split = pd.DataFrame((x.split('-') for x in data['date']), index=data.index, columns=['year','month','day'])
data_split

输出结果:

再与原数据表进行匹配:

pd.concat([data,data_split],axis=1)

输出结果:

6. 数据提取

下面这部分会比较绕:

loc函数按标签值进行提取,iloc按位置进行提取pandas.DataFrame.loc() 允许输入的值:

  • 单个标签,例如5或’a’,(请注意,5被解释为索引的标签,而不是沿索引的整数位置)。
  • 标签列表或数组,例如。[‘a’, ‘b’, ‘c’]
  • 具有标签的切片对象,例如’a’:‘f’,切片的开始和结束都包括在内。

更多关于pandas.DataFrame.loc的用法,戳下面官方链接:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.loc.html#pandas.DataFrame.loc

pandas.DataFrame.iloc()

允许输入的值:整数5、整数列表或数组[4,3,0]、整数的切片对象1:7

更多关于pandas.DataFrame.iloc的用法,戳下面官方链接:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.iloc.html#pandas.DataFrame.iloc

6.1 单行索引

data.loc[6]    # 提取索引值为6的那一行(即输出第7行)

输出结果:

data.iloc[6]    # 提取第7行

输出结果同上!

6.2 区域索引

6.2.1 用loc取连续的多行

提取索引值为2到索引值为4的所有行,即提取第3行到第5行,注意:此时切片的开始和结束都包括在内。

data.loc[2:4]

输出结果:

提取“2020-03-13”之前的所有数据

data.loc[:"2020-03-13"]

输出结果:

6.2.2 用loc取不连续的多行

提取索引值为2和索引值为4的所有行,即提取第3行和第5行。

data.loc[[2,4]]

输出结果:

6.2.3 用loc取具体值

data.loc[6,"id"]

输出结果:107

6.2.4 用iloc取连续的多行

提取第3行到第6行

data.iloc[2:6]

输出结果:

6.2.5 用iloc取连续的多行和多列

提取第3行到第6行,第4列到第5列的值,取得是行和列交叉点的位置。

data.iloc[2:6,3:5]

输出结果:

6.2.6 用iloc取不连续的多行和多列

提取第3行和第6行,第4列和第5列的交叉值

data.iloc[[2,6],[3,5]]

输出结果:

6.2.7 用iloc取具体值

提取第3行第7列的值

data.iloc[2,6]

输出结果:‘high’

总结:文字变代码,数值少1;代码变文字,数值加1;代码从0开始计数;文字从1开始计数。

6.3 值的判断

方式一:判断origin列的值是否为China

data['origin']=="China"

方式二:判断department列的值是否为水果

data['department'].isin(['水果'])

输出结果:

data['department'].isin(['水果']).sum()     # 对判断后的值进行汇总

输出结果:1

6.4 提取符合判断的值

data.loc[data['origin'].isin(['Thailand'])]    # 将产地是泰国的数据进行提取

输出结果:

7. 数据筛选

7.1 使用与、或、非进行筛选

将满足origin是China且money小于35这两个条件的数据,返回其id、date、money、product、department、origin值。

data.loc[(data['origin']=="China") & (data['money']<35),['id','date','money','product','department','origin']]

输出结果:

将满足origin是China或者money小于35这两个条件之中任意一个条件的数据,返回其id、date、money、product、department、origin值。

data.loc[(data['origin']=="China") | (data['money']<35),['id','date','money','product','department','origin']]

输出结果:

将满足origin是China且money不小于10这两个条件的数据,返回其id、date、money、product、department、origin值。

data.loc[(data['origin']=="China") != (data['money']<10),['id','date','money','product','department','origin']]

输出结果:

7.2 使用query函数进行筛选

data.query('department=="饮料"')              # 单个条件筛选
data.query('department==["饮料","零食"]')     # 多个条件筛选

输出结果:

更多关于pandas.DataFrame.query的用法,戳下面官方链接:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html

7.3 对结果进行计数求和

data.query('department=="饮料"').count()         # 对饮料类型的数据进行筛选后计数
data.query('department=="饮料"').money.count()   # 对筛选后的数据按照money进行计数

输出结果:2

data.query('department=="饮料"').money.sum()    # 在筛选后的数据中,对money进行求和

输出结果:9.0

8. 数据汇总

8.1 以department属性对所有列进行计数汇总

data.groupby("department").count()

输出结果:

8.2 以department属性分组之后,对id字段进行计数汇总

data.groupby("department")['id'].count()

输出结果:

8.3 以两个属性进行分组计数

data.groupby(["department","origin"]).count()

输出结果:

8.4 以department属性进行分组汇总并计算money的合计与均值

data.groupby("department")['money'].agg([len, np.sum, np.mean])

输出结果:

9. 数据统计

9.1 数据采样

pandas.DataFrame.sample(n = None,replace = False,weights = None)
  • n:样本数
  • replace:样本有无更换(有无放回)(默认不放回)
  • weights:权重

更多关于pandas.DataFrame.sample的用法,戳下面官方链接:https://pandas.pydata.org/pandas-docs/version/0.17.0/generated/pandas.DataFrame.sample.html

data.sample(3,replace=True,weights=[0.1,0.1,0.2,0.2,0.1,0.1,0.1,0.1,0,0])

输出结果:

9.2 描述性统计

data.describe().round(2).T      # round表示小数位数,T表示转置(这一函数之前提及过)

输出结果:

9.3 计算标准差

data['money'].std()

输出结果:18.14754345175493

9.4 计算协方差

data.cov()

输出结果:

9.5 相关性分析

data.corr()

输出结果:

思维导图

本文分享自微信公众号 - 凹凸数据(alltodata),作者:雅痞绅士JM

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-04-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 通过空气质量指数AQI学习统计分析并进行预测(上)

    AQI(空气质量指数),用来衡量空气清洁或者污染的程度。值越小,表示空气质量越好。近年来,因为环境问题,空气质量也越来越受到人们的重视。

    朱小五
  • 超全的pandas数据分析常用函数总结:上篇

    基础知识在数据分析中就像是九阳神功,熟练的掌握,加以运用,就可以练就深厚的内力,成为绝顶高手自然不在话下!

    朱小五
  • 时间序列ARMA和ARIMA

    首发于CSDN:https://blog.csdn.net/qq_33333002/article/details/106171234

    朱小五
  • WordPress发布/更新文章、提交/审核评论自动清理VeryCloud缓存

    上一篇文章分享了WordPress 发布文章评论自动刷新腾讯云 CDN 的教程,而博客现在还用到了 VeryCloud 的 CDN,正好有朋友在文章后面留言说 ...

    张戈
  • 使用脚手架应用做单元测试

    因为后台service比较复杂,需要三个不同的实例协同工作,所以之前Oliver开发了Scaffolding App这个Angular前端,目的是方便我们随时测...

    Jerry Wang
  • 使用 Python 实现几种常见的排序算法

    冒泡排序是最为基础的排序算法,其核心思想就是相邻元素两两比较,把较大的元素放到后面,在一轮比较完成之后,最大的元素就位于最后一个位置了,就好像是气泡,慢慢的浮出...

    周萝卜
  • 讲讲切比雪夫定理

    前面讲了大数定理,讲了中心极限定理,有读者留言让讲讲切比雪夫定理,安排。这一篇就来讲讲切比雪夫定理。

    张俊红
  • C++ string实现

    作为C++从业者,我相信都会被考察过实现简单的string类,包括构造、析构、拷贝构造以及赋值拷贝等,因为这能够很好的考察面试者的C++基本功。借看《剑指off...

    evenleo
  • R分类算法-Logistic回归算法

    逻辑回归 Logistic Regression 所谓LR,就是一个被Logistic方程归一化后的线性回归,可以将非线性的问题转化为线性问题。 优点: ...

    Erin
  • R分类算法-神经网络算法

    神经网络(Artifical Neural Network) 神经网络(人工神经网络),是一种模仿生物网络(动物的中枢神经系统,特别是大脑)的结构和功能的数学模...

    Erin

扫码关注云+社区

领取腾讯云代金券