前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >快速介绍Python数据分析库pandas的基础知识和代码示例

快速介绍Python数据分析库pandas的基础知识和代码示例

作者头像
deephub
发布2020-07-29 10:41:28
8K0
发布2020-07-29 10:41:28
举报
文章被收录于专栏:DeepHub IMBADeepHub IMBA

“软件工程师阅读教科书作为参考时不会记住所有的东西,但是要知道如何快速查找重·要的知识点。”

为了能够快速查找和使用功能,使我们在进行机器学习模型时能够达到一定流程化。我创建了这个pandas函数的备忘单。这不是一个全面的列表,但包含了我在构建机器学习模型中最常用的函数。让我们开始吧!

本附注的结构:

  • 导入数据
  • 导出数据
  • 创建测试对象
  • 查看/检查数据
  • 选择查询
  • 数据清理
  • 筛选、排序和分组
  • 统计数据

首先,我们需要导入pandas开始:

代码语言:javascript
复制
 import pandas as pd

导入数据

使用函数pd.read_csv直接将CSV转换为数据格式。

注意:还有另一个类似的函数pd。read_excel用于excel文件。

代码语言:javascript
复制
 # Load data
 df = pd.read_csv('filename.csv') # From a CSV file
 df = pd.read_excel('filename.xlsx') # From an Excel file

导出数据

to_csv()将数据存储到本地的文件。我们可以通过df[:10].to_csv()保存前10行。我们还可以使用df.to_excel()保存和写入一个DataFrame到Excel文件或Excel文件中的一个特定表格。

代码语言:javascript
复制
 df.to_csv('filename.csv') # Write to a CSV file
 df.to_excel('filename.xlsx') # Write to an Excel file

创建测试对象

从输入的数据建立一个DataFrame

代码语言:javascript
复制
 # Build data frame from inputted data
 df = pd.DataFrame(data = {'Name': ['Bob', 'Sally', 'Scott', 'Katie'],
  'Physics': [68, 74, 77, 78],
  'Chemistry': [84, 100, 73, 90],
  'Algebra': [78, 88, 82, 87]})

或者从列表中创建一个series

代码语言:javascript
复制
 #  Create a series from an iterable my_list
 my_list = [['Bob',78],
           ['Sally',91],
           ['Scott',62],
           ['Katie',78],
           ['John',100]]
 df1 = pd.Series(my_list) # Create a series from an iterable my_list

查看/检查数据

head():显示DataFrame中的前n条记录。我经常把一个数据档案的最上面的记录打印在我的jupyter notebook上,这样当我忘记里面的内容时,我可以回头查阅。

代码语言:javascript
复制
 df.head(3) # First 3 rows of the DataFrame

tail():返回最后n行。这对于快速验证数据非常有用,特别是在排序或附加行之后。

代码语言:javascript
复制
 df.tail(3) # Last 3 rows of the DataFrame

添加或插入行

要向DataFrame追加或添加一行,我们将新行创建为Series并使用append()方法。

在本例中,将新行初始化为python字典,并使用append()方法将该行追加到DataFrame。

在向append()添加python字典类型时,请确保传递ignore_index=True,以便索引值不会被使用。生成的轴将被标记为编号series0,1,…, n-1,当连接的数据使用自动索引信息时,这很有用。

append() 方法的作用是:返回包含新添加行的DataFrame。

代码语言:javascript
复制
 #Append row to the dataframe, missing data (np.nan)
 new_row = {'Name':'Max', 'Physics':67, 'Chemistry':92, 'Algebra':np.nan}
 df = df.append(new_row, ignore_index=True)

向DataFrame添加多行

代码语言:javascript
复制
 # List of series  
 list_of_series = [pd.Series(['Liz', 83, 77, np.nan], index=df.columns),
                 pd.Series(['Sam', np.nan, 94,70], index=df.columns ),
                 pd.Series(['Mike', 79,87,90], index=df.columns),
                 pd.Series(['Scott', np.nan,87,np.nan], index=df.columns),]
 # Pass a list of series to the append() to add multiple rows
 df = df.append(list_of_series , ignore_index=True)

我们也可以添加新的列

代码语言:javascript
复制
 # Adding a new column to existing DataFrame in Pandas
 sex = ['Male','Female','Male','Female','Male','Female','Female','Male','Male']
 df['Sex'] = sex

info()函数用于按列获取标题、值的数量和数据类型等一般信息。一个类似但不太有用的函数是df.dtypes只给出列数据类型。

代码语言:javascript
复制
 df.info() #Index, Datatype and Memory information
代码语言:javascript
复制
 # Check data type in pandas dataframe
 df['Chemistry'].dtypes
 >>> dtype('int64')#  Convert Integers to Floats in Pandas DataFrame
 df['Chemistry'] = df['Chemistry'].astype(float)
 df['Chemistry'].dtypes
 >>> dtype('float64')# Number of rows and columns
 df.shape
 >>> (9, 5)

value_counts()函数的作用是:获取一系列包含唯一值的计数。

代码语言:javascript
复制
 # View unique values and counts of Physics column
 df['Physics'].value_counts(dropna=False)

选择

在训练机器学习模型时,我们需要将列中的值放入X和y变量中。

代码语言:javascript
复制
 df['Chemistry'] # Returns column with label 'Chemistry' as Series
代码语言:javascript
复制
 df[['Name','Algebra']] # Returns columns as a new DataFrame
代码语言:javascript
复制
 df.iloc[0] # Selection by position
代码语言:javascript
复制
df.iloc[:,1] # Second column 'Name' of data frame
代码语言:javascript
复制
df.iloc[0,1] # First element of Second column
>>> 68.0

数据清理

rename()函数在需要重命名某些选定列时非常有用,因为我们只需要指定要重命名的列的信息。

代码语言:javascript
复制
# Rename columns
df = df.rename({'Name':'Student','Algebra':'Math'}, axis='columns')

在DataFrame中,有时许多数据集只是带着缺失的数据的,或者因为它存在而没有被收集,或者它从未存在过。

NaN(非数字的首字母缩写)是一个特殊的浮点值,所有使用标准IEEE浮点表示的系统都可以识别它

pandas将NaN看作是可互换的,用于指示缺失值或空值。有几个有用的函数用于检测、删除和替换panda DataFrame中的空值。

代码语言:javascript
复制
# Checks for null Values, Returns Boolean Arrray
check_for_nan = df.isnull()

要检查panda DataFrame中的空值,我们使用isnull()或notnull()方法。方法返回布尔值的数据名,对于NaN值为真。在相反的位置,notnull()方法返回布尔值的数据,对于NaN值是假的。

代码语言:javascript
复制
value = df.notnull() # Opposite of df2.isnull()

我们使用dropna()函数删除所有缺少值的行。

代码语言:javascript
复制
drop_null_row = df.dropna() # Drop all rows that contain null values

有时,我们可能只是想删除缺失值的列。

代码语言:javascript
复制
# Drop all columns that contain null values
drop_null_col = df.dropna(axis=1)

我们可以使用fillna()来填充缺失的值。例如,我们可能想用0替换' NaN '。

代码语言:javascript
复制
replace_null = df.fillna(0) # Replace all null values with 0

或者用平均值替换NaN。

代码语言:javascript
复制
# Replace all null values with the mean (mean can be replaced with almost any function from the statistics module)
df = round(df.fillna(df.mean()),2)

方法可用于替换DataFrame中的值

代码语言:javascript
复制
one = df.replace(100,'A') # Replace all values equal to 1 with 'one'

筛选、排序和分组

找到看到物理成绩达到80或80以上的学生

代码语言:javascript
复制
fil_80 = df[df['Physics'] > 80]

学生在化学考试中得到80分或更高的分数,数学考试中却不到90分

代码语言:javascript
复制
fil = df[(df['Chemistry'] > 80) & (df['Math'] < 90)]

sort_values ()可以以特定的方式对pandas数据进行排序。通常回根据一个或多个列的值对panda DataFrame进行排序,或者根据panda DataFrame的行索引值或行名称进行排序。

例如,我们希望按学生的名字按升序排序。

代码语言:javascript
复制
ascending = df.sort_values('Student')

化学分数按降序排列

代码语言:javascript
复制
descending = df.sort_values('Chemistry',ascending=False)

更复杂一点的,我们希望按物理分数的升序排序,然后按化学分数的降序排序。

代码语言:javascript
复制
df.sort_values(['Physics','Chemistry'],ascending=[True,False])

groupby 是一个非常简单的概念。我们可以创建一组类别,并对类别应用一个函数。这是一个简单的概念,但却是我们经常使用的极有价值的技术。Groupby的概念很重要,因为它能够有效地聚合数据,无论是在性能上还是在代码数量上都非常出色。

通过性别进行分组

代码语言:javascript
复制
group_by = df.groupby(['Sex']) # Returns a groupby object for values from one column
group_by.first() # Print the first value in each group

计算性别分组的所有列的平均值

代码语言:javascript
复制
average = df.groupby(‘Sex’).agg(np.mean)

统计数据

我们可能熟悉Excel中的数据透视表,可以轻松地洞察数据。类似地,我们可以使用panda中可用的pivot_table()函数创建Python pivot表。该函数与group_by()函数非常相似,但是提供了更多的定制。

假设我们想按性别将值分组,并计算物理和化学列的平均值和标准差。我们将调用pivot_table()函数并设置以下参数:

index设置为 'Sex',因为这是来自df的列,我们希望在每一行中出现一个唯一的值

values值为'Physics','Chemistry' ,因为这是我们想应用一些聚合操作的列

aggfunc设置为 'len','np.mean','np.std

代码语言:javascript
复制
pivot_table = df.pivot_table(index='Sex',
                             values=['Physics','Chemistry'],
                             aggfunc=[len, np.mean, np.std])

注意:使用len的时候需要假设数据中没有NaN值。

description()用于查看一些基本的统计细节,如数据名称或一系列数值的百分比、平均值、标准值等。

代码语言:javascript
复制
df.describe() # Summary statistics for numerical columns

使用max()查找每一行和每列的最大值

代码语言:javascript
复制
# Get a series containing maximum value of each row
max_row = df.max(axis=1)
代码语言:javascript
复制
# Get a series containing maximum value of each column without skipping NaN
max_col = df.max(skipna=False)

类似地,我们可以使用df.min()来查找每一行或每列的最小值。

其他有用的统计功能:

sum():返回所请求的轴的值的总和。默认情况下,axis是索引(axis=0)。

mean():返回平均值

median():返回每列的中位数

std():返回数值列的标准偏差。

corr():返回数据格式中的列之间的相关性。

count():返回每列中非空值的数量。

总结

我希望这张小抄能成为你的参考指南。当我发现更多有用的Pandas函数时,我将尝试不断地对其进行更新。本文的代码

https://github.com/Nothingaholic/Python-Cheat-Sheet/blob/master/pandas.ipynb

作者:XuanKhanh Nguyen

deephub翻译组

DeepHub

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2020-07-24,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 DeepHub IMBA 微信公众号,前往查看

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

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 导入数据
  • 导出数据
  • 创建测试对象
  • 查看/检查数据
  • 添加或插入行
  • 选择
  • 数据清理
  • 筛选、排序和分组
  • 统计数据
  • 总结
相关产品与服务
数据保险箱
数据保险箱(Cloud Data Coffer Service,CDCS)为您提供更高安全系数的企业核心数据存储服务。您可以通过自定义过期天数的方法删除数据,避免误删带来的损害,还可以将数据跨地域存储,防止一些不可抗因素导致的数据丢失。数据保险箱支持通过控制台、API 等多样化方式快速简单接入,实现海量数据的存储管理。您可以使用数据保险箱对文件数据进行上传、下载,最终实现数据的安全存储和提取。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档