pandas数据处理

pandas数据处理

以下命令都是在浏览器中输入。

cmd命令窗口输入：jupyter notebook

打开浏览器输入网址http://localhost:8888/

导入模块

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

1、删除重复元素

使用duplicated()函数检测重复的行，返回元素为布尔类型的Series对象，每个元素对应一行，如果该行不是第一次出现，则元素为True

• keep参数：指定保留哪一重复的行数据

  • 取值范围：{‘first’, ‘last’, False}, default ‘first’

  keep=False表示取全部重复的行

df1=DataFrame(data=np.random.randint(0,100,size=(4,5)),
             index=['A','B','C','D'],
             columns=['x','y','z','k','j'])
df1

#修改'B'和'D'行数据为相同值
df1.loc['B']=33
df1.loc['D']=33
df1

1.1 使用duplicated查看重复元素行

#保留第一行重复值
df1.duplicated(keep='first')

只有’D’行为True，说明’D’行的数值与其它行是重复的。

1.2 获取重复行的DataFrame的行索引

indexs=df1.loc[df1.duplicated(keep='first')].index
indexs

结果为：
Index(['B', 'D'], dtype='object')

1.3 使用drop（indexs）删除重复行

#inplace=True,把结果作用于原表df1
df1.drop(indexs,axis=0,inplace=True)
df1

2、 映射

映射的含义：创建一个映射关系列表（一般用字典表示），把values元素和一个特定的标签或者字符串绑定（给一个元素值提供不同的表现形式）

包含三种操作：

• replace()函数：替换元素
• 最重要：map()函数：新建一列
• rename()函数：替换索引

2.1 replace()函数：替换元素

使用replace()函数，对values进行映射操作。

参数inplace默认值为False,映射；

inplace=True，替换 。

2.1.1 Series映射操作

• 单值映射
  
  • 普通映射
  • 字典映射(推荐）
• 多值映射
  
  • 列表映射
  • 字典映射（推荐）
• 参数
  
  • to_replace:被映射的元素
  • inplace默认为False，表示映射，inplace=True表示替换
  • method：对指定的值使用相邻的值填充映射
  • limit：设定填充次数

1）单值普通映射

s1=Series(data=[3,8,5,8,6])
s1

s1.replace(to_replace=8,value='eight')

只是做一个映射，s1没有被改变

2）多值列表替换

s1.replace(to_replace=[3,5],value=['three','five'])

3）多值字典替换

s1.replace(to_replace={5:'five',8:'eight'})

4） 使用参数method和limit

method=‘bfill’表示用后面的值填充

method=‘ffill’表示用前面的值填充

limit表示填充的个数

s=Series(data=[1,2,2,2,3,4])
s

#向后填充，只填充一次
s.replace(to_replace=2,method='bfill',limit=1)

只有一个2被后面的3映射，其它的没有被映射。

2.1.2 DataFrame映射操作

• 单值映射

  • 普通映射： 映射所有符合要求的元素:to_replace=15,value=’e’
  • 按列指定单值映射： to_replace={列标签：映射值} value=’value’

• 多值映射

  • 列表映射: to_replace=[] value=[]
  • 字典映射（推荐） to_replace={to_replace:value,to_replace:value}

注意：DataFrame中，无法使用method和limit参数

1）单值映射

普通映射

df1=DataFrame(data=np.random.randint(0,100,size=(4,5)),
             index=['A','B','C','D'],columns=['x','y','z','k','j'])
df1

df1.replace(to_replace=33,value='thirty')

按列指定单值映射：

df1.replace(to_replace={'z':33},value='thirtyThree')

2）多值映射

df1.replace(to_replace=[33,6],value=['thirty','six'])

注意：DataFrame中，无法使用method和limit参数

2.2 map()函数：新建一列

map函数并不是df的方法，而是series的方法

• map(字典) 字典的键要足以匹配所有的数据，否则出现NaN: —df[‘c’].map({85:’bw’,100:’yb’})
• map()可以映射新一列数据
• map()中可以使用lambd表达式

• map()中可以使用方法，可以是自定义的方法

  eg:map({to_replace:value})

• 注意 map()中不能使用sum之类的函数，for循环

2.2.1 新增一列

dic={
    'name':['张三','李四'],
    'salary':[4000,7000]
}
df=DataFrame(data=dic)
df

#给张三和李四映射一个英文名，并把添加一列英文名
e_name=df.name.map({'张三':'Tom','李四':'Jay'})
df['e_name']=e_name
df

2.2.2 使用lambda表达式

map()函数可以当做一种运算工具，至于执行何种运算，是由map函数的参数决定的（参数：lambda，函数）

#定义一个缴纳个人所得税函数
#当薪资大于3000时，超过的部分缴纳50%的税
def afterSalary(s):
    if s> 3000:
        return s-(s-3000)*0.5
    return s

after_salary=df.salary.map(afterSalary)
df['after_salary']=after_salary
df

使用lambda匿名函数：

after_salary=df.salary.map(lambda s: s if s <=3000 else s-(s-3000)*0.5 )
df['after_salary']=after_salary
df

注意：并不是任何形式的函数都可以作为map的参数。只有当一个函数具有一个参数且有返回值，那么该函数才可以作为map的参数。

2.3 rename()函数：替换索引

使用rename()函数替换行索引

• index 替换行索引
• columns 替换列索引

df4 = DataFrame({'color':['white','gray','purple','blue','green'],
                'value':np.random.randint(10,size = 5)})
df4

#替换行索引和列索引
new_index = {0:'first',1:'two',2:'three',3:'four',4:'five'}
new_col={'color':'cc','value':'vv'}
df4.rename(new_index,columns=new_col)

只是做了一个映射，df4的值没有改变，如果想要改变，那么使用inplace=True

df4.rename(new_index,columns=new_col,inplace=True)
df4

3、 使用聚合操作对数据异常值检测和过滤

使用df.std()函数可以求得DataFrame对象每一列的标准差

• 创建一个1000行3列的df 范围（0-1），求其每一列的标准差

#随机产生一个DataFrame
df=DataFrame(data=np.random.random(size=(1000,3)),
                                columns=['A','B','C'])
df.head()

df.std(axis=0)

对每一列应用筛选条件,去除标准差太大的数据:

假设过滤条件为 C列数据大于两倍的C列标准差

#题目可以理解成保留C列数据小于两倍的C列标准差的数据
#获取行索引
indexs=df['C'] < df['C'].std()*2
#根据行索引得到新的DataFrame
df.loc[df['C'] < df['C'].std()*2

4、 排序

4.1、使用.take()函数排序

• take()函数接受一个索引列表，用数字表示,使得df根据列表中索引的顺序进行排序
• eg:df.take([1,3,4,2,5])

#随机生成一个二维数组
df=DataFrame(data=np.random.randint(0,100,size=(4,5)))
df

#对列索引进行重新排序
df.take([4,3,2,1,0],axis=1)

#对行索引进行重新排序
df.take([3,2,1,0],axis=0)

take(indices)中的索引参数indices元素个数可以是多个，但取值范围必须是df中已存在的索引。

#多个元素索引
df.take([3,2,1,0,3,1],axis=0)

• np.random.permutation(x)可以生成x个从0-x的随机数列

#随机生成数列
np.random.permutation(5)
结果为：
array([0, 4, 2, 1, 3])

#np.random.permutation()与df.take()搭配使用，可达到随机打乱索引的目的
#在随机抽样中经常用到
df.take(np.random.permutation(5),axis=1)

4.2 随机抽样

当DataFrame规模足够大时，直接使用np.random.permutation(x)函数，配合take()函数实现随机抽样 。

#创建一个5行1000列的二维数组
df=DataFrame(data=np.random.randint(60,100,size=(5,1000)))
df.head()

#随机抽样
df1=df.take(np.random.permutation(1000),axis=1)
df1.head()

5、 数据分类处理【重点】

数据聚合是数据处理的最后一步，通常是要使每一个数组生成一个单一的数值。

数据分类处理：

• 分组：先把数据分为几组
• 用函数处理：为不同组的数据应用不同的函数以转换数据
• 合并：把不同组得到的结果合并起来

数据分类处理的核心：

• groupby()函数

• groups属性查看分组情况

5.1 分组

#创建二维数组
df = DataFrame({'item':['Apple','Banana','Orange','Banana','Orange','Apple'],
                'price':[4,3,3,2.5,4,2],
               'color':['red','yellow','yellow','green','green','green'],
               'weight':[12,20,50,30,20,44]})
df

#该函数可以进行数据的分组，但是不显示分组情况
#按'item'进行分组
df.groupby(by='item')
结果为：
<pandas.core.groupby.DataFrameGroupBy object at 0x000001BE351B0630>

5.2 查看分组

#使用goups属性查看分组情况
df.groupby(by='item').groups

按’item’分成了3组。

5.3 分组后的聚合操作

• 分组后的聚合操作：

  分组后的成员中可以被进行运算的值会进行运算，不能被运算的值不进行运算

  比如求均值，只有数值型字段才能进行运算，而字符型字段不能进行运算，也不会进行运算。

#求分组后的均值
df.groupby(by='item').mean()

groupby()中的参数by是根据哪个索引进行分组。

5.3.1 求分组后价格的均值

df.groupby(by='item')['price'].mean()

5.3.2 对分组后价格的均值进行map映射

mean_price=df.item.map(df.groupby(by='item')['price'].mean())
mean_price

5.3.3 把映射结果添加到df

df['mean_price']=mean_price
df

5.3.4 计算出苹果的平均价格

方式一：

#先对'item'分组，然后对'price'求均值，最后取'Apple'的均值
df.groupby(by='item')['price'].mean()['Apple']

结果为：3.0

方式二：

##先对'item'分组，然后求均值，最后取'Apple'中的'price'的均值
df.groupby(by='item').mean().loc['Apple','price']

结果为：3.0

推荐使用方式一，方式二先计算全部能够进行计算的列索引的均值，耗费性能。

5.3.5 找出哪些行是苹果的信息 使用==进行判断

#获取'Apple'的行索引
df['item']=='Apple'

#根据行索引获取信息
df.loc[df['item']=='Apple']

5.3.6 按颜色查看各种颜色的水果的平均价格

color_price_mean=df.groupby(by='color')['price'].mean()
color_price_mean

1）使用reset_index()把索引转成列

color_price_mean.reset_index()

5.3.7 汇总:将各种颜色水果的平均价格和df进行汇总

1）使用map对’color’列索引进行映射，然后汇总

df['color_price_mean']=df.color.map(color_price_mean)
df

注意：当df中的某列中只有一个None时，pd可以将其转换成np.nan,但是如果存在连续多个None则pd不会进行NAN的转换。

6、 高级数据聚合

使用groupby分组后，也可以使用transform和apply提供自定义函数实现更多的运算

• df.groupby(‘item’)[‘price’].sum() <==> df.groupby(‘item’)[‘price’].apply(sum)
• transform和apply都会进行运算，在transform或者apply中传入函数即可
• transform和apply也可以传入一个lambda表达式

#创建二维数组
df = DataFrame({'item':['Apple','Banana','Orange','Banana','Orange','Apple'],
                'price':[4,3,3,2.5,4,2],
               'color':['red','yellow','yellow','green','green','green'],
               'weight':[12,20,50,30,20,44]})
df

6.1 apply函数

使用apply函数求出水果的平均价格

#按'item'列索引进行分组，取'price'这一属性进行聚合操作
#apply(sum)中的sum是内置的求和函数的函数名
#对分组后的'price'求和后除以2，得到平均值
df.groupby(by='item')['price'].apply(sum)/2

#sum()<===>apply(sum)
df.groupby(by='item')['price'].sum()/2

6.2自制定一个求平均数的函数

def my_mean(s):
    sum=0
    for i in s:
        sum+=i
    return sum/s.size

df.groupby(by='item')['price'].apply(my_mean)

6.3 transform函数

m=df.groupby(by='item')['price'].transform(my_mean)
m

汇总：

df['transform_mean']=m
df

注意

• transform 会自动匹配列索引返回值，不去重
• apply 会根据分组情况返回值，去重

7、query()查询数据

df.query(expr):expr为查询条件

df.query('color=="red"')

#条件与使用&
df.query('color=="yellow" & item=="Banana"')

#条件或使用|
df.query('color=="yellow" | item=="Banana"')