一 Pandas 理论基础
1 Pandas库是利用python进行数据分析时最为重要的一个库,前面介绍的Numpy库主要是为数据分析提供科学计算方面的数学运算函数等,而Pandas库则是对所需分析数据进行整理以便友好地展现给数据分析人员,从而更好的使用Numpy来进行数学统计处理。
在逻辑顺序上,Pandas库数据整理在前,Numpy库数据处理在后。
2 Pandas库提供的数据结构基本上能够满足进行数据分析时的正常需要,来看看它的部分功能:
(1)利用不同的轴编号对数据进行运算;
(2)灵活查找处理缺失数据;
(3)集成时间序列功能;
(4)处理时间序列数据、非时间序列数据的数据结构;
(5)具备按轴自动或显示数据对其功能的数据结构,以防止许多由于数据未对齐以及来自不同数据源(索引方式不同)的数据而导致的常见错误;
(6)合并及其他出现在常见数据库中的关系型运算。
3 使用Pandas库时不得不掌握这两种主要数据结构:Series及DataFrame,上面所提及到的功能都是基于这两种数据结构来实现的,当然了,功能包括但不限于这些功能。小编以后分享的文章内容也是给予这两种数据结构。
简单认识一下它们:
Series是一种类似于一维数组的对象,就像前面所分享的Numpy一维数组的形式,但是和它不同的是,Series不仅包括数据本身,同时还包括与数据相对应的数据标签(可以理解为是每一个元素的位置索引)。 类似带有键值对(索引和数据)的列表
In [106]: Series(['a','b','c','d'])
Out[106]:
0 a
1 b
2 c
3 d
dtype: object
以上代码示例的是一个简单的Series,右侧的abcd为数据本身,而左侧的1234就是与之相对应的数据标签。
DataFrame是一个表格型的数据结构,类似于我们常见的excel表格,数据呈行列分布,同时与之对应的也有行索引列索引,不同列或同列中的元素可以是不同的数据类型,DataFrame数据结构其实是由多个Series组成的。
In [110]: data = {'age':[12,11,13,14],
...: 'gender':[1,0,'男','女']}
In [111]: df = DataFrame(data)
In [112]: df
Out[112]:
age gender
0 12 1
1 11 0
2 13 男
3 14 女
以上代码是一个简单的DataFrame,它是由字典转化而创建的,数据内容只是为了解释说明概念中的一些问题,可以看出,列之间及其内部的数据元素类型是不同的。
如果你想学习Pandas,建议先看两个网站。
(1)官网:Python Data Analysis Library
(2)十分钟入门Pandas:10 Minutes to pandas
在第一次学习Pandas的过程中,你会发现你需要记忆很多的函数和方法。所以在这里我们汇总一下Pandas官方文档中比较常用的函数和方法,以方便大家记忆。同时,我们提供一个PDF版本,方便大家打印。pandas-cheat-sheet.pdf
二 关键缩写和包导入
在这个速查手册中,我们使用如下缩写:
df:任意的Pandas DataFrame对象
s:任意的Pandas Series对象
同时我们需要做如下的引入:
import pandas as pd
import numpy as np
导入数据
- pd.read_csv(filename):从CSV文件导入数据
- pd.read_table(filename):从限定分隔符的文本文件导入数据
- pd.read_excel(filename):从Excel文件导入数据
- pd.read_sql(query, connection_object):从SQL表/库导入数据
- pd.read_json(json_string):从JSON格式的字符串导入数据
- pd.read_html(url):解析URL、字符串或者HTML文件,抽取其中的tables表格
- pd.read_clipboard():从你的粘贴板获取内容,并传给read_table()
- pd.DataFrame(dict):从字典对象导入数据,Key是列名,Value是数据
导出数据
- df.to_csv(filename):导出数据到CSV文件
- df.to_excel(filename):导出数据到Excel文件
- df.to_sql(table_name, connection_object):导出数据到SQL表
- df.to_json(filename):以Json格式导出数据到文本文件
创建测试对象
- pd.DataFrame(np.random.rand(20,5)):创建20行5列的随机数组成的DataFrame对象
- pd.Series(my_list):从可迭代对象my_list创建一个Series对象
- df.index = pd.date_range('1900/1/30', periods=df.shape[0]):增加一个日期索引
查看、检查数据
- df.head(n):查看DataFrame对象的前n行
- df.tail(n):查看DataFrame对象的最后n行
- df.shape():查看行数和列数
- http://df.info():查看索引、数据类型和内存信息
- df.describe():查看数值型列的汇总统计
- s.value_counts(dropna=False):查看Series对象的唯一值和计数
- df.apply(pd.Series.value_counts):查看DataFrame对象中每一列的唯一值和计数
数据选取
- df[col]:根据列名,并以Series的形式返回列
- df[[col1, col2]]:以DataFrame形式返回多列
- s.iloc[0]:按位置选取数据
- s.loc['index_one']:按索引选取数据
- df.iloc[0,:]:返回第一行
- df.iloc[0,0]:返回第一列的第一个元素
数据清理
- df.columns = ['a','b','c']:重命名列名
- pd.isnull():检查DataFrame对象中的空值,并返回一个Boolean数组
- pd.notnull():检查DataFrame对象中的非空值,并返回一个Boolean数组
- df.dropna():删除所有包含空值的行
- df.dropna(axis=1):删除所有包含空值的列
- 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DataFrame对象中所有的空值
- s.astype(float):将Series中的数据类型更改为float类型
- s.replace(1,'one'):用‘one’代替所有等于1的值
- s.replace([1,3],['one','three']):用'one'代替1,用'three'代替3
- df.rename(columns=lambda x: x + 1):批量更改列名
- df.rename(columns={'old_name': 'new_ name'}):选择性更改列名
- df.set_index('column_one'):更改索引列
- df.rename(index=lambda x: x + 1):批量重命名索引
数据处理:Filter、Sort和GroupBy
- df[df[col] > 0.5]:选择col列的值大于0.5的行
- df.sort_values(col1):按照列col1排序数据,默认升序排列
- df.sort_values(col2, ascending=False):按照列col1降序排列数据
- df.sort_values([col1,col2], ascending=[True,False]):先按列col1升序排列,后按col2降序排列数据
- df.groupby(col):返回一个按列col进行分组的Groupby对象
- df.groupby([col1,col2]):返回一个按多列进行分组的Groupby对象
- df.groupby(col1)[col2]:返回按列col1进行分组后,列col2的均值
- df.pivot_table(index=col1, values=[col2,col3], aggfunc=max):创建一个按列col1进行分组,并计算col2和col3的最大值的数据透视表
- df.groupby(col1).agg(np.mean):返回按列col1分组的所有列的均值
- data.apply(np.mean):对DataFrame中的每一列应用函数np.mean
- data.apply(np.max,axis=1):对DataFrame中的每一行应用函数np.max
数据合并
- df1.append(df2):将df2中的行添加到df1的尾部
- df.concat([df1, df2],axis=1):将df2中的列添加到df1的尾部
- df1.join(df2,on=col1,how='inner'):对df1的列和df2的列执行SQL形式的join
数据统计
- df.describe():查看数据值列的汇总统计
- df.mean():返回所有列的均值
- df.corr():返回列与列之间的相关系数
- df.count():返回每一列中的非空值的个数
- df.max():返回每一列的最大值
- df.min():返回每一列的最小值
- df.median():返回每一列的中位数
- df.std():返回每一列的标准差