关于pandas 专项学习01

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