pandas模块是python用于数据导入与整理的模块,对数据挖掘前期数据的处理工作十分有用。
pandas模块的数据结构主要有两种:
1.Series
2.DataFrame
Series
注:以下的所有pandas都简称为pd(import pandas as pd)
- 介绍:
series结构是一个一维的标签矩阵,类似于python里面的字典key-value结构。 - 常用方法:
创建Series对象
# 用列表创建series对象
array=[" 粉条 " , " 粉丝 " , " 粉带 " ]
s1=pd.series(data=array)
print(s1)
"""
0 粉条
1 粉带
2 粉丝
dtype: object
"""
# 如果不指定索引默认从0开始,dtype为数据的类型
ss1=pd.Series(data=array,index=[ ' A ' , ' B ' , ' C '])
print(ss1)
"""
A 粉条
B 粉带
C 粉丝
dtype: object
"""
# 通过numpy的对象Ndarray创建Series:
n=np.random.randn(5) # 随机创建一个ndarray对象;
s2=pd.Series(data=n)
print(s2)
"""
0 -1.387049
1 -0.527612
2 -0.389382
3 0.549090
4 0.122328
dtype: float64
"""
# 修改元素的数据类型
ss2=s2.astype(np.int) # 也可以修改为nan缺失值
print(ss2)
"""
0 -1
1 0
2 0
3 0
4 0
dtype: int64
"""
# 通过字典创建Series对象
dict={string.ascii_lowercase[i]:i for i in range(10)}
s3=pd.Series(dict)
print(s3)
"""
a 0
b 1
c 2
d 3
e 4
f 5
g 6
h 7
i 8
j 9
dtype: int64
"""
对Series元素进行操作
array=[' 粉条 ' , ' 粉丝 ' , ' 粉带 ']
s1=pd.Series()
# 修改Series的索引值,默认索引为0,1,2,3...
s1.index=[ 'A' , 'B' , 'C']
print(s1)
"""
A 粉条
B 粉带
C 粉丝
dtype: object
"""
# Series纵向拼接
array=[' 粉条 ' , ' 粉丝 ' , ' 粉带 ']
s2=pd.Series(data=array)
s3=s1.append(s2)
print(s3)
"""
A 粉条
B 粉带
C 粉丝
0 粉条
1 粉带
2 粉丝
dtype: object
"""
#删除指定索引对应的元素
s3=s3.drop('C')
print(s3)
"""
A 粉条
B 粉带
0 粉条
1 粉带
2 粉丝
dtype: object
"""
# 根据指定的索引查找元素
print(s3['B'])
"""
粉带
"""
# 切片操作
print(s3[:2])
"""
A 粉条
B 粉带
dtype: object
"""
print(s3[::2])
"""
2 粉丝
1 粉带
0 粉条
B 粉带
A 粉条
dtype: object
"""
print(s3[-2:])
"""
1 粉带
2 粉丝
dtype: object
"""
Series运算(Series中的很多运算与numpy的方法一致)
s1 = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))
s2 = pd.Series(np.arange(2, 8), index=list(string.ascii_lowercase[2:8]))
print(s1)
print(s2)
"""
a 0
b 1
c 2
d 3
e 4
dtype: int64
c 2
d 3
e 4
f 5
g 6
h 7
dtype: int64
"""
# 按照对应的索引进行计算,如果索引不同则填充为nan
# 加法 下面两种方法效果一样,任选一种即可
print(s1 + s2)
print(s1.add(s2))
"""
a NaN
b NaN
c 4.0
d 6.0
e 8.0
f NaN
g NaN
h NaN
dtype: float64
"""
# 减法,乘法,除法同理
# 减法
print(s1-s2)
print(s1.sub(s2))
# 乘法
print(s1*s2)
print(s1.mul(s2))
# 除法
print(s1/s2)
print(s1.div(s2))
# 求中位数
print(s1)
print(s1.median())
"""
a 0
b 1
c 2
d 3
e 4
dtype: int64
2.0
"""
# 求和
print(s1.sum())
# 最大值
print(s1.max())
# 最小值
print(s1.min())
特殊的where方法(Series中的where方法与numpy的where方法结论刚好相反)
s1 = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))
print(s1)
"""
a 0
b 1
c 2
d 3
e 4
dtype: int64
"""
print(s1.where(s1 > 3))
"""
a NaN
b NaN
c NaN
d NaN
e 4.0
dtype: float64
"""
# 对象中不大于三的元素赋值,与numpy相反
print(s1.where(s1 > 3 , 10))
"""
a 10
b 10
c 10
d 10
e 4
dtype: int64
"""
# 给对象中大于三的元素赋值使用mask方法
print(s1.mask(s1 > 3 , 10))
"""
a 0
b 1
c 2
d 3
e 10
dtype: int64
"""
DataFrame数据类型
DataFrame是一种表格型的数据结构,包含行索引和列索引,是二维数据结构。
创建DataFrame数据
# 通过列表创建
li=[
[1 , 2 , 3 , 4],
[2 , 3 , 4 , 5]
]
# DataFrame对象包含两个索引,行索引(0轴,axis=0),列索引(1轴,axis=1)
d1=pd.DataFrame(data=li,index=[' A ' , ' B '] , columns=['views' , 'loves' , 'comments' , 'tranfers'])
print(d1)
"""
views loves comments tranfers
A 1 2 3 4
B 2 3 4 5
"""
# 通过numpy对象创建
narr = np.arange(8).reshape(2, 4)
d2 = pd.DataFrame(data=narr, index=['A', 'B'], columns=['views', 'loves', 'comments', 'tranfers'])
print(d2)
# 通过字典的方式创建;
dict = {
'views': [1, 2, ],
'loves': [2, 3, ],
'comments': [3, 4, ]
}
d3 = pd.DataFrame(data=dict, index=['粉条', "粉丝"])
print(d3)
"""
views loves comments
粉条 1 2 3
粉丝 2 3 4
"""
# 行索引
dates = pd.date_range(start='today', periods=6)
# 数据
data_arr = np.random.randn(6, 4)
# 列索引
columns = ['A', 'B', 'C', 'D']
d4 = pd.DataFrame(data_arr, index=dates, columns=columns)
print(d4)
# 创建日期
# freq为单位
dates = pd.date_range(start='1/1/2019', end='12/31/2019', freq='D')
print(dates)
"""
DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',
'2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08',
'2019-01-09', '2019-01-10',
...
'2019-12-22', '2019-12-23', '2019-12-24', '2019-12-25',
'2019-12-26', '2019-12-27', '2019-12-28', '2019-12-29',
'2019-12-30', '2019-12-31'],
dtype='datetime64[ns]', length=365, freq='D')
"""
DataFrame的基本操作
narr = np.arange(8).reshape(2, 4)
d2 = pd.DataFrame(data=narr, index=['A', 'B'], columns=['views', 'loves', 'comments', 'tranfers'])
# 查看基础属性
print(d2.shape) # 获取行数和列数;
print(d2.dtypes) # 列数据类型
print(d2.ndim) # 获取数据的维度
print(d2.index) # 行索引
print(d2.columns) # 列索引
print(d2.values, type(d2.values)) # 对象的值, 二维ndarray数组;
# 数据整体状况的查询
print(d2.head(1)) # 显示头部的几行,默认为五行
print(d2.tail(1)) # 显示尾部的几行,默认为五行
# 相关信息的浏览:行数,列数,列类型,内存占用
print(d2.info())
"""
<class 'pandas.core.frame.DataFrame'>
Index: 2 entries, A to B
Data columns (total 4 columns):
views 2 non-null int64
loves 2 non-null int64
comments 2 non-null int64
tranfers 2 non-null int64
dtypes: int64(4)
memory usage: 80.0+ bytes
info: None
"""
# 快速综合用计结果:计数,均值,标准差,最小值,1/4位数,中位数,3/4位数,最大值;
print(d2.describe())
"""
views loves comments tranfers
count 2.000000 2.000000 2.000000 2.000000
mean 2.000000 3.000000 4.000000 5.000000
std 2.828427 2.828427 2.828427 2.828427
min 0.000000 1.000000 2.000000 3.000000
25% 1.000000 2.000000 3.000000 4.000000
50% 2.000000 3.000000 4.000000 5.000000
75% 3.000000 4.000000 5.000000 6.000000
max 4.000000 5.000000 6.000000 7.000000
"""
# 转置操作
print(d2.T)
# 按照指定列进行排序, 默认是升序, 如果需要降序显示,设置ascending=False;
print(d2.sort_values(by="views", ascending=False))
# 切片以及查询
print(d2[:1]) # 可以实现切片, 但是不能索引;
print(d2['views']) # 通过标签查询, 获取单列信息;
print(d2.views) # 和上面是等价的;
print(d2[['views', 'comments']]) # 通过标签查询多列信息;
# 通过类似索引的方式查询;
# - iloc(通过位置进行行数据的获取),
# - loc(t通过标签索引行数据)
print(d2.iloc[0])
print(d2.iloc[-1:])
"""
views 0
loves 1
comments 2
tranfers 3
Name: A, dtype: int64
views loves comments tranfers
B 4 5 6 7
"""
print(d2.loc['A'])
"""
views 0
loves 1
comments 2
tranfers 3
Name: A, dtype: int64
"""
# 更改pandas的值;
d2.loc['A'] = np.nan
print(d2)
"""
views loves comments tranfers
A NaN NaN NaN NaN
B 4.0 5.0 6.0 7.0
"""
从文件中读取数据
# csv文件的写入
df = pd.DataFrame(
{'province': ['陕西', '陕西', '四川', '四川', '陕西'],
'city': ['咸阳', '宝鸡', '成都', '成都', '宝鸡'],
'count1': [1, 2, 3, 4, 5],
'count2': [1, 2, 33, 4, 5]
}
)
df.to_csv('doc/csvFile.csv')
print("csv文件保存成功")
# csv文件的读取
df2 = pd.read_csv('doc/csvFile.csv')
print(df2)
# excel文件的写入
df2.to_excel("/tmp/excelFile.xlsx", sheet_name="省份统计")
print("excel文件保存成功")
groupby
pandas提供了一个灵活高效的groupby功能,
1). 它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作。
2). 根据一个或多个键(可以是函数、数组或DataFrame列>名)拆分pandas对象。
3). 计算分组摘要统计,如计数、平均值、标准差,或用户自定义函数。
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
df = pd.DataFrame(
{'province': ['陕西', '陕西', '四川', '四川', '陕西'],
'city': ['咸阳', '宝鸡', '成都', '成都', '宝鸡'],
'count1': [1, 2, 3, 4, 5],
'count2': [1, 2, 33, 4, 5]
}
)
print(df)
# 根据某一列的key值进行统计分析;
grouped = df['count1'].groupby(df['province'])
print(grouped.describe())
print(grouped.median())
# 根据城市统计分析cpunt1的信息;
grouped = df['count1'].groupby(df['city'])
print(grouped.max())
# 指定多个key值进行分类聚合;
grouped = df['count1'].groupby([df['province'], df['city']])
print(grouped)
print(grouped.max())
print(grouped.sum())
print(grouped.count())
# 通过unstack方法, 实现层次化的索引;
print(grouped.max().unstack())