python之pandas用法大全


            一、生成数据表

1、首先导入pandas库，一般都会用到numpy库，所以我们先导入备用：





import numpy as np

import pandas as pd



2、导入CSV或者xlsx文件：





df = pd.DataFrame(pd.read_csv('name.csv',header=1))

df = pd.DataFrame(pd.read_excel('name.xlsx'))



3、用pandas创建数据表：





df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 

 "date":pd.date_range('20130102', periods=6),

 "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],

 "age":[23,44,54,32,34,32],

 "category":['100-A','100-B','110-A','110-C','210-A','130-F'],

 "price":[1200,np.nan,2133,5433,np.nan,4432]},

 columns =['id','date','city','category','age','price'])



二、数据表信息查看

1、维度查看：





df.shape



2、数据表基本信息（维度、列名称、数据格式、所占空间等）：





df.info()



3、每一列数据的格式：





df.dtypes



4、某一列格式：





df['B'].dtype



5、空值：





df.isnull()



6、查看某一列空值：





df.isnull()



7、查看某一列的唯一值：





df['B'].unique()



8、查看数据表的值： 







df.values 



9、查看列名称：





df.columns



10、查看前10行数据、后10行数据：





df.head() #默认前10行数据

df.tail()  #默认后10 行数据



三、数据表清洗

1、用数字0填充空值：





df.fillna(value=0)



2、使用列prince的均值对NA进行填充：





df['prince'].fillna(df['prince'].mean())



3、清楚city字段的字符空格：





df['city']=df['city'].map(str.strip)



4、大小写转换：





df['city']=df['city'].str.lower()



5、更改数据格式：





df['price'].astype('int')



6、更改列名称：





df.rename(columns={'category': 'category-size'}) 



7、删除后出现的重复值：





df['city'].drop_duplicates()



8、删除先出现的重复值：





df['city'].drop_duplicates(keep='last')



9、数据替换：





df['city'].replace('sh', 'shanghai')



四、数据预处理





df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], 

"gender":['male','female','male','female','male','female','male','female'],

"pay":['Y','N','Y','Y','N','Y','N','Y',],

"m-point":[10,12,20,40,40,40,30,20]})



1、数据表合并





df_inner=pd.merge(df,df1,how='inner') # 匹配合并，交集

df_left=pd.merge(df,df1,how='left')    #

df_right=pd.merge(df,df1,how='right')

df_outer=pd.merge(df,df1,how='outer') #并集



2、设置索引列





df_inner.set_index('id')



3、按照特定列的值排序：





df_inner.sort_values(by=['age'])



4、按照索引列排序：





df_inner.sort_index()



5、如果prince列的值>3000，group列显示high，否则显示low：





df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')



6、对复合多个条件的数据进行分组标记





df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1



7、对category字段的值依次进行分列，并创建数据表，索引值为df_inner的索引列，列名称为category和size





pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))



8、将完成分裂后的数据表和原df_inner数据表进行匹配





df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)



五、数据提取 

主要用到的三个函数：loc,iloc和ix，loc函数按标签值进行提取，iloc按位置进行提取，ix可以同时按标签和位置进行提取。 

1、按索引提取单行的数值





df_inner.loc[3]



2、按索引提取区域行数值





df_inner.iloc[0:5]



3、重设索引





df_inner.reset_index()



4、设置日期为索引





df_inner=df_inner.set_index('date') 



5、提取4日之前的所有数据





df_inner[:'2013-01-04']



6、使用iloc按位置区域提取数据





df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。



7、适应iloc按位置单独提起数据





df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列



8、使用ix按索引标签和位置混合提取数据





df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前，前四列数据



9、判断city列的值是否为北京





df_inner['city'].isin(['beijing'])



10、判断city列里是否包含beijing和shanghai，然后将符合条件的数据提取出来





df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])] 



11、提取前三个字符，并生成数据表





pd.DataFrame(category.str[:3])



六、数据筛选 

使用与、或、非三个条件配合大于、小于、等于对数据进行筛选，并进行计数和求和。 

1、使用“与”进行筛选





df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]



2、使用“或”进行筛选





df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age']) 



3、使用“非”条件进行筛选





df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 



4、对筛选后的数据按city列进行计数





df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()



5、使用query函数进行筛选





df_inner.query('city == ["beijing", "shanghai"]')



6、对筛选后的结果按prince进行求和





df_inner.query('city == ["beijing", "shanghai"]').price.sum()



七、数据汇总 

主要函数是groupby和pivote_table 

1、对所有的列进行计数汇总





df_inner.groupby('city').count()



2、按城市对id字段进行计数





df_inner.groupby('city')['id'].count()



3、对两个字段进行汇总计数





df_inner.groupby(['city','size'])['id'].count()



4、对city字段进行汇总，并分别计算prince的合计和均值





df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) 



八、数据统计 

数据采样，计算标准差，协方差和相关系数 

1、简单的数据采样





df_inner.sample(n=3) 



2、手动设置采样权重





weights = [0, 0, 0, 0, 0.5, 0.5]

df_inner.sample(n=2, weights=weights) 



3、采样后不放回





df_inner.sample(n=6, replace=False) 



4、采样后放回





df_inner.sample(n=6, replace=True)



5、 数据表描述性统计





df_inner.describe().round(2).T #round函数设置显示小数位，T表示转置



6、计算列的标准差





df_inner['price'].std()



7、计算两个字段间的协方差





df_inner['price'].cov(df_inner['m-point']) 



8、数据表中所有字段间的协方差





df_inner.cov()



9、两个字段的相关性分析





df_inner['price'].corr(df_inner['m-point']) #相关系数在-1到1之间，接近1为正相关，接近-1为负相关，0为不相关



10、数据表的相关性分析





df_inner.corr()



九、数据输出 

分析后的数据可以输出为xlsx格式和csv格式 

1、写入Excel





df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc') 



2、写入到CSV





df_inner.to_csv('excel_to_python.csv') 





以上就是关于pandas的基本用法，大家可以参考下