pandas学习-----入门速查

ZZ不想说话
248 阅读5分钟

前言

我写这篇文章是因为，我昨天去面试，遇见一个很奇葩的面试官，过程很不爽，当然结果显而易见。他们的行为我也可以理解：急缺人干活，需要一个熟练的码砖工。我毕业不到两年，我的工作经历从事方向和他们的需要的人也不太匹配，上来被要求用他的电脑撸代码，首先电脑开了一堆程序和网页，其次有道翻译鼠标到哪翻译哪，在jupyter notebook上面写 关于pandas的使用，以及随机森林算法调优调参。

我不是很喜欢很多东西都死记或者背下来，但要知道有那个东西，详情具体使用时候可以参考官方文档或者去看源码，如果是那段工作中经常使用的自然会记下来了。

我决定写一篇关于pandas的文章，也好方便我和其他人翻阅速查，pandas是python的一个数据处理的包，目前来说被广泛应用，也比较好用，但不确定未来会有比他更好用更好的出现。我知道的类似的包有Datatable，Modin。

pandas简介

pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。pandas官方pdf文档

pandas的数据结构

Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近。 其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。

Time- Series：以时间为索引的Series。

DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。以下的内容主要以DataFrame为主。

Panel ：三维的数组，可以理解为DataFrame的容器。

Pandas 有两种自己独有的基本数据结构。应该注意的是，它固然有着两种数据结构，因为它依然是 Python 的一个库，所以，Python 中有的数据类型在这里依然适用，也同样还可以使用类自己定义数据类型。只不过，Pandas 里面又定义了两种数据类型：Series 和 DataFrame，它们让数据操作更简单了。

pandas安装

pip install pandas

这个命令会自动安装pandas及其依赖组件,如果是 安装的Anaconda默认自带pandas包。

pandas使用

#导入
import pandas as pd
import numpy as np

导入数据

pandas支持各种数据源导入，下面是简单介绍，具体详情以及参数配置可以参考官方文档。

  • 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

查看数据

  • 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

  • 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

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

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

详情例子可以参考一下这篇文章

还有这篇十分钟学会使用pandas

avatar
文章
阅读
粉丝