用python做数据分析4|pandas库介绍之DataFrame基本操作

不念不忘少年蓝@ 2022-07-16 19:00 226阅读 0赞

[原文地址][Link 1]

怎样删除list中空字符？  
最简单的方法：new\_list = \[ x for x in li if x != '' \]

--------------------

今天是5.1号。

这一部分主要学习pandas中基于前面两种数据结构的基本操作。

设有DataFrame结果的数据a如下所示：    
           a  b  c
    one    4  1  1
    two    6  2  0
    three  6  1  6

--------------------

#### 一、查看数据（查看对象的方法对于Series来说同样适用） ####

1.查看DataFrame前xx行或后xx行  
a=DataFrame(data);  
a.head(6)表示显示前6行数据，若head()中不带参数则会显示全部数据。  
a.tail(6)表示显示后6行数据，若tail()中不带参数则也会显示全部数据。

2.查看DataFrame的index，columns以及values  
a.index ; a.columns ; a.values 即可

3.describe()函数对于数据的快速统计汇总  
a.describe()对每一列数据进行统计，包括计数，均值，std，各个分位数等。

4.对数据的转置  
a.T

5.对轴进行排序  
a.sort\_index(axis=1,ascending=False)；  
其中axis=1表示对所有的columns进行排序，下面的数也跟着发生移动。后面的ascending=False表示按降序排列，参数缺失时默认升序。

6.对DataFrame中的值排序  
a.sort(columns='x')  
即对a中的x这一列，从小到大进行排序。注意仅仅是x这一列，而上面的按轴进行排序时会对所有的columns进行操作。

#### 二、选择对象 ####

1.选择特定列和行的数据  
a\['x'\] 那么将会返回columns为x的列，注意这种方式一次只能返回一个列。a.x与a\['x'\]意思一样。

取行数据，通过切片\[\]来选择  
如：a\[0:3\] 则会返回前三行的数据。

2.loc是通过标签来选择数据  
a.loc\['one'\]则会默认表示选取行为'one'的行；

a.loc\[:,\['a','b'\] \] 表示选取所有的行以及columns为a,b的列；

a.loc\[\['one','two'\],\['a','b'\]\] 表示选取'one'和'two'这两行以及columns为a,b的列；

a.loc\['one','a'\]与a.loc\[\['one'\],\['a'\]\]作用是一样的，不过前者只显示对应的值，而后者会显示对应的行和列标签。

3.iloc则是直接通过位置来选择数据  
这与通过标签选择类似  
a.iloc\[1:2,1:2\] 则会显示第一行第一列的数据;(切片后面的值取不到)

a.iloc\[1:2\] 即后面表示列的值没有时，默认选取行位置为1的数据;

a.iloc\[\[0,2\],\[1,2\]\] 即可以自由选取行位置，和列位置对应的数据。

4.使用条件来选择  
使用单独的列来选择数据  
a\[a.c>0\] 表示选择c列中大于0的数据

使用where来选择数据  
a\[a>0\] 表直接选择a中所有大于0的数据

使用isin()选出特定列中包含特定值的行  
a1=a.copy()  
a1\[a1\['one'\].isin(\['2','3'\])\] 表显示满足条件：列one中的值包含'2','3'的所有行。

#### 三、设置值（赋值） ####

赋值操作在上述选择操作的基础上直接赋值即可。  
例a.loc\[:,\['a','c'\]\]=9 即将a和c列的所有行中的值设置为9  
a.iloc\[:,\[1,3\]\]=9 也表示将a和c列的所有行中的值设置为9

同时也依然可以用条件来直接赋值  
a\[a>0\]=-a 表示将a中所有大于0的数转化为负值

#### 四、缺失值处理 ####

在pandas中，使用np.nan来代替缺失值，这些值将默认不会包含在计算中。

1.reindex()方法  
用来对指定轴上的索引进行改变/增加/删除操作，这将返回原始数据的一个拷贝。  
a.reindex(index=list(a.index)+\['five'\],columns=list(a.columns)+\['d'\])

a.reindex(index=\['one','five'\],columns=list(a.columns)+\['d'\])

即用index=\[\]表示对index进行操作，columns表对列进行操作。

2.对缺失值进行填充  
a.fillna(value=x)  
表示用值为x的数来对缺失值进行填充

3.去掉包含缺失值的行  
a.dropna(how='any')  
表示去掉所有包含缺失值的行

#### 五、合并 ####

1.contact  
contact(a1,axis=0/1，keys=\['xx','xx','xx',...\])，其中a1表示要进行进行连接的列表数据,axis=1时表横着对数据进行连接。axis=0或不指定时，表将数据竖着进行连接。a1中要连接的数据有几个则对应几个keys，设置keys是为了在数据连接以后区分每一个原始a1中的数据。

例：a1=\[b\['a'\],b\['c'\]\]  
result=pd.concat(a1,axis=1，keys=\['1','2'\])

2.Append 将一行或多行数据连接到一个DataFrame上  
a.append(a\[2:\],ignore\_index=True)  
表示将a中的第三行以后的数据全部添加到a中，若不指定ignore\_index参数，则会把添加的数据的index保留下来，若ignore\_index=Ture则会对所有的行重新自动建立索引。

3.merge类似于SQL中的join  
设a1,a2为两个dataframe,二者中存在相同的键值，两个对象连接的方式有下面几种：  
(1)内连接，pd.merge(a1, a2, on='key')  
(2)左连接，pd.merge(a1, a2, on='key', how='left')  
(3)右连接，pd.merge(a1, a2, on='key', how='right')  
(4)外连接， pd.merge(a1, a2, on='key', how='outer')  
至于四者的具体差别，具体学习参考sql中相应的语法。

#### 六、分组（groupby） ####

用pd.date\_range函数生成连续指定天数的的日期  
pd.date\_range('20000101',periods=10)

def shuju():
        data={
            'date':pd.date_range('20000101',periods=10),
            'gender':np.random.randint(0,2,size=10),
            'height':np.random.randint(40,50,size=10),
            'weight':np.random.randint(150,180,size=10)
        }
    a=DataFrame(data)
    print(a)
            date  gender  height  weight
    0 2000-01-01      0     47     165
    1 2000-01-02      0     46     179
    2 2000-01-03      1     48     172
    3 2000-01-04      0     45     173
    4 2000-01-05      1     47     151
    5 2000-01-06      0     45     172
    6 2000-01-07      0     48     167
    7 2000-01-08      0     45     157
    8 2000-01-09      1     42     157
    9 2000-01-10      1     42     164
    
    用a.groupby('gender').sum()得到的结果为：  #注意在python中groupby(''xx)后要加sum()，不然显示
    不了数据对象。
    gender     height  weight               
    0          256     989
    1          170     643

此外用a.groupby('gender').size()可以对各个gender下的数目进行计数。

所以可以看到groupby的作用相当于：  
按gender对gender进行分类，对应为数字的列会自动求和，而为字符串类型的列则不显示；当然也可以同时groupby(\['x1','x2',...\])多个字段，其作用与上面类似。

#### 七、Categorical按某一列重新编码分类 ####

如六中要对a中的gender进行重新编码分类，将对应的0，1转化为male，female，过程如下：

a['gender1']=a['gender'].astype('category')
    a['gender1'].cat.categories=['male','female']  #即将0，1先转化为category类型再进行编码。
    
     print(a)得到的结果为：
          date    gender  height  weight gender1
    0 2000-01-01       1      40     163  female
    1 2000-01-02       0      44     177    male
    2 2000-01-03       1      40     167  female
    3 2000-01-04       0      41     161    male
    4 2000-01-05       0      48     177    male
    5 2000-01-06       1      46     179  female
    6 2000-01-07       1      42     154  female
    7 2000-01-08       1      43     170  female
    8 2000-01-09       0      46     158    male
    9 2000-01-10       1      44     168  female

所以可以看出重新编码后的编码会自动增加到dataframe最后作为一列。

#### 八、相关操作 ####

描述性统计：  
1.a.mean() 默认对每一列的数据求平均值；若加上参数a.mean(1)则对每一行求平均值；

2.统计某一列x中各个值出现的次数：a\['x'\].value\_counts()；

3.对数据应用函数  
a.apply(lambda x:x.max()-x.min())  
表示返回所有列中最大值-最小值的差。

4.字符串相关操作  
a\['gender1'\].str.lower() 将gender1中所有的英文大写转化为小写，注意dataframe没有str属性，只有series有，所以要选取a中的gender1字段。

#### 九、时间序列 ####

在六中用pd.date\_range('xxxx',periods=xx,freq='D/M/Y....')函数生成连续指定天数的的日期列表。  
例如pd.date\_range('20000101',periods=10),其中periods表示持续频数；  
pd.date\_range('20000201','20000210',freq='D')也可以不指定频数，只指定起始日期。

此外如果不指定freq，则默认从起始日期开始，频率为day。其他频率表示如下：

![1240][]

1.png

#### 十、画图(plot) ####

在pycharm中首先要：import matplotlib.pyplot as plt
    a=Series(np.random.randn(1000),index=pd.date_range('20100101',periods=1000))
    b=a.cumsum()
    b.plot()
    plt.show()    #最后一定要加这个plt.show()，不然不会显示出图来。

![1240 1][]

2.PNG

也可以使用下面的代码来生成多条时间序列图：

a=DataFrame(np.random.randn(1000，4),index=pd.date_range('20100101',periods=1000),columns=list('ABCD'))
    b=a.cumsum()
    b.plot()
    plt.show()

![1240 2][]

3.png

#### 十一、导入和导出文件 ####

写入和读取excel文件  
虽然写入excel表时有两种写入xls和csv，但建议少使用csv，不然在表中调整数据格式时，保存时一直询问你是否保存新格式，很麻烦。而在读取数据时，如果指定了哪一张sheet，则在pycharm又会出现格式不对齐。

还有将数据写入表格中时，excel会自动给你在表格最前面增加一个字段，对数据行进行编号。

a.to_excel(r'C:\\Users\\guohuaiqi\\Desktop\\2.xls',sheet_name='Sheet1')    
    
    a=pd.read_excel(r'C:\\Users\\guohuaiqi\\Desktop\\2.xls','Sheet1',na_values=['NA'])
    
    注意sheet_name后面的Sheet1中的首字母大写；读取数据时，可以指定读取哪一张表中的数据，而
    且对缺失值补上NA。
    
    最后再附上写入和读取csv格式的代码：
    a.to_csv(r'C:\\Users\\guohuaiqi\\Desktop\\1.csv'，sheet_name='Sheet1')
    a=pd.read_csv(r'C:\\Users\\guohuaiqi\\Desktop\\1.csv',na_values=['NA'])

[Link 1]: http://www.jianshu.com/p/682c24aef525
[1240]: /images/20220709/7db287da392240c6a8340273a2822c13.png
[1240 1]: /images/20220709/0a49e807bb7a4efd8a01226fca9d4e82.png
[1240 2]: /images/20220709/ea84e103bd6742a9b29219873a380d36.png