亲宝软件园·资讯

展开

python数据分析工具 | pandas

渔单渠 人气:5

 

pandas是python下强大的数据分析和探索工具,是的python在处理数据时非常快速、简单。它是构建在numpy之上的,包含丰富的数据处理函数,支持时间序列分析功能,支持灵活处理缺失数据。

pandas基础

# 安装
pip install pandas

pandas 基本的数据结构是 Series 和 DataFrame 。Series 就是序列,类似一维数组;DataFrame 则是相当于一张二维的表格,类似二维数组,它的每一列都是一个 Series 。每个 Series 都会带有一个对应的 Index ,用来标记不同的元素,Index 的内容可以是字母、数字、中文等。

Series

import numpy as np
import pandas as pd

# 创建Series方法
方法1:s1 = pd.Series([1, 2, 3, 4])
方法2:s2 = pd.Series(np.arange(10)) # 通过numpy.arange创建
方法3:s3 = pd.Series({'1':1, '2':2, '3':3}) # 通过字典创建
方法4:s4 = pd.Series([1, 2, 3, 4], index=['A', 'B', 'C', 'D']) # 创建时设置索引

s1.values  # 查看值
s1.index   # 查看索引

DataFrame

from pandas import Series, DataFrame
s1 = s2 = s3 = Series([1, 2, 3])
df = DataFrame([s1, s2, s3], index=['A','B','C'], columns=[0, 1, 2])
print(df)  # DataFrame 包含 index 和 column,分别为行索引和列索引
out:
   0  1  2
A  1  2  3
B  1  2  3
C  1  2  3

df.index  # 查看行索引
df.column # 查看列索引

pandas实用操作

I/O操作(df1表示DataFrame格式数据).

1、从粘贴板读取
df1.to_clipboard()         #写入粘贴板
pd.read_clipboard()  # 复制后执行命令,即可读取到粘贴板中信息

2、CSV文件
df1.to_csv('名字.csv',index=False)  # false则表示不添加索引号
pd.read_csv('df1.csv')        # 读取CSV文件

3、json
df1.to_json()               # 转化成json文件
pd.read_json(df1.to_json()) # 读取json文件

4、html
df1.to_html('df1_html') # 转换成HTML文件

5、excel
df1.to_excel('df1.xlsx') # 生成Excel文件

 

查看数据(df1表示DataFrame格式数据)

df1.head() # 返回前五行
df1.tail() # 返回后五行
# 返回更多的内容则在括号中写出来,不写则默认为五行

df1.iloc[:,:] # 索引切片,定位,基于index,与索引名无关
df1.loc[:,:]  # 根据索引名来,label来过滤

# 取列(column)
df1[]  # 直接写column名便取得对应列,若要取多列,中括号内可以写个列表,eg:['A', 'B']

df1.T  # 转置
df1.describe()  # 快速查看数据的统计概要,包括count、mean、std、min等

# 排序
df1.sort_index(axis=1, ascending=False)  # 按轴排序,axis表示轴(0为列,1为行),ascending表示正反序
df1.sort_values(by='')  # by后写column,表示按该column值排序

 

数据运算

在 pandas 中运算会自动对齐 index 和 column 。下面举例说明。

在 Series 中,两个Series相加,会自动对齐索引,当索引没有时,则为NaN,NaN与任何数相加都为NaN,因此会出现图中【5】的结果,fill_value是将两个Series中的缺失项先填充,再进行相加运算。DataFrame数据同理,下面不加以赘述。

 

缺失值

缺失值可以用 numpy.nan 来表示,NaN 具有传染性,换句话说就是与 NaN 进行运算的结果都是 NaN 。对于含有 NaN 的普通函数计算结果均为 NaN,例如:

a = numpy.array([2, 3, 1, numpy.nan, 4])

numpy.sum(a)\numpy.min(a)\numpy.max(a)等均为NaN

# 但是其有安全模式,也就是忽略其中的 NaN 进行运算
numpy.nansum(a)\numpy.nanmin(a)\numpy.nanmax(a) 均会在已有数据中求相应的和,最大最小值

缺失值的发现

data.isnull()
data.notnull()
# 均返回布尔值

缺失值的去除

data.dropna(axis=0,how='any',thresh=None)
# axis表示行和列0,1来表示
# how为any时表示有Nan就删掉,为all时表示全为nan时才删掉
# thresh表示一个界限,超过这个数字的nan则被删掉

缺失值的填充

data.fillna(axis=0, method=ffill)  # 或者参数只填一个数,即用该数字填充
axis 坐标轴,行或列
method 填充方式
  ffill:forward-fill 从前向后填充
  bfill:backward-fill 从后向前填充

 

合并(merge)

结合(concat)
pandas.concat(df1, df2, df3)

连接(join)
left = pd.DataFrame({'key': ['foo', 'foo'], 'lval':[1, 2]})
right = pd.DataFrame({'key': ['foo', 'foo'], 'rval':[1, 2]})
pd.merge(left, right, on="key")
out:
   key  lval  rval
0  foo     1     4
1  foo     1     5
2  foo     2     4
3  foo     2     5

追加(append)
data1.append(data2, ignore_index=True)

 

数据透视表(Pivot Tables)

当分析庞大的数据时,为了更好的发掘数据特征之间的关系,且不破坏原数据,就可以利用透视表 `pivot_table` 进行操作。

新建表将 `A, B, C` 列作为索引进行聚合。
df = pd.DataFrame({'A': ['one', 'one', 'two', 'three'] * 3,
                   'B': ['A', 'B', 'C'] * 4,
                   'C': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,
                   'D': np.random.randn(12),
                   'E': np.random.randn(12)})

pd.pivot_table(df, index=['A', 'B'])

1、透视表按指定行进行聚合
将该 DataFrame 的 `D` 列聚合,按照 `A, B` 列为索引进行聚合,聚合的方式为默认求均值。
pd.pivot_table(df, values=['D'], index=['A', 'B'])

2、透视表聚合方式定义
上一题中 `D` 列聚合时,采用默认求均值的方法,若想使用更多的方式可以在 `aggfunc` 中实现。
pd.pivot_table(df, values=['D'], index=['A', 'B'], aggfunc=[np.sum, len])

3、透视表利用额外列进行辅助分割
`D` 列按照 `A, B` 列进行聚合时,若关心 `C` 列对 `D` 列的影响,可以加入 `columns` 值进行分析。
pd.pivot_table(df, values=['D'], index=['A', 'B'],
               columns=['C'], aggfunc=np.sum)

4、透视表的缺省值处理
在透视表中由于不同的聚合方式,相应缺少的组合将为缺省值,可以加入 `fill_value` 对缺省值处理。
pd.pivot_table(df, values=['D'], index=['A', 'B'],
               columns=['C'], aggfunc=np.sum, fill_value=0)

 

加载全部内容

相关教程
猜你喜欢
用户评论