https://blog.csdn.net/yiyele/article/details/80605909
一、生成資料表
1、首先匯入pandas庫，一般都會用到numpy庫，所以我們先匯入備用：
import numpy as np
import pandas as pd
1
2
2、匯入CSV或者xlsx檔案：
df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))
1
2
或者
import pandas as pd
from collections import namedtuple
Item = namedtuple('Item', 'reply pv')
items = []
with codecs.open('reply.pv.07', 'r', 'utf-8') as f:
for line in f:
line_split = line.strip().split('\t')
items.append(Item(line_split[0].strip(), line_split[1].strip()))
df = pd.DataFrame.from_records(items, columns=['reply', 'pv'])
1
2
3
4
5
6
7
8
9
10
11
12
3、用pandas創建資料表：
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'])
1
2
3
4
5
6
7
二、資料表資訊查看
1、維度查看：
df.shape
1
2、資料表基本資訊（維度、列名稱、資料格式、所占空間等）：
df.info()
1
3、每一列資料的格式：
df.dtypes
1
4、某一列格式：
df['B'].dtype
1
5、空值：
df.isnull()
1
6、查看某一列空值：
df.isnull()
1
7、查看某一列的唯一值：
df['B'].unique()
1
8、查看資料表的值：
df.values
1
9、查看列名稱：
df.columns
1
10、查看前10行資料、后10行資料：
df.head() #默認前10行資料
df.tail() #默認后10 行資料
1
2
三、資料表清洗
1、用數字0填充空值：
df.fillna(value=https://www.cnblogs.com/kungfupanda/p/0)
1
2、使用列prince的均值對NA進行填充：
df['prince'].fillna(df['prince'].mean())
1
3、清楚city欄位的字符空格：
df['city']=df['city'].map(str.strip)
1
4、大小寫轉換：
df['city']=df['city'].str.lower()
1
5、更改資料格式：
df['price'].astype('int')
1
6、更改列名稱：
df.rename(columns={'category': 'category-size'})
1
7、洗掉后出現的重復值：
df['city'].drop_duplicates()
1
8 、洗掉先出現的重復值：
df['city'].drop_duplicates(keep='last')
1
9、資料替換：
df['city'].replace('sh', 'shanghai')
1
四、資料預處理
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
2
3
4
1、資料表合并
1.1 merge
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
1
2
3
4
1.2 append
result = df1.append(df2)
1
1.3 join
result = left.join(right, on='key')
1
1.4 concat
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
copy=True)
1
2
3
objs︰ 一個序列或系列、 綜合或面板物件的映射，如果字典中傳遞，將作為鍵引數，使用排序的鍵，除非它傳遞，在這種情況下的值將會選擇
（見下文），任何沒有任何反對將默默地被丟棄，除非他們都沒有在這種情況下將引發 ValueError，
axis: {0，1，…}，默認值為 0，要連接沿軸，
join: {‘內部’、 ‘外’}，默認 ‘外’，如何處理其他 axis(es) 上的索引，聯盟內、 外的交叉口，
ignore_index︰ 布林值、 默認 False，如果為 True，則不要串聯軸上使用的索引值，由此產生的軸將標記
0，…，n-1，這是有用的如果你串聯串聯軸沒有有意義的索引資訊的物件，請注意在聯接中仍然受到尊重的其他軸上的索引值，
join_axes︰ 索引物件的串列，具體的指標，用于其他 n-1 軸而不是執行內部/外部設定邏輯， keys︰
序列，默認為無，構建分層索引使用通過的鍵作為最外面的級別，如果多個級別獲得通過，應包含元組，
levels︰ 串列的序列，默認為無，具體水平 （唯一值） 用于構建多重，否則，他們將推斷鑰匙，
names︰ 串列中，默認為無，由此產生的分層索引中的級的名稱，
verify_integrity︰ 布林值、 默認 False，檢查是否新的串聯的軸包含重復項，這可以是相對于實際資料串聯非常昂貴，
副本︰ 布林值、 默認 True，如果為 False，請不要，不必要地復制資料，
例子：1.frames = [df1, df2, df3]
2.result = pd.concat(frames)
1
2
2、設定索引列
df_inner.set_index('id')
1
3、按照特定列的值排序：
df_inner.sort_values(by=['age'])
1
4、按照索引列排序：
df_inner.sort_index()
1
5、如果prince列的值>3000，group列顯示high，否則顯示low：
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
1
6、對復合多個條件的資料進行分組標記
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1
1
7、對category欄位的值依次進行分列，并創建資料表，索引值為df_inner的索引列，列名稱為category和size
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))
1
8、將完成分裂后的資料表和原df_inner資料表進行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
1
五、資料提取
主要用到的三個函式：loc,iloc和ix，loc函式按標簽值進行提取，iloc按位置進行提取，ix可以同時按標簽和位置進行提取，
1、按索引提取單行的數值
df_inner.loc[3]
1
2、按索引提取區域行數值
df_inner.iloc[0:5]
1
3、重設索引
df_inner.reset_index()
1
4、設定日期為索引
df_inner=df_inner.set_index('date')
1
5、提取4日之前的所有資料
df_inner[:'2013-01-04']
1
6、使用iloc按位置區域提取資料
df_inner.iloc[:3,:2] #冒號前后的數字不再是索引的標簽名稱，而是資料所在的位置，從0開始，前三行，前兩列，
1
7、適應iloc按位置單獨提起資料
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列
1
8、使用ix按索引標簽和位置混合提取資料
df_inner.ix[:'2013-01-03',:4] #2013-01-03號之前，前四列資料
1
9、判斷city列的值是否為北京
df_inner['city'].isin(['beijing'])
1
10、判斷city列里是否包含beijing和shanghai，然后將符合條件的資料提取出來
df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]
1
11、提取前三個字符，并生成資料表
pd.DataFrame(category.str[:3])
1
六、資料篩選
使用與、或、非三個條件配合大于、小于、等于對資料進行篩選，并進行計數和求和，
1、使用“與”進行篩選
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]
1
2、使用“或”進行篩選
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age'])
1
3、使用“非”條件進行篩選
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])
1
4、對篩選后的資料按city列進行計數
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()
1
5、使用query函式進行篩選
df_inner.query('city == ["beijing", "shanghai"]')
1
6、對篩選后的結果按prince進行求和
df_inner.query('city == ["beijing", "shanghai"]').price.sum()
1
七、資料匯總
主要函式是groupby和pivote_table
1、對所有的列進行計數匯總
df_inner.groupby('city').count()
1
2、按城市對id欄位進行計數
df_inner.groupby('city')['id'].count()
1
3、對兩個欄位進行匯總計數
df_inner.groupby(['city','size'])['id'].count()
1
4、對city欄位進行匯總，并分別計算prince的合計和均值
df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])
1
八、資料統計
資料采樣，計算標準差，協方差和相關系數
1、簡單的資料采樣
df_inner.sample(n=3)
1
2、手動設定采樣權重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
1
2
3、采樣后不放回
df_inner.sample(n=6, replace=False)
1
4、采樣后放回
df_inner.sample(n=6, replace=True)
1
5、 資料表描述性統計
df_inner.describe().round(2).T #round函式設定顯示小數位，T表示轉置
1
6、計算列的標準差
df_inner['price'].std()
1
7、計算兩個欄位間的協方差
df_inner['price'].cov(df_inner['m-point'])
1
8、資料表中所有欄位間的協方差
df_inner.cov()
1
9、兩個欄位的相關性分析
df_inner['price'].corr(df_inner['m-point']) #相關系數在-1到1之間，接近1為正相關，接近-1為負相關，0為不相關
1
10、資料表的相關性分析
df_inner.corr()
1
九、資料輸出
分析后的資料可以輸出為xlsx格式和csv格式
1、寫入Excel
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
1
2、寫入到CSV
df_inner.to_csv('excel_to_python.csv')
————————————————
著作權宣告：本文為CSDN博主「一夜了」的原創文章，遵循CC 4.0 BY-SA著作權協議，轉載請附上原文出處鏈接及本宣告，
原文鏈接：https://blog.csdn.net/yiyele/java/article/details/80605909
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/6032.html
標籤：大數據