目录
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'])
注:在pandas中有一个非常常用的函数date_range,尤其是在处理时间序列数据时,这个函数的作用就是产生一个DatetimeIndex,就是时间序列数据的索引。这个函数的使用方式就是如下所示:pd.data_range(start=none,end=none,...)
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、查看某一列的唯一值:
df['B].unique()
7、查看数据表的值:
df.values
8、查看列名称:
df.columns
9、查看前10行数据、后10行数据:
df.head()
df.tail()
三、数据表清洗
1、用数字0填充空值:
df.fillna(value=0)
2、使用列prce的均值对NA进行填充:
df.fillna(df['price'].mean())
3、清楚city字段的字符空格:
1 |
|
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:
1 |
|
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
how : {‘left’, ‘right’, ‘outer’, ‘inner’}, default ‘inner’
- left: use only keys from left frame, similar to a SQL left outer join; preserve key order(以左表为主)
- right: use only keys from right frame, similar to a SQL right outer join; preserve key order(以右表为主)
- outer: use union of keys from both frames, similar to a SQL full outer join; sort keys lexicographically(包含两个全部信息)
- inner: use intersection of keys from both frames, similar to a SQL inner join; preserve the order of the left keys(包含两表共同信息)
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
1 |
|
7、适应iloc按位置单独提起数据
1 |
|
8、使用ix按索引标签和位置混合提取数据
1 |
|
9、判断city列的值是否为北京
1 |
|
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
1 |
|
11、提取前三个字符,并生成数据表
1 |
|
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
1 |
|
2、使用“或”进行筛选
1 |
|
3、使用“非”条件进行筛选
1 |
|
4、对筛选后的数据按city列进行计数
1 |
|
5、使用query函数进行筛选
1 |
|
6、对筛选后的结果按price进行求和
1 |
|
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
1 |
|
2、按城市对id字段进行计数
1 |
|
3、对两个字段进行汇总计数
1 |
|
4、对city字段进行汇总,并分别计算prince的合计和均值
1 |
|
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
1 |
|
2、手动设置采样权重
1 2 |
|
3、采样后不放回
1 |
|
4、采样后放回
1 |
|
5、 数据表描述性统计
1 |
|
6、计算列的标准差
1 |
|
7、计算两个字段间的协方差
1 |
|
8、数据表中所有字段间的协方差
1 |
|
9、两个字段的相关性分析
1 |
|
10、数据表的相关性分析
1 |
|
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
1 |
|
2、写入到CSV
1 |
|