Python模块-pandas

目录

• 数据读取
• 数据探索
• 数据清洗
  • 数据清洗
  • 类型转换
  • 缺失值
  • 重复值
  • 值替换
• 修改表结构
  • 新增列
  • 删除列
  • 删除行
  • 修改列名
  • 数据分组（数值变量）
  • 数据分列（分类变量）
  • 设置索引
  • 排序
• 数据筛选/切片
• 多表拼接
• 数据聚合&分组运算
  • groupby
  • aggregate
  • filter
  • tansformation
• 数据透视表
  • crosstab
  • pivot/pivot_table
• 时间序列
  • 时间格式转化
  • 时间索引操作
• 哑编码
• 数据导出
• 数据入库
• 技巧
  • 数据集概览
  • 长宽表转换
    • 宽表转换为长表
    • 长表转换为宽表
  • 行列互换

数据分析虽说很多时候需要对业务和数据的理解，但其实大部分时候对数据的操作是相似（即使使用不同的工具，如Excel、Python、R等），像是数据清洗、表格结构修改、字段切分、分组计算等等。下面是使用Python中的Pandas包对数据分析常用操作的笔记。

数据读取

pandas读取文件后的数据集是一个DataFrame对象，该对象的每个列是一个Series对象

# pandas可读取很多文件格式
# 但一般读取数据的文件格式为：csv 和 excel
import pandas as pd
df = pd.read_csv("iris.csv",
                 sep=',',
                 names=["A","B","C","D"],
                 nrows=2，  # 只要前两行的数据
                 encoding='utf-8'
                )
df = pd.read_excel("iris.xlsx",
                   sheetname='XXXX',
                   header=0,  # 指定第一行为表头
                   index_col=0,  # 指定第一列为索引
                   usecols = [0, 2]  # 只要第一和三列的数据
                  )

# 数据库读取
import pymysql # MySQL
import pymssql # SQLserver

conn = pymssql.connect(host='XXX.XX.XX.XX', user='username', password='123', database='DB')
OS = pd.read_sql("SELECT * FROM [KF_SZ].[dbo].[OSdepartrelation]",conn)
conn.close()

数据探索

# 查看数据量和特征量
df.shape
>>> (68630, 14)

# 查看数据集的头5行
df.head()

# 查看数据集的尾5行
df.tail()

# 查看行名
df.index
>>> RangeIndex(start=0, stop=68630, step=1)

# 查看列名
df.columns
>>> Index(['行号', '仓库', '货号', '条码', '商品名称'], dtype='object')

# 几乎用不上吧
df.values 

# 查看数据格式
df.dtypes
>>> 行号        int64
    仓库       object
    货号        int64
    条码       object

# 计数：每个特征(列)的非空数量
df.count()
>>> 商品名称    68630
    规格       6340
    单位      67719
    库存数量    68630

# 计数：对单个列(Series)的频数统计
df['仓库'].value_counts()
>>> 公司总部总仓库       2016
    佛山南海万科店        938
    深圳宝安兴业店        928
    深圳宝安百年店        907

# 返回唯一值的数组
df['区域'].unique()
>>> array(['深圳', '东莞', '广州', '佛山', '江门', '成都', '四川'], dtype=object)    

# 统计描述：可以对整个数据集(DataFrame)，也可以对单个列(Series)
df.describe()
df['库存数量'].describe()
>>> count    68630.000000
    mean        19.545230
    std        248.819321
    min      -1600.000000
    25%          2.000000
    50%          5.000000
    75%         14.000000
    max      38080.000000
    Name: 库存数量, dtype: float64

# 小技巧
df.describe().astype(np.int64).T

数据清洗

数据清洗

# 单列字段清洗-去空格
df['商品名称'] = df['商品名称'].map(lambda s : s.strip())
df['A']=df['A'].map(str.strip)   # 去除两边空格
df['A']=df['A'].map(str.lstrip)  # 去除左边空格
df['A']=df['A'].map(str.rstrip)  # 去除右边空格
df['A']=df['A'].map(str.upper)   # 转大写
df['A']=df['A'].map(str.lower)   # 转小写
df['A']=df['A'].map(str.title)   # 首字母大写

# 字段切分，并创建新特征
df.loc[:,"区域"] = df['仓库'].map(lambda s:s[0:2])

类型转换

# 转换某特征(列)的数据格式
df['行号'] = df['行号'].astype(float)  

# 转化时间格式
df['time']=pd.to_datetime(df['time'])

缺失值

• 缺失值查看

# 缺失值判断(在原数据对象以T/F替换)
df.isnull()
df.notnull()
df['A'].isnull()

• 缺失值统计

# 缺失值计数方法
# 方法一
df['A'].isnull().value_counts()
>>> True     68629
    False        1
    Name: A, dtype: int64
# 方法二
df['A'].isnull().sum()
>>> 68629
df.isnull().sum()
>>> 仓库          0
    货号          0
    条码          2
    规格      62290

• 缺失值删除

# 默认axi=0，how='any': 按行，任意一行有NaN就整列丢弃
df.dropna()
df.dropna(axis=1)

# 一行中全部为NaN的，才丢弃
df.driopna(how='all')

# 保留至少3个非空值的行：一行中有3个值是非空的就保留
df.dropna(thresh=3)

• 缺失值填充

# 整个数据集填充
df.fillna(0)

# 有针对性的填充
df.fillna({'性别':'男', '年龄':30})

重复值

# 返回布尔向量、矩阵
df['A'].duplicated()
df.duplicated()

# 整个实例一模一样才删除，默认保留第一行
df.drop_duplicates()

# 保留k1列中的唯一值的行，默认保留第一行
df.drop_duplicates(subset=["k1"])

# 保留 k1和k2 组合的唯一值的行，take_last=True 保留最后一行
df.drop_duplicates(subset=["k1","k2"], take_last=True)

值替换

# 一对一替换
# 将df的A列中 -999 全部替换成空值
df["A"].replace(-999, np.nan)

# 多对一替换
# -999和1000 均替换成空值
obj.replace([-999,1000],  np.nan)

# 多对 一对一替换
# -999替换成空值，1000替换成0
obj.replace([-999,1000],  [np.nan, 0])
# 同上，写法不同，更清晰
obj.replace({-999:np.nan, 1000:0})

# 有趣的写法
dataset_raw.loc[dataset_raw['workclass'] == 'Without-pay', 'workclass'] = 'Not Working'

修改表结构

一般数据分析需要修改表结构都是在列上动手脚，注意操作有以下几种

新增列

# 方式一
df['test'] = 0

# 方式二
df.loc[:,"区域"] = df['仓库'].map(lambda s:s[0:2])

# 方式三
df.loc[:,"is_bonus"]=1
df.loc[df['remarks']=='无奖金', 'is_bonus'] = 0

# 方式四
# 需求：创建一个新变量test2
# 1.petal_length>2 and petal_width>0.3 = 1
# 2.sepeal_length>6 and sepal_width>3 = 2 3.其他 = 0
df.loc[(df['petal_length']>2)&(df['petal_width']>0.3), 'test2'] = 1
df.loc[(df['sepal_length']>6)&(df['sepal_width']>3), 'test2'] = 2

删除列

# 丢弃指定的特征(列)
df.drop(['行号','条码'],
        axis=1,
        inplace=True)

删除行

# 删除特色的行用得少，一般使用切片
df.drop(index=['no1','no2'],
        axis=0,
        inplace=True)

df.drop(df.index[[0,1]],
        axis=0,
        inplace=True)

修改列名

df.rename(columns = {'年':'compute_year',
                     '月/季度':'compute_month',
                     '员工编号':'code',
                     '员工姓名':'name',
                     '职位':'position',
                     '体系':'system_name',
                     '运营单位':'op_unit_name',
                     '区域':'sub_area_name',
                     '部门名称':'dept_name',
                     '员工所属小组': 'sub_dept_name'},
          inplace=True)

数据分组（数值变量）

# cut()数据分组，以连续值变量分组创建新特征
bins = [0, 5, 10, 15, 20]  # 切分的边界
group_names = ['A', 'B', 'C', 'D']  # 每组的标签名
df['new'] = pd.cut(df['old'], bins, labels=group_names) # new就是分组新特征

# qcut只要指定切分个数即可
df.qcut(df['年龄']，4)

数据分列（分类变量）

这个操作和Excel中的分列功能很像，在原始数据表中grade列中包含了两个层级的用户等级信息，现在我们通过数据分列将分级信息进行拆分。数据分列操作使用的是split函数，下面是具体的代码和分列后的结果。

grade_split = pd.DataFrame((x.split('-') for x in loandata.grade),
                           index=loandata.index,
                           columns=['grade','sub_grade'])

完成数据分列操作后，使用merge函数将数据匹配会原始数据表，这个操作类似Excel中的Vlookup函数的功能。通过匹配原始数据表中包括了分列后的等级信息

loandata=pd.merge(loandata,grade_split,right_index=True, left_index=True)

设置索引

# 将列转化为索引
# 将columns中的其中两列：race和sex设置索引，race为一级，sex为二级
# inplace=True 在原数据集上修改的
# 默认情况下，设置成索引的列会从DataFrame中移除, drop=False将其保留下来
adult.set_index(['race','sex'], inplace = True) 

# 取消列索引设置，并自动填充索引
adult.reset_index(level=None, drop=Fasle, inplace=False)

# 索引重塑
df.stack()
df.unstack()

排序

df.b(by=['code'], ascending=False, na_position='first')
df.sort_values(by=['code', 'name'], ascending=False, na_position='first')
# 缺失值NaN默认是排在最后后的，na_position='first'设置为排在最前面

数据筛选/切片

• []
• isin
• loc
• iloc
• ix
• contains

# []只能对 行（row/index） 切片，前闭后开
df[0:3]
df[:4]
df[4:]

# where布尔查找,建立在[]基础之上
df[df["A"]>7]
# 并
df.loc[(df['petal_length']>2)&(df['petal_width']>0.3)]
# 或
df.loc[(df['petal_length']>2)|(df['petal_width']>0.3)]

# isin()
# 返回布尔值
df["A"].isin([1,2,3])
df.loc[df['sepal_length'].isin([5.8,5.1])]

# loc ：根据名称Label切片
# df.loc[A,B] A是行范围，B是列范围
df.loc[:, ['petal_length','petal_width']]
df.loc[1:4, ['petal_length','petal_width']]
df.loc[['no1','no2'], ['petal_length','petal_width']]

# iloc：切位置,以序列号去切
df.iloc[1:4,:]

#　ix：混切
# 名称和位置混切，但效率低，少用
df1.ix[0:3,['sepal_length','petal_width']]

# contains()模糊匹配
# 使用DataFrame模糊筛选数据(类似SQL中的LIKE)
# 使用正则表达式进行模糊匹配,*匹配0或无限次,?匹配0或1次
df_obj[df_obj['套餐'].str.contains(r'.*?语音CDMA.*')]
# 下面两句效果一致
df[df['商品名称'].str.contains("四件套")]
df[df['商品名称'].str.contains(r".*四件套.*")]

正则表达式

多表拼接

• merge
• join
• concat
• append
• combin_first

merge 合并

• pandas.merge可根据一个或多个键将不同DataFrame中的行合并起来

  # 在未指定连接键的情况下，merge会将重叠列的列名当做键
  pd.merge(left, right)
  
  # 指定“on”作为连接键，left和right两个DataFrame必须同时存在“on”列，连接键也可N对N（少用）
  pd.merge(left, right, on="key")
  pd.merge(left, right, on=["key1", "key2"])
  
  # 指定left的连接键为“lkey”，right的连接键为“rkey”
  pd.merge(left,  right,  left_on="lkey",  right_on="rkey")
  
  # suffixes:用于追加到重叠列名的末尾，默认为("_x", "_y")
  pd.merge(left,  right,  on="key",  suffixes=("_left",  "_right"))
  
  # 指定连接方式：“inner”（默认），“left”，“right”，“outer”
  pd.merge(left, right, how="outer")
  

• 多对多连接产生的是行的笛卡尔积

• 常用方式：连接方式为“left”，right的连接键要唯一（去除重复值），通过right的数据补全left的数据索引上的合并（可用join代替，而且join更方便）

• 当DataFrame的连接键位于其索引中，可以使用 left_index=True 和 right_index=True

  # 索引和索引连接
  pd.merge(left,  right,  left_index=True,  right_index=True)
  
  # "key"和索引连接
  pd.merge(left,  right,  left_on="key",  right_index=True)
  
  # 层次化索引
  pd.merge(left,  right,  left_on=["key1", "key2"],  right_index=True)
  

join 连接

• DataFrame的join实例方法，是为了方便实现索引合并

  # 用left的索引和right的索引进行merge
  left.join(right)
  
  # 用left的索引和right的“key”进行merge
  left.join(right， on="key")
  
  # 层次化索引
  left.join(right， on=["key1", "key"])
  
  # join可以合并两张以上的表，而merge只能合并两张表
  left.join([right1, right2], how="outer")
  

concat 轴向连接

• pandas.concat可以沿着一条轴将多个表对象堆叠到一起：因为模式how模式是“outer”

  # 默认 axis=0 上下拼接，列column重复的会自动合并
  pd.concat([df1, df2], axis=0)
  
  # axis=1 左右拼接，行raw/index重复的会自动合并
  pd.concat([df1, df2], axis=1)
  
  # 忽略df1和df2原来的index，重新给新的DataFrame设置从0开始的index
  pd.concat([df1,df2],  ignore_index=True)
  

append

• 使用场景：表头一致的多张表，进行连接（上下连接）

  df1.append(df2).append(df3)
  

combin_first 数据填补

• 使用场景：有两张表left和right，一般要求它们的表格结构一致，数据量也一致，使用right的数据去填补left的数据缺漏

• 如果在同一位置left与right数据不一致，保留left的数据

  df1.combin_first(df2)
  

数据聚合&分组运算

groupby

# 单层分组
df.groupby('区域')
# 多层分组
df.groupby(['A','B'])

# 每个分组记录的计数
df.groupby('区域').size()
>>> 区域
	东莞     7528
	中山      520
	佛山     5632
    ...
	dtype: int64

# 分组数
len(df.groupby('区域'))
>>> 7

aggregate

grouped = df.groupby(['A','B'])
# 对一个特征一次求得多个统计数
grouped['age'].agg([np.sum, np.mean, np.std])
# 对单一属性统计可以改列名
grouped['age'].agg({"求和":np.sum,"求平均数":np.mean})
#　对不同属性求不同的统计数
grouped.agg({'age':np.mean,'fnlwgt':np.sum})

filter

# filter()
# 过滤分组计数少于1000的分组，在把分组计数大于1000的分组整合成一个DataFrame返回
con1 = lambda s : len(s) > 1000
df1 = grouped.filter(con1)
# 过滤分组age均值小于30的分组
con2 = lambda s : s['age'].mean()>30
df2 = grouped3.filter(con2)

tansformation

# tansformation()
# 会返回一个数据集，这个数据集与group具有相同的索引以及大小 相当分组处理后合并
# 举例说明对数据集进行标准化：
zscore = lambda s : (s - s.mean())/s.std()
df = grouped.transform(zscore)

数据透视表

crosstab

# crosstab() 一般只用与计数的数据透视表
pd.crosstab(index= df['A'],
            columns = [df['B'],df['C']],
            margins =True,
            dropn=True)

pivot/pivot_table

# Produce 'pivot' table based on 3 columns of this DataFrame.
# Uses unique values from index / columns and fills with values.
# 感觉能使用的场景很少，因为不重复
df.pivot(index, columns, values)

df.pivot_table(values=None,
               index=None,
               columns=None,
               aggfunc='mean',
               fill_value=None,
               margins=False,
               dropna=True,
               margins_name='All')
# 需求： index 是A ，columns 是 B，C, 我要求E的平均数并且有边
pd.pivot_table(df,
               values = 'E',
               index = 'A',
               columns = ['B','C'],
               aggfunc = [np.mean,np.sum],
               margins = True)

时间序列

时间格式转化

# 转化时间格式
df['time']=pd.to_datetime(df['time'])

时间索引操作

哑编码

pd.get_dummies(data,
               prefix=None,
               prefix_sep='_',
               dummy_na=False,
               columns=None,
               sparse=False,
               drop_first=False)

数据导出

pd.to_csv("XXX.csv",index=False)

from sqlalchemy import create_engine
engine = create_engine('mssql+pymssql://zxadmin:Zx!@#$8888@172.17.180.113/BS_KF')
pd.io.sql.to_sql(df,'payroll',engine,if_exists='append',index=False,chunksize=10000)

数据入库

# pd 1.9以后的版本，除了sqllite，均需要通过sqlalchemy来设置
from sqlalchemy import create_engine
engine = create_engine('mssql+pymssql://zxadmin:Zx!@#$8888@172.17.180.113:8000/BS_KF')
# append：如果表存在，则将数据添加到这个表的后面
# fail：如果表存在就不操作
# replace：如果存在表，删了，重建
pd.io.sql.to_sql(df,'table_name',engine,if_exists='append',index=False,chunksize=10000)
# 关闭连接
engine.dispose()

技巧

数据集概览

# 整体概况
def birdview(data):
    print(data.shape)
    d = {}
    for col in data.columns:
        if len(list(data[col].unique()))<30:
            d[col]= str(list(data[col].unique()))
        else:
            d[col]= "too much"

    r = pd.DataFrame(pd.Series(d),columns=['values'])\
            .join(pd.DataFrame(data.dtypes,columns=['type']))\
            .join(pd.DataFrame(data.count(),columns=['count']))\
            .join(pd.DataFrame(data.isnull().sum(),columns=['isnull']))

    return r.sort_values(by=['values','type',])

def catview(data):
    print("定性数据概况")
    for c in data.columns:
        print(c)
        print(dict(df[c].value_counts()))

def valueview(data):
    print("定值数据概况")
    return data.describe().T\
            .join(pd.DataFrame(data.skew(),columns=['skew']))\
            .join(pd.DataFrame(data.kurt(),columns=['kurt']))

长宽表转换

宽表转换为长表

# 方法一：先用set_index，再用stack，然后还有rename修改下列名
df.set_index(['Company','Name'], inplace = True).stack().reset_index()

# 方法二：melt
df.melt(id_vars=['Company','Name'],
        var_name='Year',
        value_name='Sale')

长表转换为宽表

df.pivot_table(index=['Company','Name'], columns='Year', values='Sale')

行列互换

df.T