pandas使用
一、pd.cut()与pd.qcut()的区别
假设有一组人员数据,而你希望将它们划分为不同的年龄组
ages = [18,20,22,25,27,21,23,37,31,61,45,32]
bins = [18,25,35,60,100]
cats = pd.cut(ages, bins)#将ages中的每个元素划分到bins组内
cats
'''
[NaN, (18, 25], (18, 25], (18, 25], (25, 35], ..., (35, 60], (25, 35], (60, 100], (35, 60], (25, 35]]
Length: 12
Categories (4, interval[int64]): [(18, 25] < (25, 35] < (35, 60] < (60, 100]]
四个分组采取左开右闭方式,不存在于某区间内,则为NaN
'''
#添加分组标签
group_names = ['Youth', 'YoungAdult', 'MiddleAged', 'Senior']
cats = pd.cut(ages, bins, labels=group_names)
'''
[NaN, Youth, Youth, Youth, YoungAdult, ..., MiddleAged, YoungAdult, Senior, MiddleAged, YoungAdult]
Length: 12
Categories (4, object): [Youth < YoungAdult < MiddleAged < Senior]
''' '''
qcut是类似cut的函数,但是qcut是使用的样本分位数,所以得到大小基本相等的面元。即每个面元,每个分组的数据数量基本相同。 pd.qcut(data,4) 即将数据data均匀撒在四个分组中
'''
data = [x for x in range(20)]
pd.qcut(data, 4,labels=[0,1,2,3])
'''
[0, 0, 0, 0, 0, ..., 3, 3, 3, 3, 3]
Length: 20
Categories (4, int64): [0 < 1 < 2 < 3]
'''
二、当数据列中存在NA值时,想对这些NA值进行填充
import pandas as pd
import numpy as np train_file = "train.csv"
test_file = "test.csv"
test_result_file = "gender_submission.csv" train = pd.read_csv(train_file)
test = pd.read_csv(test_file)
test_y = pd.read_csv(test_result_file)#test也有标签,用于核对模型对test数据预测的结果好坏 full_data = [train,test]
print(train.info()) #比如有一数据列Age,存在NA值,使用的填充值的范围[(mean - std) ,(mean + std)]
for dataset in full_data:
age_avg = dataset['Age'].mean()
age_std = dataset['Age'].std() age_null_count = dataset['Age'].isnull().sum()
age_default_list = np.random.randint(low=age_avg-age_std,high=age_avg+age_std,size=age_null_count,) dataset['Age'][np.isnan(dataset['Age'])] = age_default_list
dataset['Age'] = dataset['Age'].astype(int)
三、如何更改pandas DataFram的列名
有两种方法:df.columns和df.renames
import pandas as pd
df = pd.DataFrame({'a':[1,2,3],'b':[4,5,6]})
print(df)
'''
a b
0 1 4
1 2 5
2 3 6
''' #一、修改列名a,b为A、B
df.columns = ['A','B']
print(df)
'''
A B
0 1 4
1 2 5
2 3 6
'''
#二、只修改列名A为a
df.rename(columns={'A':'a'})
'''
a B
0 1 4
1 2 5
2 3 6
'''
四、pandas中pd.loc和pd.iloc及pd.ix的区别
import pandas as pd
data = [[1,2,3],[4,5,6]]
index = ['A','B']
columns=['a','b','c']
df = pd.DataFrame(data=data, index=index, columns=columns)
'''
a b c
A 1 2 3
B 4 5 6
''' #loc——通过行标签索引行数据
df.loc['A']
'''
a 1
b 2
c 3
Name: A, dtype: int64
''' df.loc['B']
'''
a 4
b 5
c 6
Name: B, dtype: int64
''' #iloc——通过行号获取行数据
df.iloc[0]
'''
a 1
b 2
c 3
Name: A, dtype: int64
''' df.iloc[1]
'''
a 4
b 5
c 6
Name: B, dtype: int64
''' #ix——结合前两种的混合索引
df.ix['A']
'''
a 1
b 2
c 3
Name: A, dtype: int64
''' df.ix[0]
'''
a 1
b 2
c 3
Name: A, dtype: int64
'''
五、pandas如何去掉数据集某列或者某行
pd.drop(),要注意如果想直接作用到原对象上,可传入参数inplace=True,即:pd.drop(inplace=True)
df = pd.DataFrame(np.arange(12).reshape(3,4), columns=['A','B','C','D'])
df
'''
A B C D
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
''' df.drop(['B','C'],axis=1)
'''
A D
0 0 3
1 4 7
2 8 11
''' #去掉某行
df.drop([0,1])
'''
A B C D
2 8 9 10 11
''' #传入参数inplace=True,直接作用于原对象
df.drop([1,2],inplace=True)
df
'''
A B C D
0 0 1 2 3
'''
六、pd.Series()使用
Series是一种类似于一维数组的对象,它由一组数据以及一组与之相关的数据标签(即索引)组成
Se = pd.Series([4, 7, -5, 3])
Se
'''
0 4
1 7
2 -5
3 3
dtype: int64
''' Se = pd.Series([4,7, -5, 3], index=['d', 'b', 'a', 'c'])
Se
'''
d 4
b 7
a -5
c 3
dtype: int64
''' #取值
Se['a']
'''
-5
''' Se['b']
'''
7
''' #元素为int时计算
Se * 2
'''
d 8
b 14
a -10
c 6
dtype: int64
'''
七、pd合并数据集
pd.concat()用法
s1 = pd.DataFrame([0,1], index=['a', 'b'])
s2 = pd.DataFrame([2,3], index=['c', 'd'])
s3 = pd.DataFrame([4,5], index=['e', 'f'])
'''
s1
0
a 0
b 1 s2
0
c 2
d 3 s3
0
e 4
f 5
'''
#默认按照行合并
pd.concat( [s1,s2,s3] )
'''
0
a 0
b 1
c 2
d 3
e 4
f 5
''' #axis=1,按照列合并,如果索引不同,用NAN填充
pd.concat([s1,s2,s3],axis=1)
'''
0 0 0
a 0.0 NaN NaN
b 1.0 NaN NaN
c NaN 2.0 NaN
d NaN 3.0 NaN
e NaN NaN 4.0
f NaN NaN 5.0
'''
#axis=1,按照列合并,如果索引相同,s1和s2,s3索引都是a,b
pd.concat([s1,s2,s3],axis=1)
'''
0 0 0
a 0 2 4
b 1 3 5
'''
八、利用pd进行数据筛选
#筛选出多列
train[ ['FamilySize','IsAlone'] ] #按照列的条件进行筛选
train['IsAlone'][train['FamilySize']==1] = 1#将FamilySize域为1的IsAlone域赋值为1
九、关于low_memory=False
import pandas as pd
data = pd.read_csv('银行产品推荐数据.csv')
'''
Warning (from warnings module):
File "Bank.py", line 1
import pandas as pd
DtypeWarning: Columns (11) have mixed types. Specify dtype option on import or set low_memory=False.
''' #有时出现上面的错误,改正方法
#方法一
data = pd.read_csv('银行产品推荐数据.csv', low_memory=False) #方法二,优于方法一
data = pd.read_csv( '银行产品推荐数据.csv', dtype={ "Is Employee's Spouse":str } )
pandas读取csv文件默认是按块读取的,即不一次性全部读取;
另外pandas对数据的类型是完全靠猜的,所以pandas每读取一块数据就对csv字段的数据类型进行猜一次,所以有可能pandas在读取不同块时对同一字段的数据类型猜测结果不一致
low_memory=False 参数设置后,pandas会一次性读取csv中的所有数据,然后对字段的数据类型进行唯一的一次猜测。这样就不会导致同一字段的Mixed types问题了。
但是这种方式真的非常不好,一旦csv文件过大,就会内存溢出;所以推荐用方法二
十、value_counts转换为字典:to_dict()
dataframe[field].astype(int).value_counts().to_dict()
十一、筛选满足条件的行
df[df['column name'].map(len) < 2]
# df为整个数据框
pandas使用的更多相关文章
- pandas基础-Python3
未完 for examples: example 1: # Code based on Python 3.x # _*_ coding: utf-8 _*_ # __Author: "LEM ...
- 10 Minutes to pandas
摘要 一.创建对象 二.查看数据 三.选择和设置 四.缺失值处理 五.相关操作 六.聚合 七.重排(Reshaping) 八.时间序列 九.Categorical类型 十.画图 十一 ...
- 利用Python进行数据分析(15) pandas基础: 字符串操作
字符串对象方法 split()方法拆分字符串: strip()方法去掉空白符和换行符: split()结合strip()使用: "+"符号可以将多个字符串连接起来: join( ...
- 利用Python进行数据分析(10) pandas基础: 处理缺失数据
数据不完整在数据分析的过程中很常见. pandas使用浮点值NaN表示浮点和非浮点数组里的缺失数据. pandas使用isnull()和notnull()函数来判断缺失情况. 对于缺失数据一般处理 ...
- 利用Python进行数据分析(12) pandas基础: 数据合并
pandas 提供了三种主要方法可以对数据进行合并: pandas.merge()方法:数据库风格的合并: pandas.concat()方法:轴向连接,即沿着一条轴将多个对象堆叠到一起: 实例方法c ...
- 利用Python进行数据分析(9) pandas基础: 汇总统计和计算
pandas 对象拥有一些常用的数学和统计方法. 例如,sum() 方法,进行列小计: sum() 方法传入 axis=1 指定为横向汇总,即行小计: idxmax() 获取最大值对应的索 ...
- 利用Python进行数据分析(8) pandas基础: Series和DataFrame的基本操作
一.reindex() 方法:重新索引 针对 Series 重新索引指的是根据index参数重新进行排序. 如果传入的索引值在数据里不存在,则不会报错,而是添加缺失值的新行. 不想用缺失值,可以用 ...
- 利用Python进行数据分析(7) pandas基础: Series和DataFrame的简单介绍
一.pandas 是什么 pandas 是基于 NumPy 的一个 Python 数据分析包,主要目的是为了数据分析.它提供了大量高级的数据结构和对数据处理的方法. pandas 有两个主要的数据结构 ...
- pandas.DataFrame对行和列求和及添加新行和列
导入模块: from pandas import DataFrame import pandas as pd import numpy as np 生成DataFrame数据 df = DataFra ...
- pandas.DataFrame排除特定行
使用Python进行数据分析时,经常要使用到的一个数据结构就是pandas的DataFrame 如果我们想要像Excel的筛选那样,只要其中的一行或某几行,可以使用isin()方法,将需要的行的值以列 ...
随机推荐
- Ajax写成绩批量录入
1.jsp,ajax的循环调用,必须要递归,否则会出错. <%@ page language="java" import="java.util.*" pa ...
- 1.个人项目 Individual Project
https://github.com/sunlitao 一. 实验1通讯录管理系统 通讯录中的联系人包含以下信息项:姓名.手机.办公电话.家庭电话.电子邮箱.所在省市.工作单位.家庭住址,群组分类(亲 ...
- zookeeper安装(Linux)
安装环境: Linux:centos6.4 Jdk:1.7以上版本 Zookeeper是java开发的可以运行在windows.linux环境.需要先安装jdk. 安装步骤: 第一步:安装jdk 第二 ...
- git 使用ssh密钥
一.查看仓库支持的传输协议 1.1查看仓库支持的传输协议 使用命令 git remote -v 查看你当前的 remote url root@zengyue:/home/yuanGit# git re ...
- 牛客OI周赛7-提高组
https://ac.nowcoder.com/acm/contest/371#question A.小睿睿的等式 #include <bits/stdc++.h> using names ...
- win10总是2分钟就自动睡眠怎么办 win10系统自动休眠bug怎么解决(转)
解决方法如下: 1.右键点击开始图标,选择[运行],或者利用快捷键“win+R”打开运行窗口,win键是ctrl和alt键中间的徽标键:
- CSS全屏布局的6种方式
前面的话 全屏布局在实际工作中是很常用的,比如管理系统.监控平台等.本文将介绍关于全屏布局的6种思路 float [1]float + calc 通过calc()函数计算出.middle元素的高度,并 ...
- 一本通1619【例 1】Prime Distance
1619: [例 1]Prime Distance 题目描述 原题来自:Waterloo local,题面详见 POJ 2689 给定两个整数 L,R,求闭区间 [L,R] 中相邻两个质数差值最小的数 ...
- java 按概率产生
import java.util.Random; import org.junit.Test; public class Demo1 { public void getChance(int perce ...
- 本地项目上传到github 报错“master -> master (non-fast-forward)”
接下来 第一步:建立git仓库 cd到你的本地项目根目录下,执行git命令,此命令会在当前目录下创建一个.git文件夹. git init 第二步:将项目的所有文件添加到仓库中 git add . 这 ...