pandas操作速查表

准备工作

import numpy as np
import pandas as pd

倒入文件或创建一个数据表

df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))
pd.read_table(filename)# 从限定分隔符的文本文件导入数据
pd.read_excel(filename)# 从Excel文件导入数据
pd.read_sql(query, connection_object)# 从SQL表/库导入数据
pd.read_json(json_string)# 从JSON格式的字符串导入数据
pd.read_html(url)# 解析URL、字符串或者HTML文件，抽取其中的tables表格
pd.read_clipboard()# 从你的粘贴板获取内容，并传给read_table()
pd.DataFrame(dict)# 从字典对象导入数据，Key是列名，Value是数据

倒入各种格式的文件操作

# 创建数据表，下面两个数据表是以下所有操作的数据支持
# pd.DataFrame(np.random.rand(20,5))# 创建20行5列的随机数组成的DataFrame对象
df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
                    "date":pd.date_range('', 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'])

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]})

一、查看数据表信息

　　包含操作：

• • 查看维度
  • 查看数据表基本信息
  • 查看每一列／指定列数据格式
  • 查看数据表每一单元格是否为空值
  • 查看指定列值
  • 查看数据表
  • 查看表头
  • 查看前／后n行数据
  • 查看数值型列的汇总统计
  • 查看DataFrame对象中每一列的唯一值和计数

print(df.shape) # 查看维度、行数和列数（x*y）
print(df.info())# 查看数据表基本信息（维度、列名称、数据格式、所占空间等）
print(df.dtypes)# 查看每一列数据的格式
print(df['price'].dtype) # 查看指定列的数据格式
print(df.isnull()) # 查看数据表每一单元格是否为空值
print(df['age'].unique()) # 查看指定列的值（去重）
print(df.values)# 查看数据表
print(df.columns)# 查看表头
print(df.head(3)) # 查看前x行数据，括号内为空时默认为10
print(df.tail(3)) # 查看后x行数据，括号内为空时默认为10
print(df.describe()) # 查看数值型列的汇总统计
print(df.apply(pd.Series.value_counts)) # 查看DataFrame对象中每一列的唯一值和计数

二、数据表清洗

　　包含操作：

• • 重命名列名
  • 检查空值
  • 删除包含空值的行／列
  • 删除所有小于n的非空值的行
  • 填充空值
  • 清除空格
  • 更改数据格式
  • 删除指定列中重复的值
  • 更改数据

df.columns = ['a','b','c']# ：重命名列名
print(df.isnull())# 检查DataFrame对象中的空值，并返回一个Boolean数组
print(df.notnull())# 检查DataFrame对象中的空值，并返回一个Boolean数组

print(df.dropna())# 删除所有包含空值的行
print(df.dropna(axis=1))# 删除所有包含空值的列
print(df.dropna(axis=1,thresh=n))# 删除所有小于n的非空值的行

print(df.fillna(value=0)) # 用数字0填充空值，返回值为填充后的表信息
print(df['price'].fillna(df['price'].mean())) # 使用指定列（price）的均值填充指定列（price）的空值，返回值为填充后的列信息

df['city']=df['city'].map(str.strip) # 清除指定字段（city）的字符空格，注意清洗完数据后要重新赋值回去
df['city']=df['city'].str.lower() # 支持str的操作，这里指变为小些，注意清洗完数据后要重新赋值回去
print(df['city'])

print(df['age'].astype('int')) # 更改数据格式，这里的操作是将数据转为int，不需要重新赋值
print(df.rename(columns={'category': 'category-size'})) # 更改表头

print(df['city'].drop_duplicates()) # 删除指定列中重复的值（保留前面的，删除后面的）
print(df['city'].drop_duplicates(keep='last'))# 删除指定列中重复的值（保留后面的，删除前面的）

print(df['city'].replace('sh', 'shanghai')) # 更改数据

三、数据表操作

　　包含操作：

• • 交集、并集、左连接、右连接
  • 设置索引
  • 排序
  • 分组标记
  • 分列并创建数据表

df_inner=pd.merge(df,df1,how='inner')  # 交集，少匹配合并
df_left=pd.merge(df,df1,how='left')    # 左连接，按左表为准，右表不够的用NaN补
df_right=pd.merge(df,df1,how='right')  # 右连接，按右表为准，左表不够的用NaN补
df_outer=pd.merge(df,df1,how='outer')  # 并集，多匹配合并
print(df_inner)
print(df_left)
print(df_right)
print(df_outer)

print(df_inner.set_index('id')) # 设置索引列，这里索引设置的是id列
print(df_inner.sort_values(by=['m-point'])) # 按照指定列排序，默认升序
print(df_inner.sort_values(by=['m-point']),ascending=False) # 按照指定列排序，指定降序
print(df_inner.sort_index()) # 按照索引排序，默认升序

# group的值按price的大小显示，大于3000显示high，小于3000显示low
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
df_inner.loc[(df_inner['city'] == 'Beijing') & (df_inner['gender'] == 'male'), 'sign']=1# 对复合多个条件的数据进行分组标记
print(df_inner)

# 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
print(pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))

# 将完成分裂后的数据表和原df_inner数据表进行匹配
split = pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
print(df_inner)

四、数据提取

　　包含操作：

• • 提取单行／区域行的值
  • 重设索引
  • 按位置提取数据
  • 按索引提取数据
  • 判断数据值
  • 提取指定字符并生成数据表

"""
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。
"""
print(df_inner.loc[3])# 按索引提取单行的数值，这里提取的是第四行
print(df_inner.iloc[0:5])# 按索引提取区域行数值，这里提取的是0到四行

df_inner.reset_index()# 重设索引
df_inner=df_inner.set_index('date') # 将指定字段设置为索引，这里用的日期
print(df_inner[:'2013-01-04'])# 切片提取数据，这里切的日期，需要先将日期设为索引

# - 使用iloc按位置区域提取数据
print(df_inner.iloc[:3,:2]) #冒号前后的数字不再是索引的标签名称而是数据所在的位置，这里表示从0开始，前三行，前两列。
print(df_inner.iloc[[0,2,5],[4,5]]) #提取第0、2、5行，4、5列

# - 使用ix按索引标签和位置混合提取数据
print(df_inner.ix[:'2013-01-03',:4]) #2013-01-03号之前，前四列数据

print(df_inner['city'].isin(['Beijing']))# 判断city列的值是否为北京

print(df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])])# 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

print(pd.DataFrame(df_inner['city'].str[:3]))# 提取前三个字符，并生成数据表

五、数据筛选

　　包含操作：与／或／非／大于／小于／等于／不等于

# 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。
print(df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'shanghai'), ['id','city','age','category','gender']])
print(df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'shanghai'), ['id','city','age','category','gender']] )
print(df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']])

# 对筛选后的数据按city列进行计数
print(df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].city.count())

# 使用query函数进行筛选
print(df_inner.query('city == ["beijing", "shanghai"]'))

# 对筛选后的结果按price进行求和
print(df_inner.query('city == ["Shenzhen", "shanghai"]').price.sum())

六、数据处理

　　包含操作：计数汇总（主要用groupby）

# 主要函数是groupby和pivote_table
print(df_inner.groupby('city').count())# 对所有的列进行计数汇总
print(df_inner.groupby('city')['id'].count())# 按city对id字段进行计数
print(df_inner.groupby(['city','price'])['id'].count())# 对两个字段进行汇总计数
print(df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) )# 对city字段进行汇总，并分别计算prince的合计和均值

七、数据统计

　　包含操作：

• • 数据采样（可设置权重）
  • 数据表描述性统计
  • 标准差和方差
  • 相关性统计
  • 所有列的均值
  • 每一列的最大值、最小值、中位数、标准差

# 数据采样，计算标准差，协方差和相关系数
print(df_inner.sample(n=3))# 简单的数据采样（随机取3行数据）

# 手动设置采样权重，这里指3／4／5的权重比较高，随机取时概率较大
weights = [0, 0, 0, 0.5, 0.5, 0.5]
print(df_inner.sample(n=2, weights=weights))

print(df_inner.sample(n=6, replace=False))# 采样后不放回
print(df_inner.sample(n=6, replace=True))# 采样后放回

# 数据表描述性统计
print(df_inner.describe().round(2).T) #round函数设置显示小数位，T表示转置

# 标准差和协方差
print(df_inner['price'].std())# 计算列的标准差
print(df_inner['price'].cov(df_inner['m-point']))# 计算两个字段间的协方差
print(df_inner.cov())# 计算数据表中所有字段间的协方差

# 计算两个字段的相关性分析，相关系数在-1到1之间，接近1为正相关，接近-1为负相关，0为不相关
print(df_inner['price'].corr(df_inner['m-point']))

print(df.describe())# 查看数据值列的汇总统计
print(df.mean())# 返回所有列的均值
print(df.corr())# 返回列与列之间的相关系数
print(df.count())# 返回每一列中的非空值的个数
print(df.max())# 返回每一列的最大值
print(df.min())# 返回每一列的最小值
print(df.median())# 返回每一列的中位数
print(df.median())# 返回每一列的标准差

八、数据输出

df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
df_inner.to_csv('excel_to_python.csv')
df.to_sql(table_name, connection_object)# 导出数据到SQL表
df.to_json("filename")# 以Json格式导出数据到文本文件