Python数据分析与挖掘所需的Pandas常用知识

前言
Pandas基于两种数据类型：series与dataframe。
一个series是一个一维的数据类型，其中每一个元素都有一个标签。series类似于Numpy中元素带标签的数组。其中，标签可以是数字或者字符串。
一个dataframe是一个二维的表结构。Pandas的dataframe可以存储许多种不同的数据类型，并且每一个坐标轴都有自己的标签。你可以把它想象成一个series的字典项。

Pandas常用知识

一、读取csv文件为dataframe
二、dataframe的数据概况
三、取列数据
四、取行数据
五、取某一单元格数据
六、缺失值处理
七、归一化处理
八、排序
九、索引重新编号
十、求均值
十一、矢量化操作（批量操作）
十二、透视表

一、读取csv文件为dataframe

Pandas很好的一点是，可以操作表文件。输出为dataframe格式，这点很nice。使用pandas.read_csv()读取csv文件，输出为dataframe格式数据。这里数据data.csv数据集下载自百度地图。

import pandas as pd

filepath = r'C:/Users/lenovo/Desktop/20180108-百度地图/20180108-百度地图/data.csv'

df = pd.read_csv(filepath)

#为了方便，我只显示三行，其实结果并不是这样子

print(df)

检测下数据格式

#检测下数据格式是否为DataFrame

print(type(df))

#输出class 'pandas.core.frame.DataFrame

二、 DataFrame数据概况

我们想知道数据如下知识：

展示dataframe前后几条记录
显示dataframe的列名字
查看dataframe的维度情况（几行几列）

2.1展示dataframe前后几行

#展示前两条记录（根据需要显示条数）

df.head(2)

print(df.head(2))

#展示后三条记录

df.tail(3)

print(df.tail(3))

2.2展示dataframe列名

#展示列名

col_names = df.columns

print(col_names)

#查看下col_names格式

type(col_names)

#将col_names转化为list

col_list = col_names.tolist()

col_list

三、从dataframe中取列数据

使用dataframe[column_name]，返回series格式数据。 series序列数据类似于list，你可以近似等同于list。只不过返回数据中会多一列index索引。如下面的左侧数字序号

3.1 取一列数据

#这里我们一列，如取Name列数据

df['Name'][:5]

print(df['Name'][:5])

3.2取多列数据

#这里返回的数据还是dataframe格式，为了方便也只显示前几条记录

cols = ['name', 'province_name', 'city_name', 'city_code', 'area', 'addr']

df[cols]

print(df[cols])

四、从dataframe中取行数据（记录）

ix[row, col] 中括号中第一个参数row是行参数，你想选择的数据行数。第二个参数col是列参数，选择你想要的列数据项。

4.1取一行数据

#第一行所有数据

df.ix[0, :]

print(df.ix[0, :])

#第一行的某几列数据

col = ['Survived', 'Pclass', 'Sex']

df.ix[0, col]

print(df.ix[0, col])

2取多行数据

#取多行数据，所有列。这里我选择前5行，所有列.

#这里是不是很像切片操作。python基础很重要

df.ix[:5, :]

print(df.ix[:5, :])

#取多行，某几列

df.ix[:5, col]

print(df.ix[:5, col])

五、取某一单元格数据

取第一行第一列。df.ix[0,0] 第三行第七列。df.ix[2,6]

六、缺失值处理

缺失值一般标记为NaN,处理办法如下

df.dropna(axis)

  默认直接使用df.dropna()

  axis=1,按照行进行缺失值处理

  axis=0，按照列进行缺失值处理

df.dropna(axis=0,subset)

  axis=0,按照列方向处理subset中的列缺失值

  subset=[column]   subset含有一个或多个列名的的list

6.1按照行进行缺失值处理

#按照列处理缺失值(为显示方便，只显示前5行)

df.dropna(axis=0)

#对指定列进行缺失值处理

df.dropna(axis=0,subset=['Sex','Age'])

七、归一化处理

数据集中，不同的列的数据可能在不同量级，如果直接进行分析。模型会认为数字大的影响力大，数字小的影响力小。最终结果可能导致量级小的变量被剔除出模型。因此需要将数据归一化，变成同一量级的数据，这就是归一化操作。在这里我们只对一列操作下，其余列也需要操作，但为了方便，这里只写一列的归一化处理。

处理步骤：

1.选取该列的最大值

max_value = df[col].max()

2.该列所有值均除以max_value

这里要注意，我们会用到pandas特性，矢量化操作，也就是可以对一个列表进行批量同样的操作。

#这里我们选Fare列进行归一化，先看下Fare的数据

#为了方便显示，只显示了前10个

df['Fare']

#这里我们选Fare列进行归一化

max_value = df['Fare'].max()

max_value

#这里我们选Fare列进行归一化

max_value = df['Fare'].max()

max_value

#归一化，并将数据传入新列new_Fare

df['new_Fare']=df['Fare']/max_value

df['new_Fare']

八、排序

df.sort_values(col,inplace,ascending)

col          对col列进行排序

inplace      布尔型值，是否原地操作。

             True时，操作结果覆盖掉原数据，原数据被修改

             False时，新建一个新数据，原数据未被修改

ascending    布尔型值。升序降序。 False降序，True升序

#对Age列进行降序操作，不修改原始数据

df.sort_values('Age',inplace=False,ascending=False)

九、索引重新

将排序后的索引重新排序

df.reset_index(drop)

drop    为布尔型值，True表示修改原始数据的索引。

                  False保留原始数据索引序列。

df.reset_index(drop=False)

十、求平均值

10.1所有列的平均值信息

df.mean()

10.2 单个列的平均值

df['Age'].mean()

十一、矢量化操作（批量操作）

一般对如list样式的数据批量操作，需要写循环，但是这样费时费力。 pandas基于numpy，可进行矢量化操作，一行就能完成复杂的循环语句，而且运行效率还很高。

#对Age列批量加10

df['Age']+10).head

#对Age列批量减20

df['Age']-10

十二、透视表

df.pivot_table(index=col1,values=col2,aggfunc='numpy函数')

围绕index参数列，分析各个col2，aggfunc是np函数，当然这里的aggfunc也可以是自定义函数。

#分析平均年龄对对生存率的影响。

#0为死亡，1为生存。

#这里我们发现年龄对生存率有影响。

import numpy as np

df.pivot_table(index='Survived',values='Age',aggfunc=np.mean)

#分析仓位等级对生存率影响。0为死亡，1为生存。

#仓位为一等二等三等分别取值1，2，3

#一等舱最高级。我们发现仓位等级对生存也有影响。

df.pivot_table(index='Survived',values='Pclass',aggfunc=np.mean)

pandas提取html中的表格数据

pandas会在网页中寻找任何符合html表形式的数据，并将其转化WieDataFrame对象作为返回结果

Code

pandas使用方法

import pandas as pd

#header=1 显示列名；header=0，不显示

pd.read_html(url,header)

实战代码开始

import pandas as pd

url = "http://hz.house.ifeng.com/detail/2014_10_28/50087618_1.shtml"

data = pd.read_html(url,header=1)

print(data)

注意啊，这里得到的数据格式是list。

[      序号       楼盘名称    城区 签约套数 预定套数 签约面积（㎡）签约均价（元/㎡）

0    1.0        龙湖春江郦城   滨江    18     0    2178.61    23757.0

1    2.0        海威钱塘之星   滨江    13     0    629.55㎡    17398.0

2    3.0        大家运河之星   拱墅    12     0   1052.72㎡    10457.0

3    4.0        保利城市果岭   下沙     8     0    743.05㎡    10457.0

    ..   ...           ...  ...   ...   ...        ...        ...

85  86.0        广宇锦绣桃源   拱墅     1     0     86.44㎡    12473.0

86  87.0       景瑞申花壹号院   拱墅     1     0     89.18㎡    21529.0

87  88.0        复地黄龙和山   西湖     0     1         0㎡        0.0

88  89.0         中粮方圆府   下城     0     1         0㎡        0.0

89  90.0          东方铭楼   下沙     0    16         0㎡        0.0

90   NaN         总计签约：  主城区   216    40  21755.55㎡        NaN

[91 rows x 7 columns],    2

DataFrame对象

df.to_json()

而只要知道数据存储在DataFrame中，一切都变的简单起来。比如我很希望数据以json记形式输出，很简单！这只是一行代码的事情。

import pandas as pd

data = pd.read_html(url,header=1)

#data数据是list类型，要先转化为dataframe

df = pd.DataFrame(data)

df.to_json(orient='records')

df.to_csv()

dataframe对象，还可以将数据输出保存为csv文件

import pandas as pd

data = pd.read_html(url,header=1)

df = pd.DataFrame(data)

#encoding为gbk编码，可以在office excel中看中文不乱吗

df.to_csv('data.csv',encoding='gbk')

转自：简书专栏：https://www.jianshu.com/u/c1ab741ef52e