【转】Pandas常见用法总结

 

关键缩写和包导入

在这个速查手册中，我们使用如下缩写：

df：任意的Pandas DataFrame对象
s：任意的Pandas Series对象

 

raw：行标签
col：列标签

 

引入响应模块：

import pandas as pd
import numpy as np

 

导入数据

• pd.read_csv(filename_path)：从CSV文件导入数据
• pd.read_table(filename_path)：从限定分隔符的文本文件导入数据
• pd.read_excel(filename_path)：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

 

pd.read_excel(io, sheetname=0, header=0, skiprows=None, skip_footer=0, index_col=None, names=None, parse_cols=None, parse_dates=False, date_parser=None, na_values=None, thousands=None, convert_float=True, has_index_names=None, converters=None, dtype=None, true_values=None, false_values=None, engine=None, squeeze=False, **kwds)
 '''该函数主要的参数为：io、sheetname、header、names、encoding。
   io:excel文件，可以是文件路径、文件网址、file-like对象、xlrd workbook;
   sheetname:返回指定的sheet，参数可以是字符串（sheet名）、整型（sheet索引）、list（元素为字符串和整型，返回字典{'key':'sheet'}）、none（返回字典，全部sheet）;（如果一个excel含有多个表，如果你只想读入其中一个可以：df = pd.read_excel('log.xls', sheetname=1)）
   header:指定数据表的表头，参数可以是int、list of ints，即为索引行数为表头;
   names:返回指定name的列，参数为array-like对象。
   encoding:关键字参数，指定以何种编码读取。
  该函数返回pandas中的DataFrame或dict of DataFrame对象，利用DataFrame的相关操作即可读取相应的数据。'''
   


pd.read_table(r'E:\test.txt', sep=' ',index_col=0)
 '''常用参数：
     header=None:没有每列的column name，可以自己设定
     encoding='gb2312':其他编码中文显示错误
     index_col=0:设置第1列数据作为index
     sep：设置分隔符'''

 

 

 

导出数据

• df.to_csv(filename_path)：导出数据到CSV文件
• df.to_excel(filename_path)：导出数据到Excel文件
• df.to_sql(table_name, connection_object)：导出数据到SQL表
• df.to_json(filename_path)：以Json格式导出数据到文本文件

 

DataFrame.to_excel(excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None)

该函数主要参数为:excel_writer。
excel_writer:写入的目标excel文件，可以是文件路径、ExcelWriter对象;
sheet_name:被写入的sheet名称，string类型，默认为'sheet1';
na_rep:缺失值表示，string类型;
header:是否写表头信息，布尔或list of string类型，默认为True;
index:是否写行号，布尔类型，默认为True;
encoding:指定写入编码，string类型。

 

创建测试对象

• pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
• pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
• df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一个日期索引

 

查看、检查数据

• df.head(n)：查看DataFrame对象的前n行（不加参数，默认前10行）
• df.tail(n)：查看DataFrame对象的最后n行（不加参数，默认后10行）
• df.shape()：查看行数和列数（维度查看）
• http://df.info()df.info-df.infodfdf.info()：查看索引、数据类型和内存信息
• df.describe()：查看数值型列的汇总统计
• s.value_counts(dropna=False)：查看Series对象的唯一值和计数
• df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数
• df.dtypes：查看每一列的数据类型（扩展：df['two'].dtypes，查看“two”列的类型）
• df.isnull()：查看空置(注：空置部分会用true显示，不是空置False显示)（扩展：df['two'].isnull，查看“two”这一列的空置）
• df.values：查看数据表的值
• df.columns：查看列名称

 

数据选取

• df.isin([5])：判断全部数据值中是否有5
• dr[col].isin([5])：判断列col中是否有5
• df[col]：根据列名，并以Series的形式返回列
• df[[col1, col2]]：以DataFrame形式返回多列
• s.iloc[0]：按位置选取行数据
• s.loc['index_one']：按索引选取行数据
• df.iloc[0,:]：返回第一行
• df.iloc[0,0]：返回第一列的第一个元素
• df.ix[0] 或 df.ix[raw] ：ix函数可以根据行位置或行标签选择行数据

 注：loc函数根据行标签进行行选择；

         iloc函数根据行位置进行行选择；

         ix函数可以根据行位置选择也可以根据行标签选择。

 

数据清理

• df.columns = ['a','b','c']：重命名列名
• pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组
• pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组
• df.dropna()：删除所有包含空值的行
• df.dropna(axis=1)：删除所有包含空值的列
• df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行
• df.fillna(x)：用x替换DataFrame对象中所有的空值（注：fillna()会填充nan数据，返回填充后的结果。如果希望在原DataFrame中修改，则把inplace设置为True。如，df.fillna(0,inplace=True)）
• s.astype(float)：将Series中的数据类型更改为float类型
• df[col].astype(float)：将DataFrame某列数据类型改为float类型
• s.replace(1,'first')：用‘first’代替所有等于1的值（替换的是值，不是列名也不是索引名）
• s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3
• df[col].replace(1,1.0,inplace=True)：列col中的值1用1.0替换
• df.replace([1,3],['one','three'])
• df.rename(columns=lambda x: x + 1)：批量更改列名
• df.rename(columns={'old_name': 'new_ name'})：选择性更改列名
• df.set_index('column_one')：将column_one这一列变为索引列
• df.rename(index=lambda x: x + 1)：批量重命名索引
• df[col]=df[col].str.upper()或df[col].str.lower()：基于列的大小写转换
• df[col]=df[col].map(str.strip)：清楚某列的空格
• df.drop_duplicates(subset=col,keep='fisrt',inplace=Flase)：删除重复值

注：这个drop_duplicate方法是对DataFrame格式的数据，去除特定列下面的重复行。返回DataFrame格式的数据。

• subset : column label or sequence of labels, optional      用来指定特定的列，默认所有列
• keep : {‘first’, ‘last’, False}, default ‘first’      删除重复项并保留第一次出现的项
• inplace : boolean, default False        是直接在原来数据上修改还是保留一个副本

 

数据处理：Filter、Sort和GroupBy

• df[df[col] > 0.5]：选择col列的值大于0.5的行
• df.sort_values(col1)：按照列col1排序数据，默认升序排列
• df.sort_values(col2, ascending=False)：按照列col1降序排列数据
• df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
• df.groupby(col)：返回一个按列col进行分组的Groupby对象
• df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
• df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值
• df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
• df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
• data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
• data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max
• df.isin

 

数据合并

• df1.append(df2)：将df2中的行添加到df1的尾部
• df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
• df1.join(df2,on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join

 

数据统计

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

 

 

 附加：

1.字典内嵌列表

import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data)
print df

输出：
      Age      Name
0     28        Tom
1     34       Jack
2     29      Steve
3     42      Ricky

 

2.列表内嵌字典

列表内嵌字典，字典的键默认为列名。

import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print df

输出：
    a    b      c
0   1   2     NaN
1   5   10   20.0

 

原文链接