Pandas入门教程

大家好，我是皮皮。其实这个pandas教程，卷的很严重了，才哥，小P等人写了很多的文章，这篇文章是粉丝【古月星辰】投稿，自己学习过程中整理的一些基础资料，整理成文，这里发出来给大家一起学习。

Pandas入门

本文主要详细介绍了pandas的各种基础操作，源文件为zlJob.csv，可以私我进行获取，下图是原始数据部分一览。

pandas官网:

https://pandas.pydata.org/pandas-docs/stable/getting_started/index.html

目录结构:

• 生成数据表
• 数据表基本操作
• 数据清洗
• 时间序列

一.生成数据表

1.1 数据读取

一般情况下我们得到的数据类型大多数csv或者excel文件,这里仅给出csv,

• 读取csv文件

pd.read_csv()

• 读取excel文件

pd.read_excel()

1.2 数据的创建

pandas可以创建两种数据类型,series和DataFrame;

• 创建Series(类似于列表,是一个一维序列)

• s = pd.Series([1,2,3,4,5])

• 创建dataframe(类似于excel表格,是二维数据)

• df2 = pd.DataFrame(
  { "A": 1.0,
  "B": pd.Timestamp("20130102"),
  "C": pd.Series(1, index=list(range(4)), dtype="float32"),
  "D": np.array([3] * 4, dtype="int32"),
  "E": pd.Categorical(["test", "train", "test", "train"]),
  "F": "foo",
  })

二、数据表的基本操作

2.1 数据查看

• 查看前五行
• data.head() # head() 参数表示前几行,默认为5

• 基本信息

data.shape

(990, 9)

data.dtypes

• 查看空值

data['name'].isnull() # 查看name这一列是否有空值

2.2 行和列的操作

• 添加一列

dic = {'name':'前端开发','salary':2万-2.5万,  'company':'上海科技有限公司',  'adress':'上海','eduBack':'本科','companyType':'民营',  'scale':1000-10000人,'info':'小程序'}

df = pd.Series(dic)

df.name = 38738

data = data.append(df)

data.tail()

结果:

• 删除一行

data = data.drop([990])

• 添加一列

data  = data["xx"] = range(len(data))

• 删除一列

data = data.drop('序号',axis=1)

axis表示轴向,axis=1,表示纵向(删除一列)

2.3 索引操作

• loc
• loc主要是基于标签(label)的，包括行标签(index)和列标签(columns)，即行名称和列名称，可以使用df.loc[index_name,col_name]，选择指定位置的数据，其它的用法有：
• 1. 使用单个标签data.loc[10,'salary']

  9千-1.3万2. 单个标签的list

  data.loc[:,'name'][:5]
  3. 标签的切片对象data.loc[:,['name','salary']][:5]
• iloc

iloc是基于位置的索引，利用元素在各个轴上的索引序号进行选择，序号超出范围会产生IndexError，切片时允许序号超过范围，用法包括：

1. 使用整数

data.iloc[2] # 取出索引为2的那一行

2. 使用列表或数组

data.iloc[:5]

3. 切片对象

data.iloc[:5,:4] # 以,分割,前面切片5行,后面切片4列

常见的方法就如上所示。

2.4 层次化索引

• series层次化索引

s = pd.Series(np.arange(1,10),index=[list('aaabbccdd'),[1,2,3,1,2,3,1,2,3]])

• dataframe层次化索引

df = pd.DataFrame(np.arange(12).reshape(4,3),index=[['a','a','b','b'],[1,2,1,2]],columns=[['X','X','Y'],['m','n','t']])

层次化索引应用于当目标数据的特征值很多时，我们需要对多个特征进行分析。

三、数据预处理

3.1 缺失值处理

首先创建一个简单的表格:

df = pd.DataFrame({'state':['a','b','c','d'],'year':[1991,1992,1993,1994],'pop':[6.0,7.0,8.0,np.NaN]})

df

结果如下:

判断缺失值

df['pop'].isnull()

结果如下:

填充缺失值

df['pop'].fillna(0,inplace=True) # 使用0填充缺失值

df

删除缺失值

data.dropna(how = 'all')    # 传入这个参数后将只丢弃全为缺失值的那些行 

结果如下:

当然还有其他情况:

data.dropna(axis = 1)       # 丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征）

data.dropna(axis=1,how="all")   # 丢弃全为缺失值的那些列

data.dropna(axis=0,subset = ["Age", "Sex"])   # 丢弃‘Age’和‘Sex’这两列中有缺失值的行

这里就不做一一展示(原理都是一样的)

3.2 字符处理

• 清除字符空格

df['A']=df['A'].map(str.stri())

• 大小写转换

df['A'] = df['A'].str.lower()

3.3 重复值处理

• 删除后面出现的重复值

df['A'] = df['A'].drop_duplicates() # 某一列后出现重复数据被清除

• 删除先出现的重复值

df['A'] = df['A'].drop_duplicates(keep=last) # # 某一列先出现重复数据被清除

• 数据替换

df['A'].replace('sh','shanghai') # 同于字符串替换

四、数据表操作

分组

groupby

group = data.groupby(data['name']) # 根据职位名称进行分组

group

根据职位名称进行分组:

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x00000265DBD335F8>

得到一个对象,我们可以去进行平均值,总和计算;

当然了可以根据多个特征进行分组，也是没有问题的；

聚合

concat():

pd.concat(

    objs,

    axis=0,

    join="outer",

    ignore_index=False,

    keys=None,

    levels=None,

    names=None,

    verify_integrity=False,

    copy=True, 

)

官网参数解释如下:

• objs: Series 或 DataFrame 对象的序列或映射。如果传递了 dict，排序后的键将用作keys参数，除非传递，在这种情况下将选择值（见下文）。任何 None 对象都将被静默删除，除非它们都是 None 在这种情况下将引发 ValueError 。
• axis ：{0, 1, …}，默认为 0。要沿其连接的轴。
• join: {'inner', 'outer'}, 默认为 'outer'。如何处理其他轴上的索引。外部用于联合，内部用于交集。
• ignore_index: 布尔值，默认为 False。如果为 True，则不要使用串联轴上的索引值。结果轴将被标记为 0, …, n - 1。如果您在连接轴没有有意义的索引信息的情况下连接对象，这将非常有用。请注意，其他轴上的索引值在连接中仍然有效。
• keys: 序列，默认无。使用传递的键作为最外层构建分层索引。如果通过了多个级别，则应包含元组。
• levels: 序列列表，默认无。用于构建 MultiIndex 的特定级别（唯一值）。否则，它们将从密钥中推断出来。
• names: 列表，默认无。生成的分层索引中级别的名称。
• verify_integrity: 布尔值，默认为 False。检查新的串联轴是否包含重复项。相对于实际的数据串联，这可能非常昂贵。
• copy: 布尔值，默认为真。如果为 False，则不要不必要地复制数据。

测试:

df1 = pd.DataFrame(

    {

        "A": ["A0", "A1", "A2", "A3"],

        "B": ["B0", "B1", "B2", "B3"],

        "C": ["C0", "C1", "C2", "C3"],

        "D": ["D0", "D1", "D2", "D3"],

    },

    index=[0, 1, 2, 3],

)

df2 = pd.DataFrame(

    {

        "A": ["A4", "A5", "A6", "A7"],

        "B": ["B4", "B5", "B6", "B7"],

        "C": ["C4", "C5", "C6", "C7"],

        "D": ["D4", "D5", "D6", "D7"],

    },

    index=[4, 5, 6, 7],

)

df3 = pd.DataFrame(

    {

        "A": ["A8", "A9", "A10", "A11"],

        "B": ["B8", "B9", "B10", "B11"],

        "C": ["C8", "C9", "C10", "C11"],

        "D": ["D8", "D9", "D10", "D11"],

    },

    index=[8, 9, 10, 11],

)

frames = [df1, df2, df3]

result = pd.concat(frames)

result

结果如下:

merge()

pd.merge(

    left,

    right,

    how="inner",

    on=None,

    left_on=None,

    right_on=None,

    left_index=False,

    right_index=False,

    sort=True,

    suffixes=("_x", "_y"),

    copy=True,

    indicator=False,

    validate=None,

)

这里给出常用参数解释:

• left：一个 DataFrame 或命名的 Series 对象;right：另一个 DataFrame 或命名的 Series 对象;
• on: 要加入的列或索引级别名称;
• left_on：左侧 DataFrame 或 Series 的列或索引级别用作键。可以是列名称、索引级别名称或长度等于 DataFrame 或 Series 长度的数组;right_on：来自正确 DataFrame 或 Series 的列或索引级别用作键。可以是列名称、索引级别名称或长度等于 DataFrame 或 Series 长度的数组
• left_index：如果True，则使用左侧 DataFrame 或 Series 中的索引（行标签）作为其连接键;right_index：与left_index正确的 DataFrame 或 Series 的用法相同;
• how: 'left', 'right', 'outer', 之一'inner'。默认为inner. 有关每种方法的更详细说明，请参见下文。

测试:

left = pd.DataFrame(

    {

        "key": ["K0", "K1", "K2", "K3"],

        "A": ["A0", "A1", "A2", "A3"],

        "B": ["B0", "B1", "B2", "B3"],

    }

)

right = pd.DataFrame(

    {

        "key": ["K0", "K1", "K2", "K3"],

        "C": ["C0", "C1", "C2", "C3"],

        "D": ["D0", "D1", "D2", "D3"],

    }

)

result = pd.merge(left, right, on="key")

result

结果如下:

相同的字段是'key',所以指定on='key',进行合并。

五、时间序列

5.1 生成一段时间范围

date = pd.period_range(start='20210913',end='20210919')

date

输出结果:

PeriodIndex(['2021-09-13', '2021-09-14', '2021-09-15', '2021-09-16', '2021-09-17', '2021-09-18', '2021-09-19'], dtype='period[D]', freq='D')

5.2 时间序列在pandas中的应用

index = pd.period_range(start='20210913',end='20210918')

df = pd.DataFrame(np.arange(24).reshape((6,4)),index=index)

df

输出结果:

六、总结

本文基于源文件zlJob.csv，进行了部分pandas操作，演示了pandas库常见的数据处理操作，由于pandas功能复杂，具体详细讲解请参见官网