pandas模块

目录

一、简介

pandas是一个强大的Python数据分析的工具包，它是基于Numpy构建的，正因pandas的出现，让Python语言也成为使用最广泛而且强大的数据分析环境之一。

1554707849542

Pandas的主要功能：

  • 具备对其功能的数据结构DataFrame，Series
  • 集成时间序列功能
  • 提供丰富的数学运算和操作
  • 灵活处理缺失数据

安装方法：

!pip install pandas

引用方法：

import pandas as pd

二、Series

Series是一种类似于一维数组的对象，由一组数据和一组与之相关的数据标签(索引)组成

1、创建方法

import pandas as pd
import numpy as np

# 第一种：默认索引 0-N
pd.Series([4,5,6,7,8])
执行结果：
0    4
1    5
2    6
3    7
4    8
dtype: int64

-----------------------------------------------
# 第二种：自定义索引，index是一个索引列表，里面包含的是字符串，依然可以通过默认索引取值。
pd.Series([4,5,6,7,8],index=['a','b','c','d','e'])
执行结果：
a    4
b    5
c    6
d    7
e    8
dtype: int64

-----------------------------------------------
# 第三种：指定索引
pd.Series({"a":1,"b":2})
执行结果：
a    1
b    2
dtype: int64

-----------------------------------------------
# 第四种：创建一个值都是0的数组
pd.Series(0,index=['a','b','c'])
执行结果：
a    0
b    0
c    0
dtype: int64
-----------------------------------------------

对于Series，其实我们可以认为它是一个长度固定且有序的字典，因为它的索引和数据是按位置进行匹配的，像我们会使用字典的上下文，就肯定也会使用Series

2、缺失数据

- dropna() # 过滤掉值为NaN的行
- fill() # 填充缺失数据
- isnull() # 返回布尔数组，缺失值对应为True
- notnull() # 返回布尔数组，缺失值对应为False

NaN代表缺失值

# 第一步，创建一个字典，通过Series方式创建一个Series对象

st = {"sean":18,"yang":19,"bella":20,"cloud":21}
obj = pd.Series(st)
obj
运行结果：
sean     18
yang     19
bella    20
cloud    21
dtype: int64
------------------------------------------
# 第二步
a = {'sean','yang','cloud','rocky'}  # 定义一个索引变量
------------------------------------------
#第三步
obj1 = pd.Series(st,index=a)
obj1  # 将第二步定义的a变量作为索引传入

# 运行结果：
rocky     NaN
cloud    21.0
sean     18.0
yang     19.0
dtype: float64
# 因为rocky没有出现在st的键中，所以返回的是缺失值

判断缺失值，处理缺失值

通过上面的代码演示，对于缺失值已经有了一个简单的了解，接下来就来看看如何判断缺失值

# 1、是缺失值返回Ture
obj1.isnull()  
运行结果：
rocky     True
cloud    False
sean     False
yang     False
dtype: bool

# 2、不是缺失值返回Ture
obj1.notnull()  
运行结果：
rocky    False
cloud     True
sean      True
yang      True
dtype: bool

# 3、过滤缺失值 # 布尔型索引
obj1[obj1.notnull()]
运行结果：
cloud    21.0
yang     19.0
sean     18.0
dtype: float64
    
# 4.直接舍弃缺失值所在行
数据：
    sean     18.0
    yang     20.0
    rocky     NaN
    cloud    34.0
    dtype: float64

s2.dropna(inplace=True)    #inplace=True，直接影响原数据
执行结果：
    sean     18.0
    yang     20.0
    cloud    34.0
    dtype: float64

# 5.填充缺失值
s2.fillna(0, inplace=True) #### fillnan 使用某一个值进行填充
执行结果：
    sean     18.0
    yang     20.0
    rocky     0.0
    cloud    34.0
    dtype: float64

3、索引取值

整数索引

pandas当中的整数索引对象可能会让初次接触它的人很懵逼，接下来通过代码演示：

s2 = pd.Series([1,2,3,4], index=['a', 'b', 'c', 'd'])
数据：
    a    1
    b    2
    c    3	
    d    4	
    dtype: int64	


dtype: int32
# 到这里会发现很正常，一点问题都没有，可是当使用整数索引取值的时候就会出现问题了。因为在pandas当中使用整数索引取值是优先以标签解释的，而不是下标
sr1[1]

解决方法：

  • loc属性 # 以标签解释
  • iloc属性 # 以下标解释
s2.iloc[1]  # 以下标解释
结果:2
s2.loc['a'] # 以标签解释
结果:1

4、Series数据对齐计算

Series特性

  • 从ndarray创建Series:Series(arr)
  • 与标量（数字）：sr * 2
  • 两个Series运算
  • 通用函数：np.ads(sr)
  • 布尔值过滤：sr[sr>0]
  • 统计函数：mean()、sum()、cumsum()

支持字典的特性：

  • 从字典创建Series：Series(dic),
  • In运算：'a'in sr、for x in sr
  • 键索引：sr['a'],sr[['a','b','d']]
  • 键切片：sr['a':'c']
  • 其他函数：get('a',default=0)等

pandas在运算时，会按索引进行对齐然后计算。如果存在不同的索引，则结果的索引是两个操作数索引的并集。

sr1 = pd.Series([12,23,34], index=['c','a','d'])
sr2 = pd.Series([11,20,10], index=['d','c','a',])
sr1 + sr2
运行结果:
a    33
c    32
d    45
dtype: int64
# 可以通过这种索引对齐直接将两个Series对象进行运算
sr3 = pd.Series([11,20,10,14], index=['d','c','a','b'])
sr1 + sr3
运行结果：
a    33.0
b     NaN
c    32.0
d    45.0
dtype: float64
# sr1 和 sr3的索引不一致，所以最终的运行会发现b索引对应的值无法运算，就返回了NaN,一个缺失值

将两个Series对象相加时将缺失值设为0：

sr1 = pd.Series([1,2,3], index=['a','b','c'])
sr2 = pd.Series([4,5,6,7], index=['b','a','c','d'])
sr1.add(sr2,fill_value=0)
运行结果：
a    6.0
b    6.0
c    9.0
d    7.0
dtype: float64
# 将缺失值设为0，所以最后算出来b索引对应的结果为7

灵活的算术方法:add,sub,div,mul

三、DataFrame

1554707944993

DataFrame是一个表格型的数据结构，相当于是一个二维数组，含有一组有序的列。他可以被看做是由Series组成的字典，并且共用一个索引。

创建方式

创建一个DataFrame数组可以有多种方式，其中最为常用的方式就是利用包含等长度列表或Numpy数组的字典来形成DataFrame：

第一种：
pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
# 产生的DataFrame会自动为Series分配所索引，并且列会按照排序的顺序排列
运行结果：
	one	two
0	1	4
1	2	3
2	3	2
3	4	1

> 指定列
可以通过columns参数指定顺序排列
data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
pd.DataFrame(data,columns=['one','two'])

# 打印结果会按照columns参数指定顺序


第二种：
pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([1,2,3],index=['b','a','c'])})
运行结果：
   one  two
a	1	2
b	2	1
c	3	3

以上创建方法简单了解就可以，因为在实际应用当中更多是读数据，不需要自己手动创建

查看数据，获取列索引值索引

常用属性和方法：

- index 获取行索引
- columns 获取列索引
- T 转置
- columns 获取列索引
- values 获取值索引
- describe 获取快速统计

修改列索引行索引

# 第一种，修改行索引(每一行最上面字段名)
a1.columns = a1.loc[0]  # 使用第一行的数据替换默认的横向索引
# 第二种
a1.columns=['Season', 'Nation', 'Winners', 'Score', 'Runners_up', 'Runners_up_Nation', 'Venue','Attendance']  # 设置列名

# 列索引
df.index  =  # 看情况修改即可

索引和切片

  • DataFrame有行索引和列索引。
  • DataFrame同样可以通过标签和位置两种方法进行索引和切片。

DataFrame使用索引切片：

  • 方法1：两个中括号，先取列再取行。 df['A'][0]
  • 方法2（推荐）：使用loc/iloc属性，一个中括号，逗号隔开，先取行再取列。
    • loc属性：解释为标签
    • iloc属性：解释为下标
  • 向DataFrame对象中写入值时只使用方法2
  • 行/列索引部分可以是常规索引、切片、布尔值索引、花式索引任意搭配。（注意：两部分都是花式索引时结果可能与预料的不同）

四、时间对象处理

时间序列类型

  • 时间戳：特定时刻
  • 固定时期：如2019年1月
  • 时间间隔：起始时间-结束时间

Python库：datatime

  • date、time、datetime、timedelta
  • dt.strftime()
  • strptime()

灵活处理时间对象：dateutil包

  • dateutil.parser.parse()
import dateutil
dateutil.parser.parse("2019 Jan 2nd")  # 这中间的时间格式一定要是英文格式

运行结果:
datetime.datetime(2019, 1, 2, 0, 0)

成组处理时间对象：pandas

  • pd.to_datetime(['2018-01-01', '2019-02-02'])
pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019'])

运行结果：
DatetimeIndex(['2018-03-01', '2019-02-03', '2019-08-12'], dtype='datetime64[ns]', freq=None)  # 产生一个DatetimeIndex对象

# 转换时间索引
ind = pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019'])
sr = pd.Series([1,2,3],index=ind)
sr
运行结果：
2018-03-01    1
2019-02-03    2
2019-08-12    3
dtype: int64
通过以上方式就可以将索引转换为时间

补充：
pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019']).to_pydatetime()
运行结果：
array([datetime.datetime(2018, 3, 1, 0, 0),
       datetime.datetime(2019, 2, 3, 0, 0),
       datetime.datetime(2019, 8, 12, 0, 0)], dtype=object)
# 通过to_pydatetime()方法将其转换为array数组

产生时间对象数组：data_range

  • start 开始时间
  • end 结束时间
  • periods 时间长度
  • freq 时间频率，默认为'D'，可选H(our),W(eek),B(usiness),S(emi-)M(onth),(min)T(es), S(econd), A(year),…
pd.date_range("2019-1-1","2019-2-2")
运行结果：
DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',
               '2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08',
               '2019-01-09', '2019-01-10', '2019-01-11', '2019-01-12',
               '2019-01-13', '2019-01-14', '2019-01-15', '2019-01-16',
               '2019-01-17', '2019-01-18', '2019-01-19', '2019-01-20',
               '2019-01-21', '2019-01-22', '2019-01-23', '2019-01-24',
               '2019-01-25', '2019-01-26', '2019-01-27', '2019-01-28',
               '2019-01-29', '2019-01-30', '2019-01-31', '2019-02-01',
               '2019-02-02'],
              dtype='datetime64[ns]', freq='D')

时间序列

时间序列就是以时间对象为索引的Series或DataFrame。datetime对象作为索引时是存储在DatetimeIndex对象中的。

# 转换时间索引

dt = pd.date_range("2019-01-01","2019-02-02")
a = pd.DataFrame({"num":pd.Series(random.randint(-100,100) for _ in range(30)),"date":dt})

# 先生成一个带有时间数据的DataFrame数组

a.index = pd.to_datetime(a["date"])
# 再通过index修改索引

特殊功能：

  • 传入“年”或“年月”作为切片方式
  • 传入日期范围作为切片方式
  • 丰富的函数支持：resample(), strftime(), ……
  • 批量转换为datetime对象：to_pydatetime()
a.resample("3D").mean()  # 计算每三天的均值
a.resample("3D").sum()  #  计算每三天的和
...

五、读取数据表

读取本地excel表或者csv表

import pandas as pd
import numpy as np


#### 别人给你一个数据excel表格  或者 csv表格
pd.read_csv('./douban_movie.csv')

爬取网络表

将此地址下的所有表格爬取下来

res = pd.read_html('https://baike.baidu.com/item/NBA%E6%80%BB%E5%86%A0%E5%86%9B/2173192?fr=aladdin')   #### 相当于向某一个url发起请求，会将此页面下面所有的表格数据全部爬下来

res[0]  # 获取爬取下来的第一张表

清洗数据，数据处理

df.columns = df.iloc[0]  # 使用第一行的数据替换默认的横向索引
df


df.drop([0], inplace=True)   # 删除第一行
df

分组处理数据

df.groupby('冠军').groups  # 以冠军为分组

分组之后计数

# 求每个队伍获取冠军的次数 ascending默认Ture升序排列，False降序排列
df.groupby('冠军').size().sort_values(ascending=False) 


df.groupby(['冠军','FMVP']).size().sort_values(ascending=False)

聚合(组内应用某个函数)

聚合是指任何能够从数组产生标量值的数据转换过程。刚才上面的操作会发现使用GroupBy并不会直接得到一个显性的结果，而是一个中间数据，可以通过执行类似mean、count、min等计算得出结果，常见的还有一些:

函数名 描述
sum 非NA值的和
median 非NA值的算术中位数
std、var 无偏（分母为n-1）标准差和方差
prod 非NA值的积
first、last 第一个和最后一个非NA值

自定义聚合函数

不仅可以使用这些常用的聚合运算，还可以自己自定义。

# 使用自定义的聚合函数，需要将其传入aggregate或者agg方法当中

def peak_to_peak(arr):
    return arr.max() - arr.min()
f1.aggregate(peak_to_peak)
运行结果：
key1
x    3.378482
y    1.951752
Name: data1, dtype: float64

多函数聚合：

f1.agg(['mean','std'])
运行结果：
	mean	std
key1		
x	-0.856065	0.554386
y	-0.412916	0.214939

最终得到的列就会以相应的函数命名生成一个DataFrame数组

apply

img

GroupBy当中自由度最高的方法就是apply，它会将待处理的对象拆分为多个片段，然后各个片段分别调用传入的函数，最后将它们组合到一起。

df.apply(
['func', 'axis=0', 'broadcast=None', 'raw=False', 'reduce=None', 'result_type=None', 'args=()', '**kwds']

func:传入一个自定义函数
axis:函数传入参数当axis=1就会把一行数据作为Series的数据

# 分析欧洲杯和欧洲冠军联赛决赛名单
import pandas as pd

url="https://en.wikipedia.org/wiki/List_of_European_Cup_and_UEFA_Champions_League_finals"
eu_champions=pd.read_html(url)  # 获取数据
a1 = eu_champions[2]    # 取出决赛名单
a1.columns = a1.loc[0]  # 使用第一行的数据替换默认的横向索引
a1.drop(0,inplace=True)  # 将第一行的数据删除
a1.drop('#',axis=1,inplace=True)  # 将以#为列名的那一列删除
a1.columns=['Season', 'Nation', 'Winners', 'Score', 'Runners_up', 'Runners_up_Nation', 'Venue','Attendance']  # 设置列名

a1.tail()  # 查看后五行数据
a1.drop([64,65],inplace=True)  # 删除其中的缺失行以及无用行
a1

运行结果：

分组apply1

现在想根据分组选出Attendance列中值最高的三个。

# 先自定义一个函数
def top(df,n=3,column='Attendance'):
    return df.sort_values(by=column)[-n:]
top(a1,n=3)

运行结果：

分组apply2

接下来，就对a1分组并且使用apply调用该函数：

a1.groupby('Nation').apply(top)

六、其他常用方法

pandas常用方法（适用Series和DataFrame）

  • mean(axis=0,skipna=False)
  • sum(axis=1)
  • sort_index(axis, …, ascending) # 按行或列索引排序
  • sort_values(by, axis, ascending) # 按值排序
  • apply(func, axis=0) # 将自定义函数应用在各行或者各列上，func可返回标量或者Series
  • applymap(func) # 将函数应用在DataFrame各个元素上
  • map(func) # 将函数应用在Series各个元素上
posted @ 2020-03-31 21:52  Jeff的技术栈  阅读(176)  评论(0)  编辑  收藏  举报
回顶部