快速入门pandas
import pandas as pd
import numpy as np
导入数据
- pd.read_csv(filename,dtype=str)：从CSV文件导入数据
- [header=1,delim_whitespace=True,delimiter="\t",parse_dates=['OCC_TIM'],error_bad_lines=False,quoting=csv.QUOTE_NONE,encoding='gbk',dtype=str]
- 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.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据
f=open("aaa.csv",encoding="GB2312",errors ='ignore')
# data = f.read()
# print(chardet.detect(data)) #检测编码
df=pd.read_csv(f,low_memory=False)
导出数据
- df.to_csv(filename,index=False)：导出数据到CSV文件
- df.to_sql(table_name, connection_object)：导出数据到SQL表
- df.to_json(filename,orient='index')：以Json格式导出数据到文本文件
创建测试对象
- df =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({'A':[...],"B":[...]})
- pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
查看、检查数据
- df.columns：查看DataFrame对象的l列名
- df.head(n)：查看DataFrame对象的前n行
- df.tail(n)：查看DataFrame对象的最后n行
- df.shape()：查看行数和列数
- df.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[col].unique(): 唯一值
数据选取
- df[col] 、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]：按位置选取数据
- s.loc['index_one']：按索引选取数据
- df.iloc[0,:]：返回第一行
- df.iloc[0,0]：返回第一列的第一个元素
- df.sample(n=3) ：抽样
数据清理
- 空值处理
- 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.fillna(x)：用x替换DataFrame对象中所有的空值
- 列名重命名
- df.columns = ['a','b','c']：重命名列名
- df.rename(columns=lambda x: x + 1)：批量更改列名
- df.rename(columns={'old_name': 'new_ name'},inplace = True)：选择性更改列名
- 数据替换
- df[col].astype(float)：将Series中的数据类型更改为float类型
- s.replace(1,'one')：用‘one’代替所有等于1的值
- s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3
- 索引处理
- df.set_index('column_one')：更改索引列
- df.rename(index=lambda x: x + 1)：批量重命名索引
- 去重
- df['city'].drop_duplicates() 删除后出现的重复值
- df['city'].drop_duplicates(keep='last') 删除先出现的重复值
- df.drop_duplicates(subset=['level','bbb'],keep='last',inplace=True)
数据处理：Filter、Sort、GroupBy
- 筛选数据
- df[df[col] > 0.5]：选择col列的值大于0.5的行
- df[df['city'].isin(['beijing','shanghai']]
- 排序
- 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
- 分组统计
- 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.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
数据合并、关联
- df1.append(df2)：将df2中的行添加到df1的尾部
- df.concat([df1, df2]) 将df2中的行添加到df1的尾部
- df3 = df1.merge(df2, on='id')
- result = pd.merge(left, right, how='left', on=['key1', 'key2'])
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.size()
- df.count()：返回每一列中的非空值的个数
- df[col].value_counts()
- 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
新建列赋值
- df['group'] = np.where(df['price'] > 3000,'high','low')
- df.loc[(df_inner['city'] == 'beijing') & (df['price'] >= 4000), 'sign']=1
- df["lng"]=df.apply(bd09togcj02_lng, axis = 1)
参考：
