数据分析之pandas02
DataFrame
一.DataFrame
DataFrame是一个[表格型]的数据结构.DataFrame又按一定顺序排列的多列数据组成,设计初衷是将Series的使用场景从一维扩展到多维.DateFrame既有行索引,也有列索引.
行索引:index 列索引:columns 值:values
二.DataFrame的创建
1.最常见的方法传递一个字典来创建
DataFrame以字典的键作为每一列的名称,一字典的值作为每一列,DataFrame会自动加上每一行的索引.
例子: DataFrame(data=np.ones(shape=(3,4)),index=['a','b','c'],columns=['a','b','c','d'])
dic = {
'hu':[1,3,4,5,6],
'li':[2,3,4,6,7]
}
DataFrame(data=dic)
2.使用ndarray(二维的)创建DataFrame,
三.DataFrame属性
1.values
2.index
3.columns
4.shape
DataFrame
四.索引和切片
1.索引
(1)取得列,得到的是Series对象
a. df['列索引'] b. df.列索引 df[['q','w']]
修改列索引 df['列索引'] = '新值'
(2)取得行,得到的是Series对象
df.loc[显示索引]
df.iloc[隐式索引]
df.iloc[[0,1]]
(3)取得元素
df.loc['行索引','列索引']
df.iloc[1, 2]
2.切片
(1)df[行索引:行索引]
注意:直接使用中括号时:索引表示列索引,切片表示行切片
(2)df.loc[:,:]左边行索引,右边列索引
df.iloc[0:2,0:2]
五.DataFrame做运算
1.在运算中自动对齐不同索引的数据
2.聚合操作
df.mean(axis=1) axis=1时去的是行平均值,默认取列的平均值
df.max(axis=0/1) 默认取列的最大值,通过axis参数改变
六.处理数据丢失
1.None 和np.nan(NAN)的区别
(1)None是Python自带的,其类型为python object.因此,None不能参与到任何计算中.
(2)np.nan(NAN)是浮点类型,能参与到计算中,但计算的结果总是NAN
(3)pandas中的None与NAN都视作np.nan
2.pandas处理空值操作
1.对空值进行判断
(1)df.innull 对每一个元素进行空值判断
df.notnull()
(2)df.isnull().any(axis=0/1) 判断行/列中是否有空值
df.notnull().all(axis=0/1)
2.过滤和填充空值
(1)df.dropna(axis=0/1,inplace=True)直接删除空值 0表示行,1表示的是列, inplace表示是否更改原数据
(2)df.drop(labels,axis=0/1,index,columns,inplace)
(3)填充 df.fillna(value,method,axis=0,limit)
value表示默认填充的数
method:ffill用前面的填充,bfill用后面的填充
limit限制填充个数
inplace
七.DataFrame的多级索引
1.隐式构造 最常见的是给DataFrame构造函数的index或者columns参数传递两个或更多的数组
2显示构造 pd.MultiIndex.from_product()
例子:隐式构造:DataFrame(np.random.randint(60, 100, size=(2,4)), index=('li','wang'),columns=([['qizhong','qimo','qizhong','qimo',],['math','english','math','english']]))
显示构造:col = pd.MultiIndex.from_product([['qizhong', 'qimo'],['math','physics']])
np.random.seed(10)
DataFrame(np.random.randint(70,110,size=(2,4)),index=('liqian','hujun'),columns=col)
八.pandas的拼接操作
1级联:pd.concat,df.append()
(1).pd.concat()
a.匹配级联
pd.concat([],axis=0/1,join='inner',ignore_index=True)
join='outer'/'inner' 表示的是级联的方式,outer会将所有的项进行级联(忽略匹配和不匹配),而inner只会将匹配的项级联到一起,不匹配的不级联
ignore_index=True 忽略列索引
keys=[] 为DataFrame添加name唯一标识
b.不匹配级联
不匹配指的是级联的维度索引不一致,例如纵向级联时列索引不一致,横向级联时行索引不一致
有两种连接方式
pd.concat()
a.外级联:补NaN(默认模式) outer
b.内级联:只连接匹配的项 inner
(2).df.append() 这个只能进行列的级联
2.合并:pd.merge()
补充:pd.read_csv pd.reda_excel(filepath, sheetname=1) filepath 路径 sheetname sheet表名
display() 可以显示多个变量信息
(1)pd.merge(left,right,on, left_on,right_on,left_index,right_index,how)
on 表示要进行合并的索引,
how 表示合并的方式,outer/inner, left/right表示保证左边/右边的完整性
left_index,right_index 表示左右合并的索引
九.DataFrame筛选和排序
1.df.query('year=2012')
2.df.sort_values(b y,axis=0,ascending=true)
by:以什么字段进行排序
ascending:true为从小到大排序, false为从大到小排序
DataFrame高级操作
一.DataFrame中去除重复元素行
1.先检查出重复值,再进行删除.
(1) df.duplicated(keep='')只能检查重复的行数据
keep: first/last/False 保留第一个重复行/最后一个重复行/都不保留
(2) 通过df.drop()进行删除
例子:s=df.duplicated(keep='last')
ss = df.loc[s].index
df.drop(axis=0,index=ss,inplace=True)
2.直接使用drop_duplicates(keep='first/last/false)删除重复的行
例子:df.drop_duplicates(keep='first')
二替换和映射.
1.replace()函数:替换元素
(1)单值替换
a.普通替换:替换所有符合要求的元素: to_replace要替换的元素,value替换的值
b.按列指定单值替换:to_replace={列索引(显示索引):替换值},value='value'
(2)多值替换
a.列表替换:to_replace=[],value=[]
b字典替换(推荐):to_replace={to_replace:value,to_replace:value}
例子:df.replace(to_replace=44, value=222)# 单值替换
df.replace(to_replace={'b':69},value=333)# 按列指定单值替换
df.replace(to_replace=[44,69],value=[55,66])# 用列表进行多值替换
df.replace(to_replace={44:33333,69:11111}) # 用字典进行多值替换
2.map函数(为Series的方法)
(1)map()可以用字典映射新一列数据
(2)map() 可以使用lambda或自定义方法来进行运算或其他操作
例子:(1)df1['c_name'] = df1.name.map({'李倩':'Jane','胡涛':'领导','胡双俊':'Tom'})
(2)df1['tax'] = df1.salary.map(tax)
def tax(s):
if s > 5000:
return s - (s-5000)*0.3
return s
三.过滤
1.使用聚合操作对数据异常值检测和过滤
例子:np.random.seed(1) # 创建一个1000行3列0-1随机数的DataFrame
df2 = DataFrame(np.random.random(size=(1000,3)),columns=['a','b','c']) # 通过df.std()聚合操作求df的标准差
aa = df2.std(axis=0)
df2.loc[df2['b'] < 2*aa['b']] # 过滤掉元素值中小于2倍标准差的行
四.排序
1.使用df.take()函数排序 函数接受一个索引列表,用数字表示,使得df根据列表中索引的顺序进行排序
例子:
d1.take([1,2,0],axis=1) # 在take中axis=1表示的是列, 0表示行
q = np.random.permutation(3) # 可以生成x个从0-(x-1)的随机数列
d1.take(q)
五.分组
1.使用groupby实现分组
2.对分组之后的结果(DataFrameGroupBy对象)进行操作
3.groupby(by=['索引1','索引2']) 使用多个分组参数
例子:(1)df3.groupby(by='akind',axis=0).groups # 查看分组详情
df3.groupby(by='akind',axis=0)['price'].mean() # 得到每个水果的平均价格
df3['price_aver'] = df3['akind'].map({'Apple':4.0,'Banana':4.0,'Orange':4.5}) # 通过映射将平均价添加到df上
(2):使用apply()函数求平均值
例子:
df4.groupby(by='akind',)['price'].apply(my_mean)
def my_mean(s): # s是每一个分组里面的价格集合
sum = 0
for i in s:
sum+=i
return sum/s.size
(3)使用transform()函数求平均值
例子:df4.groupby(by='akind',)['price'].transform(my_mean) 跟apply一样,结果不一样
六.数据加载
1.pd.read_csv(filepath,sep='',header)
filepath 文件路径
sep 分割符
header 是否将第一行作为列索引
2.pd.read_excel() 与 df.to_excel()
3.连接数据库
(1).连接数据库 conn = pymysql.Connect(host,port,user,password,db)
(2).读取表中的数据值 sql= sql语句, pd.read_sql(sql,conn)
(3).将一个地方中的数据值写入储存到db df1.to_sql(name='df',con=conn)
七.统计一行中各个元素出现的次数.
1.value_count()查看某一类中所有的元素出现的次数