pandas学习 

#载入包
import pandas as pd 
import numpy as np

一、文件导入导出

读取文件

1、读取txt文件或csv文件

import pandas as pd
import numpy as np

df1=pd.read_csv('D:/personal_file/python/code/births1881.txt',
               sep=',', #默认逗号分隔符
               header=None, #不将第一行作为每列列名
               names=['Names','Births'], #使用names参数为每一列指定一个名字
               index_col='Names'#设置行索引(数据会按索引排序)
        
               )

df1.head() #查看前几行数据
Births
Names
Mel 67
Mel 603
Mary 455
John 588
Mary 406

2、读取excel文件

df2=pd.read_excel('D:/personal_file/python/code/births1882.xlsx'
                  #,index_col='StatusDate'
                 )

df2.head() #01234是索引行
State Status Custo merCount StatusDate
0 TX 2 547 2009-01-05
1 GA 1 903 2009-01-12
2 fl 3 152 2009-01-19
3 NY 1 414 2009-01-26
4 TX 3 436 2009-02-02

3、从Mysql读取文件

import pymysql
conn=pymysql.connect(
    host='rm-2vc58d2kt0b47p8zruo.mysql.cn-chengdu.rds.aliyuncs.com'
    ,user='user'
    ,password='Pyy0609mmm'
    )
sql_query="select id from test.biz_requirement limit 2"

mysql_page=pd.read_sql(sql_query,con=conn)

mysql_page
id
0 94616755141521896
1 94623970686575221

导出文件

保存为csv文件

#df导出为csv文件
df.to_csv('D:/personal_file/python/code/births1880.csv',
          index=False,#隐藏行索引
          header=False, #隐藏列名
          #encoding='gbk' #从UTF-8格式数据库导出要设置编码，不然中文会乱码
         )

保存为excel文件

#df导出为excel文件
df.to_excel('D:/personal_file/python/code/births1882.xlsx',
            index=False #不保存行索引
           )

二、 Pandas数据结构

pandas包含两种数据类型：series和dataframe。

series是一维数据，相当于一行或者一列。
dataframe是二维表，相当于多行多列

创建series的3种方法：列表、数组、字典

pd.Series(list('abc'),name="字母") #1列表

0    a
1    b
2    c
Name: 字母, dtype: object

pd.Series([1,'a',2]) #2数组

0    1
1    a
2    2
dtype: object

ser1=pd.Series({'a':1,'b':2,'c':3}) #3字典

ser1

a    1
b    2
c    3
dtype: int64

# 综合
mylist = list('abcedfghijklmnopqrstuvwxyz')   # 列表
myarr = np.arange(26)                         # 数组
#zip函数进行合并
mydict = dict(zip(mylist, myarr))             # 字典
ser3 = pd.Series(mydict)                      #创建series

ser3.head()

a    0
b    1
c    2
e    3
d    4
dtype: int64

series操作

1、命名索引列名称
2、series转换为dataframe
3、索引列转换为dataframe的列
4、垂直和水平的拼接series
5、多个series组成dataframe
6、如何判断series对象A中是否包含series对象B的元素
7、如何获得seriesA和seriesB不相同的项（补集思想）
8、求数值series的四分位数
9、获取series中给定索引的元素（items）
10、获取series对象A中包含series对象B元素的位置
11、使series中每个元素的首字母为大写
12、计算series中每个元素长度
13、如何用出现次数最少的字符替换空格符

ser=pd.Series({'a':1,'b':2,'c':3})
ser

a    1
b    2
c    3
dtype: int64

# 1.命名索引列名称
ser.name = 'alphabets' 
ser

a    1
b    2
c    3
Name: alphabets, dtype: int64

# 2.series转换为dataframe
df=ser.to_frame()
df
alphabets
a 1
b 2
c 3 
# 3.索引列转换为dataframe的列
df.reset_index(inplace=True)
df.head()
index alphabets
0 a 1
1 b 2
2 c 3 
# 4.垂直和水平的拼接series
ser1 = pd.Series(range(5))
ser2 = pd.Series(list('abcde'))

 # 垂直拼接(相当于union all)
df = pd.concat([ser1, ser2], axis=0) #返回series
print(df)
 # 水平拼接
df = pd.concat([ser1, ser2], axis=1) #返回dataframe
print(df)

# 5.多个series组成dataframe
ser1 = pd.Series(list('abcedfghijklmnopqrstuvwxyz'))
ser2 = pd.Series(np.arange(26))

 # 方法1，axis=1表示列拼接，0表示行拼接
df = pd.concat([ser1, ser2], axis=1)
 # 与方法1相比，方法2设置了列名
df = pd.DataFrame({'col1': ser1, 'col2': ser2})
df.head()

# 6.如何判断series对象A中是否包含series对象B的元素
ser1 = pd.Series([1, 2, 3, 4, 5])
ser2 = pd.Series([4, 5, 6, 7, 8])

 # 判断ser1元素是否包含在ser2中，返回布尔型series
ser3 = ser1.isin(ser2)
ser3

 # 判断ser1元素是否不包含在ser2中，返回布尔型series
ser3 = ~ser1.isin(ser2)
ser1[ser3] # 从ser1中获取不包含在ser2的元素 #注意先判断再取

0    1
1    2
2    3
dtype: int64

# 7.如何获得seriesA和seriesB不相同的项
ser1 = pd.Series([1, 2, 3, 4, 5])
ser2 = pd.Series([4, 5, 6, 7, 8])

 # 求ser1和ser2的并集
ser_u = pd.Series(np.union1d(ser1, ser2))
 # 求ser1和ser2的交集
ser_i = pd.Series(np.intersect1d(ser1, ser2))
 # ser_i在ser_u的补集就是ser1和ser2不相同的项
ser_u[~ser_u.isin(ser_i)]

0    1
1    2
2    3
5    6
6    7
7    8
dtype: int64

# 8.求数值series的四分位数
ser1 = pd.Series(range(1,10))
np.percentile(ser1, q=[0, 25, 50, 75, 100])

array([1., 3., 5., 7., 9.])

# 9.获取series中给定索引的元素（items）
ser = pd.Series(list('abcdefghijklmnopqrstuvwxyz'))

ser.take([0])   # 获取指定索引的元素-单个
ser.take([-1])  # 获取指定索引的元素-最后一个

index = [0, 4, 8, 14, 20]
ser.take(index) # 获取指定索引的元素-多个


0     a
4     e
8     i
14    o
20    u
dtype: object

# 10.获取series对象A中包含series对象B元素的位置
 # ser1必须包含ser2，否则会报错
ser1 = pd.Series([10, 9, 6, 5, 3, 1, 12, 8, 13])
ser2 = pd.Series([1, 3, 10, 13])
 # 方法 1
#[np.where(i == ser1)[0].tolist()[0] for i in ser2]
 # 方法 2
[pd.Index(ser1).get_loc(i) for i in ser2]

[5, 4, 0, 8]

 #方法2等价写法
for i in ser2:
    print(pd.Index(ser1).get_loc(i))

5
4
0
8

# 11.使series中每个元素的首字母为大写
 # series的元素为str类型
ser = pd.Series(['how', 'to', 'kick', 'ass?'])
 # 方法 1
ser.map(lambda x: x.title())
 # 方法 2 ，字符串相加
ser.map(lambda x: x[0].upper() + x[1:])
 # 方法 3
pd.Series([i.title() for i in ser])

0     How
1      To
2    Kick
3    Ass?
dtype: object

# 12.计算series中每个元素长度
ser = pd.Series(['how', 'to', 'kick', 'ass?'])
 # 方法
ser.map(lambda x: len(x))

0    3
1    2
2    4
3    4
dtype: int64

# 13.如何用出现次数最少的字符替换空格符
 # 方法
ser = pd.Series(list('dbc deb abed gade'))
 # 统计元素的频数
freq = ser.value_counts() #默认会按频数从高到低排序
print(freq)
 # 取最小频数的字符元素
least_freq = freq.dropna().index[-1]
print(least_freq)
 # 替换
"".join(ser.replace(' ', least_freq))

d    4
b    3
e    3
     3
a    2
c    1
g    1
dtype: int64
g





'dbcgdebgabedggade'

创建dataframe

import numpy as np
import pandas as pd

dates=pd.date_range('20130101',periods=6) #创建时间序列
df = pd.DataFrame(np.random.randn(6,4),# 产生随机数
                  index=dates, #创建行索引
                  columns=list('ABCD') #创建列名
                 )
df
A B C D
2013-01-01 -1.192893 -0.359633 1.360742 0.208753
2013-01-02 0.855963 0.332799 -0.018560 -0.701360
2013-01-03 0.052533 1.941321 -0.431581 -0.244977
2013-01-04 0.044910 -1.490302 1.109744 0.263806
2013-01-05 -0.436184 -0.619776 0.676728 0.076502
2013-01-06 -0.981972 1.362772 -1.428714 0.298718 
df.info() #查看dataframe的详细信息

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 6 entries, 2013-01-01 to 2013-01-06
Freq: D
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   A       6 non-null      float64
 1   B       6 non-null      float64
 2   C       6 non-null      float64
 3   D       6 non-null      float64
dtypes: float64(4)
memory usage: 400.0 bytes

df1 = pd.DataFrame(np.random.rand(4, 4),# 产生随机数
                      index=list('ABCD'), #创建行索引
                      columns=list('1234') #创建列名
                  )
df1
1 2 3 4
A 0.604314 0.522725 0.092801 0.458008
B 0.248015 0.835771 0.538854 0.004363
C 0.464301 0.000974 0.102777 0.958989
D 0.937618 0.145729 0.369612 0.957957 
df2 = pd.DataFrame([   [1, 2, 3, 4],
                       [2, 3, 4, 5],
                       [3, 4, 5, 6],
                       [4, 5, 6, 7]],
                      columns=list('ABCD')  #设置列名
                  )
df2
A B C D
0 1 2 3 4
1 2 3 4 5
2 3 4 5 6
3 4 5 6 7 
dic1 = {'name': ['小明', '小红', '狗蛋', '铁柱'],
        'age': [17, 20, 5, 40],
        'sex': ['男', '女', '女', '男']}  # 使用字典创建
df3 = pd.DataFrame(dic1, 
                   index=list('ABCD') #设置行索引名
                  )

df3
name age sex
A 小明 17 男
B 小红 20 女
C 狗蛋 5 女
D 铁柱 40 男 
names = ['Bob','Jessica','Mary','John','Mel']
births = [968, 155, 77, 578, 973]
BabyDataSet=list(zip(names,births)) 
df4 = pd.DataFrame(data = BabyDataSet, columns=['Names', 'Births' ])
df4
Names Births
0 Bob 968
1 Jessica 155
2 Mary 77
3 John 578
4 Mel 973

dataframe操作

查看数据

# 查看数据 （先创建上页的df,df1,df2,df3)
 #查询一列返回series类型，index是行索引；
 #查询一行返回series类型，index是列名columns；
 #查询多行/列返回DataFrame类型；
print('查看dataframe的详细信息:', df.info() )
print('查看行数:', df1.shape[0] )
print('查看列数:', df1.shape[1] )
print('type查看单列数据类型:\n', type(df3['age']) ) #返回series
print('type查看多列数据类型:\n', type(df3[['sex','age']]) ) #返回dataframe
print('查看所有列数据类型:\n',df1.dtypes)
print('看前两行:\n', df1.head(2) ) #默认5行
print('看后两行:\n', df1.tail(2) )
print('查看行索引:\n', df1.index )
print('columns看列名:\n', df1.columns )
print('查看age列数据:\n', df3['age'] )
print('查看age列数据:\n', df3.age )
print('查看多列数据:\n', df3[['sex','age']] )
print('查看1-3行:\n',df[0:3] ) #默认索引
print('查看指定行:\n',df['20130102':'20130104'] ) #设置索引
#使用df.loc() or df.iloc()
  # df.loc方法根据行/列标签值查询，既能查又能写入覆盖
  #df.iloc方法根据行/列数字位置查询
  #用法相同：df.loc[],df.iloc[]第一个参数为行，第二个参数为列，[]里边为先行后列
print('使用iloc进行行检索,查看行索引位置为0的行:\n', df3.iloc[0] ) #查看第一行
print('查看多行的数据，查看行索引为1-3的行:\n', df3.iloc[1:3] )
print('查看datee索引行的第1行:\n',df.loc[dates[0]] )
print('查看dates行的第1行A列:\n',df.loc[dates[0],'A'] )
print('查看dates行的第1行A列:\n',df.at[dates[0],'A'] ) #同上
print('查看A、B列的所有行:\n',df.loc[:,['A','B']] ) #冒号表示所有数据；第一个参数行使用的冒号表示所有数据不可省略
print('查看A、B列的指定行:\n',df.loc['20130102',['A','B']] )
print('查看A、B列的指定行:\n',df.loc['20130102':'20130104',['A','B']] )
print('查看A列到C列之间的指定行:\n',df.loc['20130102':'20130104','A':'C'] )
print('筛选A列大于0的数据:\n',df.loc[df['A']>0,:] ) #df.A>0本身返回布尔判断结果
print('查询年龄大于15且性别为男的数据:\n',
      df3.loc[(df3['age']>=15)&(df3['sex']=='男'),:] #--多条件查询用&连接
     ) 
#直接条件筛选
 #注意先条件筛选再从数据框取
print('筛选A列大于0的数据:\n',df[df['A']>0] ) #结果同上，第二个参数列使用的冒号表示所有数据可省略
print('筛选sex列含"男"和"非"的数据:\n',
      df3[df3['sex'].isin(['男','非'])]  #isin()接受一个列表，判断该列中元素是否在列表中
     )
print('筛选性别为男的数据:\n',df3[df3['sex']=='男'] )
print('返回所有大于0的数据，若小于0返回缺失值NaN:\n',df[df>0] )

print('查看所有数据值:\n', df.values ) #返回数组
print('查看age列的数据值:\n', df3['age'].values ) #返回数组
print('设置name列作为行索引:\n',df3.set_index('name',inplace=True) ) #设置前name还不是索引，否则报错
print('进行转置:\n', df3.T) #行索引变成列名


<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 6 entries, 2013-01-01 to 2013-01-06
Freq: D
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   A       6 non-null      float64
 1   B       6 non-null      float64
 2   C       6 non-null      float64
 3   D       6 non-null      float64
dtypes: float64(4)
memory usage: 240.0 bytes
查看dataframe的详细信息: None
查看行数: 4
查看列数: 4
type查看单列数据类型:
 <class 'pandas.core.series.Series'>
type查看多列数据类型:
 <class 'pandas.core.frame.DataFrame'>
查看所有列数据类型:
 1    float64
2    float64
3    float64
4    float64
dtype: object
看前两行:
           1         2         3         4
A  0.604314  0.522725  0.092801  0.458008
B  0.248015  0.835771  0.538854  0.004363
看后两行:
           1         2         3         4
C  0.464301  0.000974  0.102777  0.958989
D  0.937618  0.145729  0.369612  0.957957
查看行索引:
 Index(['A', 'B', 'C', 'D'], dtype='object')
columns看列名:
 Index(['1', '2', '3', '4'], dtype='object')
查看age列数据:
 A    17
B    20
C     5
D    40
Name: age, dtype: int64
查看age列数据:
 A    17
B    20
C     5
D    40
Name: age, dtype: int64
查看多列数据:
   sex  age
A   男   17
B   女   20
C   女    5
D   男   40
查看1-3行:
                    A         B         C         D
2013-01-01 -1.192893 -0.359633  1.360742  0.208753
2013-01-02  0.855963  0.332799 -0.018560 -0.701360
2013-01-03  0.052533  1.941321 -0.431581 -0.244977
查看指定行:
                    A         B         C         D
2013-01-02  0.855963  0.332799 -0.018560 -0.701360
2013-01-03  0.052533  1.941321 -0.431581 -0.244977
2013-01-04  0.044910 -1.490302  1.109744  0.263806
使用iloc进行行检索,查看行索引位置为0的行:
 name    小明
age     17
sex      男
Name: A, dtype: object
查看多行的数据，查看行索引为1-3的行:
   name  age sex
B   小红   20   女
C   狗蛋    5   女
查看datee索引行的第1行:
 A   -1.192893
B   -0.359633
C    1.360742
D    0.208753
Name: 2013-01-01 00:00:00, dtype: float64
查看dates行的第1行A列:
 -1.1928925959361503
查看dates行的第1行A列:
 -1.1928925959361503
查看A、B列的所有行:
                    A         B
2013-01-01 -1.192893 -0.359633
2013-01-02  0.855963  0.332799
2013-01-03  0.052533  1.941321
2013-01-04  0.044910 -1.490302
2013-01-05 -0.436184 -0.619776
2013-01-06 -0.981972  1.362772
查看A、B列的指定行:
 A    0.855963
B    0.332799
Name: 2013-01-02 00:00:00, dtype: float64
查看A、B列的指定行:
                    A         B
2013-01-02  0.855963  0.332799
2013-01-03  0.052533  1.941321
2013-01-04  0.044910 -1.490302
查看A列到C列之间的指定行:
                    A         B         C
2013-01-02  0.855963  0.332799 -0.018560
2013-01-03  0.052533  1.941321 -0.431581
2013-01-04  0.044910 -1.490302  1.109744
筛选A列大于0的数据:
                    A         B         C         D
2013-01-02  0.855963  0.332799 -0.018560 -0.701360
2013-01-03  0.052533  1.941321 -0.431581 -0.244977
2013-01-04  0.044910 -1.490302  1.109744  0.263806
查询年龄大于15且性别为男的数据:
   name  age sex
A   小明   17   男
D   铁柱   40   男
筛选A列大于0的数据:
                    A         B         C         D
2013-01-02  0.855963  0.332799 -0.018560 -0.701360
2013-01-03  0.052533  1.941321 -0.431581 -0.244977
2013-01-04  0.044910 -1.490302  1.109744  0.263806
筛选sex列含"男"和"非"的数据:
   name  age sex
A   小明   17   男
D   铁柱   40   男
筛选性别为男的数据:
   name  age sex
A   小明   17   男
D   铁柱   40   男
返回所有大于0的数据，若小于0返回缺失值NaN:
                    A         B         C         D
2013-01-01       NaN       NaN  1.360742  0.208753
2013-01-02  0.855963  0.332799       NaN       NaN
2013-01-03  0.052533  1.941321       NaN       NaN
2013-01-04  0.044910       NaN  1.109744  0.263806
2013-01-05       NaN       NaN  0.676728  0.076502
2013-01-06       NaN  1.362772       NaN  0.298718
查看所有数据值:
 [[-1.1928926  -0.35963294  1.36074179  0.20875278]
 [ 0.85596322  0.33279946 -0.01856033 -0.70136001]
 [ 0.0525335   1.94132053 -0.43158128 -0.24497683]
 [ 0.04490992 -1.49030186  1.10974384  0.26380623]
 [-0.43618383 -0.61977617  0.67672776  0.07650155]
 [-0.9819717   1.36277173 -1.42871436  0.29871825]]
查看age列的数据值:
 [17 20  5 40]
设置name列作为行索引:
 None
进行转置:
 name  小明  小红 狗蛋  铁柱
age   17  20  5  40
sex    男   女  女   男

三、 Pandas数据查询

1、使用单个标签值查询数据; 2、使用值列表查询; 3、使用区间查询; 4、使用条件表达式查询; 5、调用函数查询

df1=pd.read_csv('D:/personal_file/python/code/births1881.txt',
                names=['Names','Births'] #使用names参数指定列名
               ) 

df1.head()
Names Births
0 Mel 67
1 Mel 603
2 Mary 455
3 John 588
4 Mary 406 
df1.loc[2,'Births'] #1使用单个标签值查询数据

455

df1.loc[2:4,'Names'] #使用值列表查询

2    Mary
3    John
4    Mary
Name: Names, dtype: object

df1.loc[[2,3,4],'Names'] #2使用值列表查询

2    Mary
3    John
4    Mary
Name: Names, dtype: object

df1.loc[2:4,'Names':'Births']#3使用区间查询

2    Mary
3    John
4    Mary
Name: Names, dtype: object

df1.loc[2:4,'Names':'Births']
Names Births
2 Mary 455
3 John 588
4 Mary 406 
#4使用条件表达式查询
df1.loc[df1["Births"]>=999,:] #查询Births中大于999的数据--单条件查询
Names Births
579 John 999 
df1.loc[(df1["Births"]>=995)&(df1["Names"]=='Mary'),:] #查询Births>990且Names=Mary的数据--多条件查询用&连接
Names Births
153 Mary 996
857 Mary 997 
df1.loc[lambda x :(x["Births"]>=995)&(x["Names"]=='Mary'),:] #直接写lambda表达式
Names Births
153 Mary 996
857 Mary 997

四、修改数据、 新增列、删除列

1、直接赋值；2、df.apply方法；3、df.assign方法；4、按条件分组分别赋值;5、其他方法

import pandas as pd
df2=pd.read_csv('D:/personal_file/python/code/天气.txt',sep='\t')

df2.head()
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel
0 2018年01月01日 2018-01-01 3度 -3度 晴~多云 东北风 1-2级 59 良 3
1 2018年01月02日 2018-01-02 2度 -2度 晴~多云 东北风 1-2级 49 优 2
2 2018年01月03日 2018-01-03 0度 -5度 多云 北风 1-2级 28 差 1
3 2018年01月04日 2018-01-04 1度 -1度 阴 东北风 1-2级 28 良 1
4 2018年01月05日 2018-01-05 -1度 -6度 多云-晴 西北风 1-2级 60 优 1

1.直接赋值法

#修改列

#替换bwebdu列和ywebdu列的“度”并转化为数字类型
 #写法1：使用loc方法
df2.loc[:,"bwendu"]=df2["bwendu"].str.replace("度","").astype('int32')
df2.loc[:,"ywendu"]=df2["ywendu"].str.replace("度","").astype('int32')
 #写法2
df2["bwendu"]=df2["bwendu"].str.replace("度","").astype('int32')
df2["ywendu"]=df2["ywendu"].str.replace("度","").astype('int32')

df2.head()
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel
0 2018年01月01日 2018-01-01 3 -3 晴~多云 东北风 1-2级 59 良 3
1 2018年01月02日 2018-01-02 2 -2 晴~多云 东北风 1-2级 49 优 2
2 2018年01月03日 2018-01-03 0 -5 多云 北风 1-2级 28 差 1
3 2018年01月04日 2018-01-04 1 -1 阴 东北风 1-2级 28 良 1
4 2018年01月05日 2018-01-05 -1 -6 多云-晴 西北风 1-2级 60 优 1 
df2.dtypes

ymd          object
bwendu        int32
ywendu        int32
tianqi       object
fengxiang    object
fengli       object
aqi           int64
aqlinfo      object
aqilevel      int64
dtype: object

#新增列

#两列相减作为新增列wencha
 #写法1
df2.loc[:,"wencha"] = df2["bwendu"]-df2["ywendu"]
 #写法2
df2["wencha"] = df2["bwendu"]-df2["ywendu"]

df2.head()
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel wencha
0 2018年01月01日 2018-01-01 3 -3 晴~多云 东北风 1-2级 59 良 3 6
1 2018年01月02日 2018-01-02 2 -2 晴~多云 东北风 1-2级 49 优 2 4
2 2018年01月03日 2018-01-03 0 -5 多云 北风 1-2级 28 差 1 5
3 2018年01月04日 2018-01-04 1 -1 阴 东北风 1-2级 28 良 1 2
4 2018年01月05日 2018-01-05 -1 -6 多云-晴 西北风 1-2级 60 优 1 5

2 df.apply方法

apply a function along an axis of DataFrame.Objects passed to the function are Series objects whose index is either the DataFrame's index(axis=0) or DataFrame's columns(axis=1)

#新增列
#条件判断作为新增列
def get_wendu_type(x):
    if x["bwendu"]>=2:
        return '高温'
    if x["ywendu"]<=-5:
        return '低温'
    else:
        return '常温'
df2.loc[:,"wendu_type"]=df2.apply(get_wendu_type,axis=1) #注意设置axis=1
df2.head()
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel wencha wendu_type
0 2018年01月01日 2018-01-01 3 -3 晴~多云 东北风 1-2级 59 良 3 6 高温
1 2018年01月02日 2018-01-02 2 -2 晴~多云 东北风 1-2级 49 优 2 4 高温
2 2018年01月03日 2018-01-03 0 -5 多云 北风 1-2级 28 差 1 5 低温
3 2018年01月04日 2018-01-04 1 -1 阴 东北风 1-2级 28 良 1 2 常温
4 2018年01月05日 2018-01-05 -1 -6 多云-晴 西北风 1-2级 60 优 1 5 低温

3 df.assign方法

Assign new columns to a DataFrame.
Returns a new object with all original columns in addition to new ones.
Existing columns that are re-assigned will be overwritten.

#新增列
#可以同时添加多个列
df2.assign(temp_f=lambda x:x['bwendu'] * 9 / 5 + 32,
           temp_k=lambda x:x['ywendu'] * 9 / 5 + 32
         )
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel wencha wendu_type temp_f temp_k
0 2018年01月01日 2018-01-01 3 -3 晴~多云 东北风 1-2级 59 良 3 6 高温 37.4 26.6
1 2018年01月02日 2018-01-02 2 -2 晴~多云 东北风 1-2级 49 优 2 4 高温 35.6 28.4
2 2018年01月03日 2018-01-03 0 -5 多云 北风 1-2级 28 差 1 5 低温 32.0 23.0
3 2018年01月04日 2018-01-04 1 -1 阴 东北风 1-2级 28 良 1 2 常温 33.8 30.2
4 2018年01月05日 2018-01-05 -1 -6 多云-晴 西北风 1-2级 60 优 1 5 低温 30.2 21.2
5 2018年01月06日 2018-01-06 -2 -7 小雨 西南风 1-2级 50 良 1 5 低温 28.4 19.4

4 按条件选择分组判断并分别赋值

#新增列
df2["wencha_cd"]="" #先创建空列(这是一种新的创建空列的方法)
df2.loc[df2["bwendu"]-df2["ywendu"]>5,"wencha_cd"]="温差大"
df2.loc[df2["bwendu"]-df2["ywendu"]<=5,"wencha_cd"]="温差小"
df2.head()
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel wencha wendu_type wencha_cd
0 2018年01月01日 2018-01-01 3 -3 晴~多云 东北风 1-2级 59 良 3 6 高温 温差大
1 2018年01月02日 2018-01-02 2 -2 晴~多云 东北风 1-2级 49 优 2 4 高温 温差小
2 2018年01月03日 2018-01-03 0 -5 多云 北风 1-2级 28 差 1 5 低温 温差小
3 2018年01月04日 2018-01-04 1 -1 阴 东北风 1-2级 28 良 1 2 常温 温差小
4 2018年01月05日 2018-01-05 -1 -6 多云-晴 西北风 1-2级 60 优 1 5 低温 温差小

5 其他方法

#新增列
dates=pd.date_range('20130101',periods=6) #创建时间序列
df = pd.DataFrame(np.random.randn(6,4),# 产生随机数
                  index=dates, #创建行索引
                  columns=list('ABCD') #创建列名
                 )
df

# 插入列
s1=pd.Series([1,2,3,4,5,6],index=pd.date_range('20130102',periods=6))
df['F']=s1 #插入一列F
df
A B C D F
2013-01-01 2.046441 -1.328544 -0.623193 -0.001910 NaN
2013-01-02 0.691444 0.824626 -0.074844 -0.242671 1.0
2013-01-03 -2.648910 -0.461332 1.348693 -0.151167 2.0
2013-01-04 0.433959 -1.901356 -0.986606 0.948850 3.0
2013-01-05 1.114743 -0.470343 -1.076789 -0.112336 4.0
2013-01-06 -1.604482 -0.962977 -1.054972 0.455335 5.0 
dic1 = {'name': ['小明', '小红', '狗蛋', '铁柱'],
        'age': [17, 20, 5, 40],
        'sex': ['男', '女', '女', '男']}  # 使用字典创建
df3 = pd.DataFrame(dic1, 
                   index=list('ABCD')
                  )
#插入列
df3['count']=['one','one','two','three'] #插入一列count
df3.insert(3, 'skin', ['b', 'w', 'w', 'y']) # 指定位置插入一列:第3列之后插入一列:skin
df3
name age sex skin count
A 小明 17 男 b one
B 小红 20 女 w one
C 狗蛋 5 女 w two
D 铁柱 40 男 y three 
#插入行
df3.loc['E'] = ['小花', 12, '男', 'y']  # 插入一行   #报错了？。。。
df3

#删除列
 #删除sex列
del df3['sex'] #直接修改原数据，再次删除会报错
df3
name age skin count
A 小明 17 b one
B 小红 20 w one
C 狗蛋 5 w two
D 铁柱 40 y three

五、pandas统计函数

1、汇总类统计，用于统计数字类型列;
2、按列 逐行累加
3、唯一去重和按值分类，用于分类或枚举列；
4、相关系数和协方差:
a.协方差：衡量同向反向程度；如果协方差为正，说明X,Y同向变化，协方差越大说明同向程度越高；如果协方差为负，说明X,Y反向变化，协方差越小说明反向程度越高
b.协方差矩阵：假如某个观测样本有p个维度，计算每个维度同所有维度之间的协方差，则会形成一个pXp的矩阵，矩阵的每个数是其相应维度之间的协方差，这个矩阵就称为协方差矩阵
c.相关系数：衡量相似度程度，分正相关和负相关

import pandas as pd
df2=pd.read_csv('D:/personal_file/python/code/天气.txt',sep='\t')
df2.head()
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel
0 2018年01月01日 2018-01-01 3度 -3度 晴~多云 东北风 1-2级 59 良 3
1 2018年01月02日 2018-01-02 2度 -2度 晴~多云 东北风 1-2级 49 优 2
2 2018年01月03日 2018-01-03 0度 -5度 多云 北风 1-2级 28 差 1
3 2018年01月04日 2018-01-04 1度 -1度 阴 东北风 1-2级 28 良 1
4 2018年01月05日 2018-01-05 -1度 -6度 多云-晴 西北风 1-2级 60 优 1 
# 1、汇总类统计
df2.describe() #只统计数值列的最值、均值、方差、分位数、计数
bwendu ywendu aqi aqilevel
count 6.000000 6.000000 6.000000 6.00000
mean 0.500000 -4.000000 45.666667 1.50000
std 1.870829 2.366432 14.403703 0.83666
min -2.000000 -7.000000 28.000000 1.00000
25% -0.750000 -5.750000 33.250000 1.00000
50% 0.500000 -4.000000 49.500000 1.00000
75% 1.750000 -2.250000 56.750000 1.75000
max 3.000000 -1.000000 60.000000 3.00000 
#最值均值总值统计：min/max/mean/sum，只统计数值列
 #按列统计，以min为例
df2['aqi'].min() #某一列最小值
df2['aqi'].min(0) 
 #按行统计，以min为例
df2.min(1) #某一行最小值

2013-01-01   -1.089183
2013-01-02   -0.383638
2013-01-03   -0.639936
2013-01-04    1.226136
2013-01-05   -1.942171
2013-01-06   -1.302461
Freq: D, dtype: float64

#纵向求均值
df2.mean() #每一列最小值，只统计数值列

bwendu       0.500000
ywendu      -4.000000
aqi         45.666667
aqilevel     1.500000
dtype: float64

#某列求均值
df2["bwendu"].mean()

0.5

#计算极差：每列最值之差
print(df)
df.apply(lambda x: x.max()-x.min())

                   A         B         C         D
2013-01-01 -1.189561  0.604377 -1.240541 -1.517069
2013-01-02  1.058069 -1.490177  0.106553  0.687971
2013-01-03  0.146353 -2.402185  0.319810 -1.694133
2013-01-04  1.030632 -1.562393  0.274369 -0.038280
2013-01-05  0.536428  0.145011 -0.645631  0.163246
2013-01-06 -0.594192  0.991625  0.517435  1.259324





A    2.247630
B    3.393810
C    1.757977
D    2.953457
dtype: float64

# 2、按列逐行累加
dic1 = {'name': ['小明', '小红', '狗蛋', '铁柱'],
        'age': [17, 20, 5, 40],
        'sex': ['男', '女', '女', '男']}  # 使用字典创建
df3 = pd.DataFrame(dic1, 
                   index=list('ABCD')
                  )
print(df3)
df3.apply(np.cumsum) #按列逐行累加，发现字符串也会相加

  name  age sex
A   小明   17   男
B   小红   20   女
C   狗蛋    5   女
D   铁柱   40   男
name age sex
A 小明 17 男
B 小明小红 37 男女
C 小明小红狗蛋 42 男女女
D 小明小红狗蛋铁柱 82 男女女男 
# 3、唯一去重
df2["tianqi"].unique()

array(['晴~多云', '多云', '阴', '多云-晴', '小雨'], dtype=object)

   #按值计数
df2["fengxiang"].value_counts() #统计某个字段每个值出现的次数

东北风    3
西南风    1
西北风    1
北风     1
Name: fengxiang, dtype: int64

# 4、协方差矩阵
df2.cov()
bwendu ywendu aqi aqilevel
bwendu 3.5 3.6 1.200000 1.3
ywendu 3.6 5.6 -11.400000 0.8
aqi 1.2 -11.4 207.466667 6.0
aqilevel 1.3 0.8 6.000000 0.7 
   #相关系数矩阵
df2.corr()
bwendu ywendu aqi aqilevel
bwendu 1.000000 0.813157 0.044532 0.830540
ywendu 0.813157 1.000000 -0.334454 0.404061
aqi 0.044532 -0.334454 1.000000 0.497884
aqilevel 0.830540 0.404061 0.497884 1.000000 
#相关系数矩阵的热力图
import matplotlib.pyplot as plt
figure, ax = plt.subplots(figsize=(12, 12))
sns.heatmap(df2.corr(), square=True, annot=True, ax=ax)

<matplotlib.axes._subplots.AxesSubplot at 0x280f97643d0>

png

#单独查看两个变量的相关系数
df2["bwendu"].corr(df2["ywendu"])

0.8131571126147262

#单独查看两个变量的相关系数(只能查看两个数值列)
df2["aqi"].corr(df2["bwendu"]-df2["ywendu"]) #查看空气质量和温差的相关系数

0.6346285123340253

#使用seaborn绘制相关图
import seaborn as sns
sns.pairplot(df2) #返回一张大图，其中包含16个子图，每个子图都是每个维度和其他某个维度的相关关系图，这其中主对角线上的图，则是每个维度的数据分布直方图
sns.pairplot(df2 , hue ='tianqi') #画出同上的图形，但却以tianqi这个维度的数据为标准，来对各个数据点进行着色

C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\seaborn\distributions.py:283: UserWarning: Data must have variance to compute a kernel density estimate.
  warnings.warn(msg, UserWarning)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:214: RuntimeWarning: Glyph 26228 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:214: RuntimeWarning: Glyph 22810 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:214: RuntimeWarning: Glyph 20113 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:214: RuntimeWarning: Glyph 38452 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:214: RuntimeWarning: Glyph 23567 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:214: RuntimeWarning: Glyph 38632 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:183: RuntimeWarning: Glyph 26228 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:183: RuntimeWarning: Glyph 22810 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:183: RuntimeWarning: Glyph 20113 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:183: RuntimeWarning: Glyph 38452 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:183: RuntimeWarning: Glyph 23567 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\Users\18308\anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:183: RuntimeWarning: Glyph 38632 missing from current font.
  font.set_text(s, 0, flags=flags)





<seaborn.axisgrid.PairGrid at 0x280f862dd30>

png

png

六、缺失值处理

1、isnull和notnull：探索是否是空值，可用于df和series
2、dropna:丢弃、删除缺失值
3、fillna:填充空值："ffill" 表示用前一个不为空的缺失值填充；"bfill" 表示用后一个不为空的缺失值填充；

df2.head()
ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel
0 2018-01-01 3度 -3度 晴~多云 东北风 1-2级 59 良 3
1 2018-01-02 2度 -2度 晴~多云 东北风 1-2级 49 优 2
2 2018-01-03 0度 -5度 多云 北风 1-2级 28 差 1
3 2018-01-04 1度 -1度 阴 东北风 1-2级 28 良 1
4 2018-01-05 -1度 -6度 多云-晴 西北风 1-2级 60 优 1 
pd.isnull(df2) #判断所有行和列是否为空值,布尔型
df2.isnull()   #同上
df2["ymd"].isnull() #返回某列是否为空值

df2.notnull()#返回所有行和列是否为非空
df2["ymd"].notnull() #返回某列是否为非空
ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel
0 False False False False False False False False False
1 False False False False False False False False False
2 False False False False False False False False False
3 False False False False False False False False False
4 False False False False False False False False False
5 False False False False False False False False False 
#筛选tianqi的为空所有行
df2.loc[df2["tianqi"].isnull(),:]
#筛选没有空tianqi的所有行
df2.loc[df2["tianqi"].notnull(),:]

#删除全是空值的行或列
df2.dropna(axis="columns", #删除行还是列，默认删除行0{0 or index,1 or columns}
           how="all", #all表示所有值为空才删除，any表示任何值为空都删除
           inplace=True #True修改当前df,否则返回新的df
          )

#将某列为空值的数据用 0填充
df2.fillna({"bwendu":0}) #写法1
df2.loc[:,"bwendu"]=df2["bwendu"].fillna(0)  #写法2

#将某列为空值的数据用相邻的前面或后面数据填充
df2.loc[:,"bwendu"]=df2["bwendu"].fillna(method="ffill" #用前一个不为空的缺失值填充
                                        )

dates=pd.date_range('20130101',periods=6) #创建时间序列
df = pd.DataFrame(np.random.randn(6,4),# 产生随机数
                  index=dates, #创建行索引
                  columns=list('ABCD') #创建列名
                 )

#reindex()方法可以对指定轴上的索引进行改变/增加/删除操作
#通过索引选取前4行，增加新列E
df1=df.reindex(index=dates[0:4],
               columns=list(df.columns)+['E']
              )
#E列前两行赋值为1
df1.loc[dates[0:2],'E']=1
df1.loc[dates[0]:dates[1],'E']=1 #结果同上

#去掉包含缺失值的行
df1.dropna(how='any') #意味着如果任何值为空，则删除缺失值所在行

#对缺失值进行填充
df1.fillna(value=5) #用常数填充
df1.fillna(5) #同上
A B C D E
2013-01-01 -0.636970 -0.327551 -0.231448 -1.089183 1.0
2013-01-02 -0.077707 -0.383638 -0.104501 0.272184 1.0
2013-01-03 -0.501988 0.393708 -0.639936 -0.075200 5.0
2013-01-04 2.695484 1.472324 1.226136 1.627496 5.0

七、pandas数据排序

sort_values/sort_index可以对series和dataframe进行排序，以dataframe为例：
1、按照指定值大小顺序排列:
DataFrame.sort_values(by=str or list #对单列或多列排序,
ascending=bool or list,
inplace=False #是否修改原始列)；
2、按照索引大小顺序排列
DataFrame.sort_index(axis=1, #指定排序的轴,ascending=False, #是否升序,
ignore_index=False #是否重新生成索引)

#载入包
import pandas as pd 
import numpy as np

df3=pd.read_csv('D:/personal_file/python/code/天气.txt',sep='\t')
df3.head()
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel
0 2018年01月01日 2018-01-01 3度 -3度 晴~多云 东北风 1-2级 59 良 3
1 2018年01月02日 2018-01-02 2度 -2度 晴~多云 东北风 1-2级 49 优 2
2 2018年01月03日 2018-01-03 0度 -5度 多云 北风 1-2级 28 差 1
3 2018年01月04日 2018-01-04 1度 -1度 阴 东北风 1-2级 28 良 1
4 2018年01月05日 2018-01-05 -1度 -6度 多云-晴 西北风 1-2级 60 优 1

按照指定值大小顺序排列 sort_values()

#对单列排序
df3["aqi"].sort_values(ascending=True, #是否升序
                       inplace=False #是否修改原始列
                      )

2    28
3    28
1    49
5    50
0    59
4    60
Name: aqi, dtype: int64

#对数据框排序：按aqi升序，aqilevel降序排列
df3.sort_values(by=["aqi","aqilevel"], #指定排序列
                ascending=[True,False],
                inplace=False
               )
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel
2 2018年01月03日 2018-01-03 0度 -5度 多云 北风 1-2级 28 差 1
3 2018年01月04日 2018-01-04 1度 -1度 阴 东北风 1-2级 28 良 1
1 2018年01月02日 2018-01-02 2度 -2度 晴~多云 东北风 1-2级 49 优 2
5 2018年01月06日 2018-01-06 -2度 -7度 小雨 西南风 1-2级 50 良 1
0 2018年01月01日 2018-01-01 3度 -3度 晴~多云 东北风 1-2级 59 良 3
4 2018年01月05日 2018-01-05 -1度 -6度 多云-晴 西北风 1-2级 60 优 1

按照索引大小顺序排列 sort_index()

df3.sort_index(axis=1,#指定排序的轴：按行索引0/按列索引1 #这里设1后结果有点没懂？
               ascending=False, #是否升序
               ignore_index=False #是否重新生成索引
              )
ywendu ymd tianqi fengxiang fengli dates bwendu aqlinfo aqilevel aqi
0 -3度 2018-01-01 晴~多云 东北风 1-2级 2018年01月01日 3度 良 3 59
1 -2度 2018-01-02 晴~多云 东北风 1-2级 2018年01月02日 2度 优 2 49
2 -5度 2018-01-03 多云 北风 1-2级 2018年01月03日 0度 差 1 28
3 -1度 2018-01-04 阴 东北风 1-2级 2018年01月04日 1度 良 1 28
4 -6度 2018-01-05 多云-晴 西北风 1-2级 2018年01月05日 -1度 优 1 60
5 -7度 2018-01-06 小雨 西南风 1-2级 2018年01月06日 -2度 良 1 50

八、pandas字符串处理

1、使用方法：先获取series.str属性，然后在属性上调用函数。注意只能在字符串列上使用；
2、使用str的startswith、contains等bool类型的series可以做条件查询；
3、通常需要做多次str处理的链式操作；
4、使用正则表达式的处理，series.str默认开启了正则表达式模式；
5、字符串处理英文参考文档：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.html

df3["bwendu"].str.replace("度","") #bwendu列替换“度”

0     3
1     2
2     0
3     1
4    -1
5    -2
Name: bwendu, dtype: object

df3["ymd"].str.slice(0,7) #获取年月

0    2018-01
1    2018-01
2    2018-01
3    2018-01
4    2018-01
5    2018-01
Name: ymd, dtype: object

df3["ymd"].str.replace("-","").str.slice(0,6) #获取年月
#注意df3["ymd"].str.replace("-","").slice(0,6) #这种写法不对，因为df3["ymd"].str.replace("-","")返回object，需要先获取str属性

0    201801
1    201801
2    201801
3    201801
4    201801
5    201801
Name: ymd, dtype: object

df3["ymd"].str.startswith("2018-01-01") #返回布尔型

0     True
1    False
2    False
3    False
4    False
5    False
Name: ymd, dtype: bool
问题：怎样将“2018年01月01日”中的年月日去掉？
#方法1：链式replace
df3["dates"].str.replace("年","").str.replace("月","").str.replace("日","")

0    20180101
1    20180102
2    20180103
3    20180104
4    20180105
5    20180106
Name: dates, dtype: object

#方法2：正则表达式
df3["dates"].str.replace("[年月日]","") #series.str默认开启了正则表达式模式

0    20180101
1    20180102
2    20180103
3    20180104
4    20180105
5    20180106
Name: dates, dtype: object

九、pandas数据合并Merge、concat、append

9.1 pandas实现DataFrame的Merge

merge：可以根据一个或多个键将不同的DataFrame中的行连接起来。
语法：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)

以影评数据为例

df_ratings=pd.read_csv('D:/personal_file/python/code/data/t_ratings_auto.txt',
               sep='::', #默认逗号分隔符
               engine='python', #不指定会报ParserWarning
               names=['userid','movieid','rating','timestamp']
               #names="userid::movieid::rating::timestamp".split("::") #高级写法
               )

df_ratings.head()
userid movieid rating timestamp
0 1 1193 5 978300760
1 1 661 3 978302109
2 1 914 3 978301968
3 1 3408 4 978300275
4 1 2355 5 978824291 
df_users=pd.read_csv('D:/personal_file/python/code/data/t_users_auto.txt',
               sep='::', #默认逗号分隔符
               engine='python', #不指定会报ParserWarning
               names=['userid','gender','age','job','zip-code']
               )

df_users.head()
userid gender age job zip-code
0 1 F 1 10 48067
1 2 M 56 16 70072
2 3 M 25 15 55117
3 4 M 45 7 02460
4 5 M 25 20 55455 
df_movie=pd.read_csv('D:/personal_file/python/code/data/t_movies_auto.txt',
               sep='::', #默认逗号分隔符
               engine='python', #不指定会报ParserWarning
               names=['movieid','title','genres']
               )

df_movie.head()
movieid title genres
0 1 Toy Story (1995) Animation|Children's|Comedy
1 2 Jumanji (1995) Adventure|Children's|Fantasy
2 3 Grumpier Old Men (1995) Comedy|Romance
3 4 Waiting to Exhale (1995) Comedy|Drama
4 5 Father of the Bride Part II (1995) Comedy 
#df_ratings_users=pd.merge(df_ratings, df_users, how='inner', left_on='userid', right_on='userid') #写法1
df_ratings_users=pd.merge(df_ratings, df_users, how='inner', on='userid') #写法2
df_ratings_users.head()
userid movieid rating timestamp gender age job zip-code
0 1 1193 5 978300760 F 1 10 48067
1 1 661 3 978302109 F 1 10 48067
2 1 914 3 978301968 F 1 10 48067
3 1 3408 4 978300275 F 1 10 48067
4 1 2355 5 978824291 F 1 10 48067 
df_ratings_movie=pd.merge(df_ratings, df_movie, how='inner', on='movieid')
df_ratings_movie.head()
userid movieid rating timestamp title genres
0 1 1193 5 978300760 One Flew Over the Cuckoo's Nest (1975) Drama
1 2 1193 5 978298413 One Flew Over the Cuckoo's Nest (1975) Drama
2 12 1193 4 978220179 One Flew Over the Cuckoo's Nest (1975) Drama
3 15 1193 4 978199279 One Flew Over the Cuckoo's Nest (1975) Drama
4 17 1193 5 978158471 One Flew Over the Cuckoo's Nest (1975) Drama

9.2、pandas实现数据concat合并

指定按某个轴进行连接（axis=0/1），也可以指定join方法。
语法：pd.concat(objs, axis=0, join='outer',ignore_index=False)

s1 = pd.Series(['a', 'b'])
s2 = pd.Series(['c', 'd'])

s1

0    a
1    b
dtype: object

s2

0    c
1    d
dtype: object

pd.concat([s1,s2]) # axis=0按行合并

0    a
1    b
0    c
1    d
dtype: object

pd.concat([s1,s2],axis=1) #按列合并
0 1
0 a c
1 b d 
pd.concat([s1, s2], ignore_index=True) #忽略原索引

0    a
1    b
2    c
3    d
dtype: object

十、pandas实现groupby分组统计

所有的聚合函数都是在dataframe和series上进行的；
pandas的groupby遵从split、apply、combine模式

#载入包
import pandas as pd 
import numpy as np
#加上这一句能在 jupyter展示matplot图表
%matplotlib inline 

df4 = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',
                          'foo', 'bar', 'foo', 'foo'],
                   'B' : ['one', 'one', 'two', 'three',
                           'two', 'two', 'one', 'three'],
                   'C' : np.random.randn(8),
                   'D' : np.random.randn(8)})
df4
A B C D
0 foo one 1.176942 -0.987104
1 bar one 0.937907 -0.267920
2 foo two 0.608983 -0.526361
3 bar three -0.032497 0.229008
4 foo two -0.994119 0.341918
5 bar two 0.136394 -0.553871
6 foo one -0.009277 -0.507712
7 foo three -1.149535 1.778878

对单个列groupby,查询所有数据列的统计

df4.groupby(by='A').sum() #by表示分组
df4.groupby('A').sum()    #同上，省略by
#结果：A列变成了索引，只展示数字列的统计
#df4.groupby['A'].sum() 为什么这种写法错误?因为groupby()是个函数，里面需要参数的
C D
A
bar 3.724872 -2.875343
foo 3.183604 -1.814848

对多个列groupby,查询所有数据列的统计

df4.groupby(["A","B"]).sum() #可以看到"A","B"变成了二级索引
C D
A B
bar one 0.402025 -0.234494
three 0.027734 -0.610918
two 0.728252 0.715883
foo one 1.389367 -1.327171
three -0.252610 -0.072518
two 2.238247 2.877372 
df4.groupby(["B","A"]).sum() #可以看到groupby多列分组排列顺序与by关键字内容位置有关
C D
B A
one bar 0.058339 0.447656
foo -0.481317 1.623534
three bar -0.757645 -2.468676
foo 0.284769 -0.375871
two bar 0.466323 -1.722524
foo 1.492266 1.060856 
df4.groupby(["A","B"],as_index=False).mean() # as_index=False A","B"变成普通列
A B C D
0 bar one 0.402025 -0.234494
1 bar three 0.027734 -0.610918
2 bar two 0.728252 0.715883
3 foo one 0.694684 -0.663586
4 foo three -0.252610 -0.072518
5 foo two 1.119123 1.438686

同时查看多种数据统计agg

df4.groupby('A').agg([np.sum,np.mean,np.std])
C D
sum mean std sum mean std
A
bar 1.158010 0.386003 0.350534 -0.129530 -0.043177 0.683778
foo 3.375004 0.675001 0.934625 1.477683 0.295537 1.165673 
df4.groupby('A').agg([np.sum,np.mean,np.std])["C"] #再筛选C列
#df4.groupby('A')["C"].agg([np.sum,np.mean,np.std]) #这种写法也可
sum mean std
A
bar 1.158010 0.386003 0.350534
foo 3.375004 0.675001 0.934625

不同列使用不同的聚合函数

df4.groupby('A').agg({"C":np.mean,"D":np.sum})
C D
A
bar 0.386003 -0.129530
foo 0.675001 1.477683

过滤操作：根据某些条件筛选出符合条件的分组的过程

#筛选D列总和大于0的分组
df4.filter(lambda x: x["D"].sum() < 0 ) #为什么不对？

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-5-0919bf34bb13> in <module>
----> 1 df4.filter(lambda x: x["D"].sum() < 0 )


~\anaconda3\lib\site-packages\pandas\core\generic.py in filter(self, items, like, regex, axis)
   4697         if items is not None:
   4698             name = self._get_axis_name(axis)
-> 4699             return self.reindex(**{name: [r for r in items if r in labels]})
   4700         elif like:
   4701 


TypeError: 'function' object is not iterable

实例：分组统计天气数据

df3=pd.read_csv('D:/personal_file/python/code/天气.txt',sep='\t')
df3.head()
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel
0 2018年01月01日 2018-01-01 3度 -3度 晴~多云 东北风 1-2级 59 良 3
1 2018年01月02日 2018-01-02 2度 -2度 晴~多云 东北风 1-2级 49 优 2
2 2018年01月03日 2018-01-03 0度 -5度 多云 北风 1-2级 28 差 1
3 2018年01月04日 2018-01-04 1度 -1度 阴 东北风 1-2级 28 良 1
4 2018年01月05日 2018-01-05 -1度 -6度 多云-晴 西北风 1-2级 60 优 1 
#替换bwendu列和ywendu列的“度”并转化为数字类型
df3.loc[:,"bwendu"]=df3["bwendu"].str.replace("度","").astype("int32")
df3.loc[:,"ywendu"]=df3["ywendu"].str.replace("度","").astype("int32")

#新增一列为月份
df3.loc[:,"month"] = df3["ymd"].str[0:7] #写法1
#df3["month"] =df3["ymd"].str[0:7] #写法2

df3.head()
dates ymd bwendu ywendu tianqi fengxiang fengli aqi aqlinfo aqilevel month
0 2018年01月01日 2018-01-01 3 -3 晴~多云 东北风 1-2级 59 良 3 2018-01
1 2018年01月02日 2018-01-02 2 -2 晴~多云 东北风 1-2级 49 优 2 2018-01
2 2018年01月03日 2018-01-03 0 -5 多云 北风 1-2级 28 差 1 2018-01
3 2018年01月04日 2018-01-04 1 -1 阴 东北风 1-2级 28 良 1 2018-01
4 2018年01月05日 2018-01-05 -1 -6 多云-晴 西北风 1-2级 60 优 1 2018-01 
#1、查看每月的最高温度
data=df3.groupby("month").max()["bwendu"]
data

month
2018-01    3
Name: bwendu, dtype: int32

data.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1a40001d400>

png

df3.plot("ymd","bwendu")

<matplotlib.axes._subplots.AxesSubplot at 0x1a47f8d5790>

png

#2、查看每月的最高温度、最低温度、平均空气质量指数
df3.groupby("month").agg({"bwendu":np.max,"ywendu":np.min,"aqi":np.mean})
bwendu ywendu aqi
month
2018-01 3 -7 45.666667

十一、pandas对每个分组应用apply函数
posted @   灯新  阅读(53)  评论(0)  编辑  收藏  举报
相关博文：
· Python自学整理
· python入门学习之《python编程快速上手》
· pandas(数据)
· Pandas学习之路【1】
· Pandas - 1
阅读排行：
· 被坑几百块钱后，我竟然真的恢复了删除的微信聊天记录！
· 【自荐】一款简洁、开源的在线白板工具 Drawnix
· 没有Manus邀请码？试试免邀请码的MGX或者开源的OpenManus吧
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· 无需6万激活码！GitHub神秘组织3小时极速复刻Manus，手把手教你使用OpenManus搭建本
点击右上角即可分享
微信分享提示