Python3 pandas用法大全

Python3 pandas用法大全

一、生成数据表 

1、首先导入pandas库，一般都会用到numpy库，所以我们先导入备用：

import numpy as np
import pandas as pd

2、导入CSV或者xlsx文件：

df = pd.DataFrame(pd.read_csv('name.csv',header=1))
df = pd.DataFrame(pd.read_excel('name.xlsx'))
#pandas还可以读取一下文件： 
read_csv, 
read_excel, 
read_hdf, 
read_sql, 
read_json, 
read_msgpack (experimental), 
read_html, 
read_gbq (experimental), 
read_stata, 
read_sas, 
read_clipboard, 
read_pickle; 
#相应的写入： 
to_csv, 
to_excel, 
to_hdf, 
to_sql, 
to_json, 
to_msgpack (experimental), 
to_html, 
to_gbq (experimental), 
to_stata, 
to_clipboard, 
to_pickle.

（1）pandas.read_csv()参数整理:

　　读取CSV（逗号分割）文件到DataFrame，也支持文件的部分导入和选择迭代。

　　filepath_or_buffer : str，pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such as a file handle or StringIO)

　　可以是URL，可用URL类型包括：http, ftp, s3和文件。

　　sep : str, default ‘,’

　　指定分隔符。如果不指定参数，则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘\s+’,将使用python的语法分析器。并且忽略数据中的逗号。正则表达式例子：'\r\t'

　　delimiter : str, default None 

　　定界符，备选分隔符（如果指定该参数，则sep参数失效）。

　　delim_whitespace : boolean, default False. 

　　指定空格(例如’ ‘或者’ ‘)是否作为分隔符使用，等效于设定sep='\s+'。如果这个参数设定为Ture那么delimiter 参数失效。在新版本0.18.1支持

　　header : int or list of ints, default ‘infer’

　　指定行数用来作为列名，数据开始行数。如果文件中没有列名，则默认为0，否则设置为None。如果明确设定header=0 就会替换掉原来存在列名。header参数可以是一个list例如：[0,1,3]，

　　这个list表示将文件中的这些行作为列标题（意味着每一列有多个标题），介于中间的行将被忽略掉

　　注意：如果skip_blank_lines=True 那么header参数忽略注释行和空行，所以header=0表示第一行数据而不是文件的第一行。

　　names : array-like, default None

　　用于结果的列名列表，如果数据文件中没有列标题行，就需要执行header=None。默认列表中不能出现重复，除非设定参数mangle_dupe_cols=True。

　　index_col : int or sequence or False, default None

　　用作行索引的列编号或者列名，如果给定一个序列则有多个行索引。

　　如果文件不规则，行尾有分隔符，则可以设定index_col=False 来是的pandas不适用第一列作为行索引。

　　usecols : array-like, default None

　　返回一个数据子集，该列表中的值必须可以对应到文件中的位置（数字可以对应到指定的列）或者是字符传为文件中的列名。

　　例如：usecols有效参数可能是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用这个参数可以加快加载速度并降低内存消耗。

　　as_recarray : boolean, default False

　　不赞成使用：该参数会在未来版本移除。请使用pd.read_csv(...).to_records()替代。

　　返回一个Numpy的recarray来替代DataFrame。如果该参数设定为True。将会优先squeeze参数使用。并且行索引将不再可用，索引列也将被忽略。

 　   squeeze : boolean, default False　　

　　如果文件值包含一列，则返回一个Series

 　　prefix : str, default None

　　在没有列标题时，给列添加前缀。例如：添加‘X’ 成为 X0, X1, ...

 　　mangle_dupe_cols : boolean, default True

　　重复的列，将‘X’...’X’表示为‘X.0’...’X.N’。如果设定为false则会将所有重名列覆盖。

 　　dtype : Type name or dict of column -> type, default None

　　每列数据的数据类型。例如 {‘a’: np.float64, ‘b’: np.int32}

 　　engine : {‘c’, ‘python’}, optional

　　Parser engine to use. The C engine is faster while the python engine is currently more feature-complete.

　　使用的分析引擎。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。

 　　converters : dict, default None

　　列转换函数的字典。key可以是列名或者列的序号。

 　　true_values : list, default None

　　Values to consider as True

 　　false_values : list, default None

　　Values to consider as False

 　　skipinitialspace : boolean, default False

　　忽略分隔符后的空白（默认为False，即不忽略）.

 　　skiprows : list-like or integer, default None

　　需要忽略的行数（从文件开始处算起），或需要跳过的行号列表（从0开始）。

 　　skipfooter : int, default 0

　　从文件尾部开始忽略。 (c引擎不支持)

　　skip_footer : int, default 0

　　不推荐使用：建议使用skipfooter ，功能一样。

 　　nrows : int, default None

　　需要读取的行数（从文件头开始算起）。

 　　na_values : scalar, str, list-like, or dict, default None

　　一组用于替换NA/NaN的值。如果传参，需要制定特定列的空值。默认为‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.

 　　keep_default_na : bool, default True

　　如果指定na_values参数，并且keep_default_na=False，那么默认的NaN将被覆盖，否则添加。

 　　na_filter : boolean, default True

　　是否检查丢失值（空字符串或者是空值）。对于大文件来说数据集中没有空值，设定na_filter=False可以提升读取速度。

 　　verbose : boolean, default False

　　是否打印各种解析器的输出信息，例如：“非数值列中缺失值的数量”等。

 　　skip_blank_lines : boolean, default True

　　如果为True，则跳过空行；否则记为NaN。

 　　parse_dates : boolean or list of ints or names or list of lists or dict, default False

• • boolean. True -> 解析索引
  • list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作为独立的日期列；
  • list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用
  • dict, e.g. {‘foo’ : [1, 3]} -> 将1,3列合并，并给合并后的列起名为"foo"

 　　infer_datetime_format : boolean, default False

　　如果设定为True并且parse_dates 可用，那么pandas将尝试转换为日期类型，如果可以转换，转换方法并解析。在某些情况下会快5~10倍。

 　　keep_date_col : boolean, default False

　　如果连接多列解析日期，则保持参与连接的列。默认为False。

 　　date_parser : function, default None

　　用于解析日期的函数，默认使用dateutil.parser.parser来做转换。Pandas尝试使用三种不同的方式解析，如果遇到问题则使用下一种方式。

　　　　1.使用一个或者多个arrays（由parse_dates指定）作为参数；

　　　　2.连接指定多列字符串作为一个列作为参数；

　　　　3.每行调用一次date_parser函数来解析一个或者多个字符串（由parse_dates指定）作为参数。

　　dayfirst : boolean, default False

　　DD/MM格式的日期类型

 　　iterator : boolean, default False

　　返回一个TextFileReader 对象，以便逐块处理文件。

 　　chunksize : int, default None

　　文件块的大小， See IO Tools docs for more informationon iterator and chunksize.

　　compression : {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’

　　直接使用磁盘上的压缩文件。如果使用infer参数，则使用 gzip, bz2, zip或者解压文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’这些为后缀的文件，否则不解压。

　　如果使用zip，那么ZIP包中国必须只包含一个文件。设置为None则不解压。

　　新版本0.18.1版本支持zip和xz解压

 　　thousands : str, default None

　　千分位分割符，如“，”或者“."

 　　decimal : str, default ‘.’

　　字符中的小数点 (例如：欧洲数据使用’，‘).

 　　float_precision : string, default None

　　Specifies which converter the C engine should use for floating-point values. The options are None for the ordinary converter, high for the high-precision converter, and round_trip for the round-trip converter.

　　lineterminator : str (length 1), default None

　　行分割符，只在C解析器下使用。

 　　quotechar : str (length 1), optional

　　引号，用作标识开始和解释的字符，引号内的分割符将被忽略。

 　　quoting : int or csv.QUOTE_* instance, default 0

　　控制csv中的引号常量。可选 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)

 　　doublequote : boolean, default True

　　双引号，当单引号已经被定义，并且quoting 参数不是QUOTE_NONE的时候，使用双引号表示引号内的元素作为一个元素使用。

 　　escapechar : str (length 1), default None

　　当quoting 为QUOTE_NONE时，指定一个字符使的不受分隔符限值。

 　　comment : str, default None

　　标识着多余的行不被解析。如果该字符出现在行首，这一行将被全部忽略。这个参数只能是一个字符，空行（就像skip_blank_lines=True）注释行被header和skiprows忽略一样。

　　例如如果指定comment='#' 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那么返回结果将是以’a,b,c'作为header。

 　　encoding : str, default None

　　指定字符集类型，通常指定为'utf-8'. List of Python standard encodings

 　　dialect : str or csv.Dialect instance, default None

　　如果没有指定特定的语言，如果sep大于一个字符则忽略。具体查看csv.Dialect 文档

 　　tupleize_cols : boolean, default False

　　Leave a list of tuples on columns as is (default is to convert to a Multi Index on the columns)

 　　error_bad_lines : boolean, default True

　　如果一行包含太多的列，那么默认不会返回DataFrame ，如果设置成false，那么会将改行剔除（只能在C解析器下使用）。

 　　warn_bad_lines : boolean, default True

　　如果error_bad_lines =False，并且warn_bad_lines =True 那么所有的“bad lines”将会被输出（只能在C解析器下使用）。

 　　low_memory : boolean, default True

　　分块加载到内存，再低内存消耗中解析。但是可能出现类型混淆。确保类型不被混淆需要设置为False。或者使用dtype 参数指定类型。

　　注意使用chunksize 或者iterator 参数分块读入会将整个文件读入到一个Dataframe，而忽略类型（只能在C解析器中有效）

 　　buffer_lines : int, default None

　　不推荐使用，这个参数将会在未来版本移除，因为他的值在解析器中不推荐使用

 　　compact_ints : boolean, default False

　　不推荐使用，这个参数将会在未来版本移除

　　如果设置compact_ints=True ，那么任何有整数类型构成的列将被按照最小的整数类型存储，是否有符号将取决于use_unsigned 参数

 　　use_unsigned : boolean, default False

　　不推荐使用：这个参数将会在未来版本移除

　　如果整数列被压缩(i.e. compact_ints=True)，指定被压缩的列是有符号还是无符号的。

　　memory_map : boolean, default False

　　如果使用的文件在内存内，那么直接map文件使用。使用这种方式可以避免文件再次进行IO操作。

（2）pandas.read_csv()实例：

#read_csv会自动加上行索引，即使原数据集有行索引
obj=pd.read_csv('f:/ceshi.csv')
#获取对应的列值，从列名获取值，header必须从0开始或者默认
obj['列名']

#header=None时，即指明原始文件数据没有列索引，这样read_csv为自动加上列索引，除非你给定列索引的名字。
obj_2=pd.read_csv('f:/ceshi.csv',header=None,names=range(2,5))

#header=0，表示文件第0行（即第一行，python，索引从0开始）为列索引，这样加names会替换原来的列索引。
obj_2=pd.read_csv('f:/ceshi.csv',index_col=0)

#index_col为指定数据中哪一列作为Dataframe的行索引，也可以可指定多列，形成层次索引，默认为None,即不指定行索引，这样系统会自动加上行索引（0-）
obj_2=pd.read_csv('f:/ceshi.csv',index_col=[0,2])

#usecols:可以指定原数据集中，所使用的列。在本例中，共有4列，当usecols=[0,1,2,3]时，即选中所有列，之后令第一列为行索引，当usecols=[1,2,3]时，即从第二列开始，之后令原始数据集的第二列为行索引。
obj_2=pd.read_csv('f:/ceshi.csv',index_col=0,usecols=[0,1,2,3])

#nrows：可以给出从原始数据集中的所读取的行数，目前只能从第一行开始到nrows行
obj_2=pd.read_csv('f:/ceshi.csv',index_col=0,nrows=3)

3、用pandas创建数据表：

df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
  "date":pd.date_range('20130102', periods=6),
  "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
  "age":[23,44,54,32,34,32],
  "category":['100-A','100-B','110-A','110-C','210-A','130-F'],
  "price":[1200,np.nan,2133,5433,np.nan,4432]},
  columns =['id','date','city','category','age','price'])

二、数据表信息查看 

1、维度查看：

df.shape

2、数据表基本信息（维度、列名称、数据格式、所占空间等）：

df.info()

3、每一列数据的格式：

df.dtypes

4、某一列格式：

df['B'].dtype

5、空值：

df.isnull()

6、查看某一列空值：

df['B'].isnull()

7、查看某一列的唯一值：

df['B'].unique()

8、查看数据表的值： 

df.values 

9、查看列名称：

df.columns

10、查看前10行数据、后10行数据：

df.head() #默认前10行数据
df.tail()    #默认后10 行数据

三、数据表清洗 

 1、用数字0填充空值：

df.fillna(value=0)

2、使用列prince的均值对NA进行填充：

df['prince'].fillna(df['prince'].mean())

3、清楚city字段的字符空格：

df['city']=df['city'].map(str.strip)

4、大小写转换：

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

5、更改数据格式：

df['price'].astype('int')       

6、更改列名称：

df.rename(columns={'category': 'category-size'}) 

7、删除后出现的重复值：

df['city'].drop_duplicates()

8、删除先出现的重复值：

df['city'].drop_duplicates(keep='last')

9、数据替换：

df['city'].replace('sh', 'shanghai')

四、数据预处理

df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], 
"gender":['male','female','male','female','male','female','male','female'],
"pay":['Y','N','Y','Y','N','Y','N','Y',],
"m-point":[10,12,20,40,40,40,30,20]})

1、数据表合并

df_inner=pd.merge(df,df1,how='inner')  # 匹配合并，交集
df_left=pd.merge(df,df1,how='left')        #
df_right=pd.merge(df,df1,how='right')
df_outer=pd.merge(df,df1,how='outer')  #并集

2、设置索引列

df_inner.set_index('id')

3、按照特定列的值排序：

df_inner.sort_values(by=['age'])

4、按照索引列排序：

df_inner.sort_index()

5、如果prince列的值>3000，group列显示high，否则显示low：

df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

 6、对复合多个条件的数据进行分组标记

df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

7、对category字段的值依次进行分列，并创建数据表，索引值为df_inner的索引列，列名称为category和size

pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))

8、将完成分裂后的数据表和原df_inner数据表进行匹配

df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

五、数据提取 

主要用到的三个函数：loc,iloc和ix，loc函数按标签值进行提取，iloc按位置进行提取，ix可以同时按标签和位置进行提取。 
1、按索引提取单行的数值

df_inner.loc[3]

2、按索引提取区域行数值

df_inner.iloc[0:5]

3、重设索引

df_inner.reset_index()

4、设置日期为索引

df_inner=df_inner.set_index('date')

5、提取4日之前的所有数据

df_inner[:'2013-01-04']

6、使用iloc按位置区域提取数据

df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。

7、适应iloc按位置单独提起数据

df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列

8、使用ix按索引标签和位置混合提取数据

df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前，前四列数据

9、判断city列的值是否为北京

df_inner['city'].isin(['beijing'])

10、判断city列里是否包含beijing和shanghai，然后将符合条件的数据提取出来

df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])] 

11、提取前三个字符，并生成数据表

pd.DataFrame(category.str[:3])

六、数据筛选 

使用与、或、非三个条件配合大于、小于、等于对数据进行筛选，并进行计数和求和。 
1、使用“与”进行筛选

df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

2、使用“或”进行筛选

df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age']) 

3、使用“非”条件进行筛选

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 

4、对筛选后的数据按city列进行计数

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

5、使用query函数进行筛选

df_inner.query('city == ["beijing", "shanghai"]')

6、对筛选后的结果按prince进行求和

df_inner.query('city == ["beijing", "shanghai"]').price.sum()

七、数据汇总 主要函数是groupby和pivote_table 
1、对所有的列进行计数汇总

df_inner.groupby('city').count()

2、按城市对id字段进行计数

df_inner.groupby('city')['id'].count()

3、对两个字段进行汇总计数

df_inner.groupby(['city','size'])['id'].count()

4、对city字段进行汇总，并分别计算prince的合计和均值

df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) 

八、数据统计

数据采样，计算标准差，协方差和相关系数 
1、简单的数据采样

df_inner.sample(n=3) 

2、手动设置采样权重

weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights) 

3、采样后不放回

df_inner.sample(n=6, replace=False) 

4、采样后放回

df_inner.sample(n=6, replace=True)

5、 数据表描述性统计

df_inner.describe().round(2).T #round函数设置显示小数位，T表示转置

6、计算列的标准差

df_inner['price'].std()

7、计算两个字段间的协方差

df_inner['price'].cov(df_inner['m-point'])

8、数据表中所有字段间的协方差

df_inner.cov()

9、两个字段的相关性分析

df_inner['price'].corr(df_inner['m-point']) #相关系数在-1到1之间，接近1为正相关，接近-1为负相关，0为不相关

10、数据表的相关性分析

df_inner.corr()

九、数据输出 

分析后的数据可以输出为xlsx格式和csv格式 
1、写入Excel

df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc') 

2、写入到CSV

df_inner.to_csv('excel_to_python.csv')