1-python数据分析-数据分析三剑客之Pandas基础操作
为什么学习pandas
- numpy已经可以帮助我们进行数据的处理了,那么学习pandas的目的是什么呢?
- numpy能够帮助我们处理的是数值型的数据,当然在数据分析中除了数值型的数据还有好多其他类型的数据(字符串,时间序列),那么pandas就可以帮我们很好的处理非数值型数据!
什么是pandas?
对非数值型的数据进行存储和运算操作
- 首先先来认识pandas中的两个常用的类
- Series 一维数组
- DataFrame 是由Series组成,多组Series组成一个DataFrame, 二维表格
Series
- Series是一种类似一维数组的容器对象,由下面两个部分组成:
- values:一组数据(ndarray类型)
- index:相关的数据索引标签
Series的创建
-
- 由列表或numpy数组创建
- 由字典创建
# 将列表作为数据源 Series(data=[1,2,3,4,5]) 0 1 1 2 2 3 3 4 4 5 dtype: int64 # 将字典作为数据源 dic = { 'A': 100, 'B': 99, 'C': 150, } Series(data=dic) A 100 B 99 C 150 dtype: int64 # 将numpy数组作为数据源 Series(np.random.randint(0,100,size=(3,4))) # 上面这样会报错,Series只能存一维的数据 Series(np.random.randint(0,100,size=(3,))) 0 97 1 75 2 78 dtype: int32
Series的索引类型
- 隐式索引:默认形式的索引(0,1,2....)
- 显式索引:自定义的索引,可以通过index参数设置显式索引
# 加上index参数就可以将索引设为显式索引 Series(data=np.random.randint(0,100,size=(3,)), index=['A','B','C']) A 3 B 22 C 63 dtype: int32
Series的索引操作和切片操作
s = Series(data=np.linspace(0,30, num=5),index=['a','b','c','d','e']) a 0.0 b 7.5 c 15.0 d 22.5 e 30.0 dtype: float64 # 索引取值 s[1] # 7.5 # 隐式索引 s['c'] # 15.0 #显式索引 s.d # 22.5 #显式索引 # 切片 s[0:3] # 隐式索引 a 0.0 b 7.5 c 15.0 dtype: float64 s['a':'d'] #显式索引 a 0.0 b 7.5 c 15.0 d 22.5 dtype: float64
Series的常用属性
- shape 形状
- size 元素个数
- index 索引
- values 值
s.shape # 形状 (5,) s.size # 元素个数 5 s.index # 索引 有显式就是显式索引 Index(['a', 'b', 'c', 'd', 'e'], dtype='object') s.values # 值 array([ 0. , 7.5, 15. , 22.5, 30. ])
Series的算术运算
- 法则:索引一致的元素进行算数运算否则补空
# 索引一致的元素进行算数运算否则补空 s1 = Series(data=[1,2,3,4,5],index=['a','b','c','d','e']) s2 = Series(data=[1,2,3,4,5],index=['a','b','f','d','e']) s = s1+s2 a 2.0 b 4.0 c NaN d 8.0 e 10.0 f NaN dtype: float64
Series的常用方法
- head(), tail():显示Series的前n个或者后n个元素
- unique(), nunique():去除重复元素, 统计去重后的元素个数
- isnull(), notnull():
- add() sub() mul() div() :加、减、乘、除
s = Series(data=np.linspace(0,30, num=5),index=['a','b','c','d','e']) a 0.0 b 7.5 c 15.0 d 22.5 e 30.0 dtype: float64 s.head(3) # 只显示前三个 #不写默认值是5 a 0.0 b 7.5 c 15.0 dtype: float64 s.tail(2) # 只显示后俩个 d 22.5 e 30.0 dtype: float64 s=Series(data=[1,2,2,4,4,4,4,5,6,3,3,4,5,3,6,1,3]) s.unique() # 去掉重复元素 array([1, 2, 4, 5, 6, 3], dtype=int64) s.nunique() # 统计去重后的元素个数 6 s1 = Series(data=[1,2,3,4,5],index=['a','b','c','d','e']) s2 = Series(data=[1,2,3,4,5],index=['a','b','f','d','e']) s = s1+s2 s a 2.0 b 4.0 c NaN d 8.0 e 10.0 f NaN dtype: float64 s.isnull() # 检测Series哪些元素为空,为空则返回True,否则返回Fasle a False b False c True d False e False f True dtype: bool s.notnull() # 检测Series哪些元素非空,非空则返回True,否则返回Fasle a True b True c False d True e True f False dtype: bool # 想要将s中的非空的数据取出 s[[True,True,False,True,True,False]] #布尔值可以作为索引去取值 a 2.0 b 4.0 d 8.0 e 10.0 dtype: float64 # 直接将s.notnull()得到的布尔值作为索引取值,可以对Series中空值进行清洗 s[s.notnull()] a 2.0 b 4.0 d 8.0 e 10.0 dtype: float64 s1 = Series(data=[5,3],index=['a', 'b']) s2 = Series(data=[4,2],index=['a', 'b']) s1.add(s2) # 相加 a 9 b 5 dtype: int64 s1.sub(s2) # 相减 a 1 b 1 dtype: int64 s1.mul(s2) # 相乘 a 20 b 6 dtype: int64 s1.div(s2) # 相除 a 1.25 b 1.50 dtype: float64
DataFrame
- DataFrame是一个【表格型】的数据结构。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引,也有列索引。
- 行索引:index
- 列索引:columns
- 值:values
DataFrame的创建
- ndarray创建
- 字典创建
ndarray创建(numpy数组)
DataFrame(data=np.random.randint(0,100, size=(5,6))) df = DataFrame(data=np.random.randint(0,100, size=(5,6)),columns=['a','b','c','d','e','f'],index=['A','B','C','D','E'])
字典创建
dic = { 'name':['jay', 'alex', 'egon'], 'salary': [10000, 20000, 30000] } DataFrame(data=dic) DataFrame(data=dic, index=['a','b','c'])
DataFrame的属性
- values、columns、index、shape
df.values # 返回放它所有元素的一个numpy数组 array([[97, 2, 82, 57, 96, 87], [75, 56, 48, 56, 4, 55], [25, 95, 99, 80, 97, 19], [89, 70, 51, 85, 94, 68], [32, 73, 42, 51, 50, 88]]) df.columns # 返回列索引 Index(['a', 'b', 'c', 'd', 'e', 'f'], dtype='object') df.index # 返回行索引 Index(['A', 'B', 'C', 'D', 'E'], dtype='object') df.shape # 返回形状 (5, 6)
DataFrame索引操作
- 对行进行索引
- 队列进行索引
- 对元素进行索引
索引取列
#对列进行索引取值(如果设置了显式列索引,则只能使用显式列索引取值,否则报错) df['a'] # 取一列 A 97 B 75 C 25 D 89 E 32 Name: a, dtype: int32 df[['a','b']] #取多列
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713202732394-576574838.png)
索引取行
- iloc:
- 通过隐式索引取行
- loc:
- 通过显示索引取行
df.loc['A'] # loc必须跟显式索引,否者报错 # 取一行 a 97 b 2 c 82 d 57 e 96 f 87 Name: A, dtype: int32 df.iloc[0] # iloc必须跟隐式索引,否者报错 # 取一行 a 97 b 2 c 82 d 57 e 96 f 87 Name: A, dtype: int32 df.iloc[[1,2,3]] # 取多行
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713203550566-1908591781.png)
df.loc[['A','B','C']]
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713203602173-423112851.png)
取元素
# 取单个元素 df.iloc[2,3] # 先行后列 80 df.loc['C','b'] 95 # 取多个元素 df.iloc[[1,2],3] #取索引1,2行第3列的元素 B 56 C 80 Name: d, dtype: int32
DataFrame的切片操作
- 对行进行切片
- 对列进行切片
切行
df[0:3]
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713204623182-1599055741.png)
切列
df.iloc[:,0:3]
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713204721970-1629420088.png)
df索引和切片操作总结
- 索引:
- df[col]:取列
- df.loc[index]:取行
- df.iloc[index,col]:取元素
- 切片:
- df[index1:index3]:切行
- df.iloc[:,col1:col3]:切列
DataFrame的运算
- 同Series
练习:
-
假设ddd是期中考试成绩,ddd2是期末考试成绩,请自由创建ddd2,并将其与ddd相加,求期中期末平均值。
-
假设张三期中考试数学被发现作弊,要记为0分,如何实现?
-
李四因为举报张三作弊立功,期中考试所有科目加100分,如何实现?
-
后来老师发现有一道题出错了,为了安抚学生情绪,给每位学生每个科目都加10分,如何实现?
dic = { '张三': [100,90,90,100], '李四': [0,0,0,0] } df =DataFrame(data=dic, index=['语文','数学','英语','理综']) qizhong = df qimo = df
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713205540427-1578295093.png)
1、假设ddd是期中考试成绩,ddd2是期末考试成绩,请自由创建ddd2,并将其与ddd相加,求期中期末平均值。
(qizhong + qimo) / 2
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713205823985-716043834.png)
2、假设张三期中考试数学被发现作弊,要记为0分,如何实现?
qizhong.loc['数学','张三'] = 0 qizhong
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713210024384-2007315470.png)
3、李四因为举报张三作弊立功,期中考试所有科目加100分,如何实现?
qizhong['李四'] +=100 qizhong
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713210243188-757763831.png)
4、后来老师发现有一道题出错了,为了安抚学生情绪,给每位学生每个科目都加10分,如何实现?
qizhong += 10
qizhong
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713210534905-1298341959.png)
时间数据类型的转换
- pd.to_datetime(col)
dic = { 'name':['jay','egon','bobo'], 'hire_date': ['2010-10-11', '2012-12-01','2011-11-12'], 'salary': [10000,20000,30000] } df = DataFrame(data=dic)
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713213149912-235822900.png)
info返回df的基本信息
# info 返回df的基本信息 df.info() <class 'pandas.core.frame.DataFrame'> RangeIndex: 3 entries, 0 to 2 Data columns (total 3 columns): name 3 non-null object # object就是字符串类型 hire_date 3 non-null object salary 3 non-null int64 dtypes: int64(1), object(2) memory usage: 152.0+ bytes
想要将字符串形式的时间数据转换成时间序列类型
df['hire_date'] = pd.to_datetime(df['hire_date']) df
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713214117026-1596678306.png)
df.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 3 entries, 0 to 2 Data columns (total 3 columns): name 3 non-null object hire_date 3 non-null datetime64[ns] salary 3 non-null int64 dtypes: datetime64[ns](1), int64(1), object(1) memory usage: 152.0+ bytes
将某一列设置为行索引
- df.set_index()
想要将hire_date列作为源数据的行索引
new_df = df.set_index('hire_date') new_df
new_df.shape
(3, 2)
![](https://img2020.cnblogs.com/blog/1613343/202007/1613343-20200713214619891-922324475.png)