Pandas学习笔记02- 数据处理高阶用法

Posted 2021-12-03 恒生LIGHT云社区

概述

Pandas 是基于 NumPy 构建的库，在数据处理方面可以把它理解为 NumPy 加强版，同时 Pandas 也是一项开源项目。它用于数据挖掘和数据分析，同时也提供数据清洗功能。

在本文中，主要介绍Pandas在数据处理中的高阶用法，包括：数据的合并、分组和拆分等用法。如果学过数据库的SQL语法，本文理解起来会非常快。

数据合并

数据准备

首先定义一个 DataFrame 数据集：

import pandas as pd

df_a = pd.DataFrame(columns=[name, rank], data=[[C, 1], [java, 2], [python, 3], [golang, 4]])
df_b = pd.DataFrame(columns=[name, year], data=[[java, 2020], [python, 2021], [golang, 2022]])

通过 merge() 方法能对DataFrame数据集进行合并，通过内连接、外连接、左连接、右连接等方式，如下实例：

merge方法默认是内连接取交集，通过 how 指定连接类型，on 指定连接字段

# 通过指定 columns 中的 name 内连接
df_tmp = pd.merge(df_a, df_b, on=name, how=outer)
print(df_tmp)

# ========打印========
     name  rank  year
0    java     2  2020
1  python     3  2021
2  golang     4  2022

# 通过指定 columns 中的 name 左连接
df_tmp = pd.merge(df_a, df_b, on=name, how=left)
print(df_tmp)

# ========打印========
     name  rank    year
0       C     1     NaN
1    java     2  2020.0
2  python     3  2021.0
3  golang     4  2022.0

# 通过指定 columns 中的 name 右连接
df_tmp = pd.merge(df_a, df_b, on=name, how=right)
print(df_tmp)

# ========打印========
     name  rank  year
0    java     2  2020
1  python     3  2021
2  golang     4  2022

# 如果合并两个 DataFrame 不含公共的 columns ，可以直接指定匹配的字段
df_c = pd.DataFrame(columns=[name1, year], data=[[java, 2020], [python1, 2021], [golang1, 2022]])
df_tmp = pd.merge(df_a, df_c, left_on=name, right_on=name1)
print(df_tmp)

# ========打印========
   name  rank name1  year
0  java     2  java  2020

数据分组

数据准备

首先定义一个 DataFrame 数据集：

import pandas as pd

df_a = pd.DataFrame(columns=[name, nums], data=[[python, 1], [java, 2], [python, 3], [java, 4]])

通过 group() 方法能对DataFrame数据集进行分组操作，分组后还能进行求和、取平均值等操作，如下实例：

# 获取分组后的数据集中每个数据的数量
df_tmp = df_a.groupby(name).size()
print(df_tmp)

# ========打印========
name
java      2
python    2
dtype: int64

# 将分组后的数据集，根据 nums 字段进行求和
df_tmp = df_a.groupby(name)[nums].sum()
print(df_tmp)

# ========打印========
name
java      6
python    4
Name: nums, dtype: int64

# 获取分组后的数据集的大小
df_tmp = df_a.groupby(name).size()
print(df_tmp)

# ========打印========
name
java      3
python    2
Name: nums, dtype: int64

数据拆分

数据准备

首先定义一个 DataFrame 数据集：

import pandas as pd

df_a = pd.DataFrame(columns=[name, rank], data=[[C_no1, 1], [java_no2, 2], [python_no3, 3], [golang, 4]])

通过 split() 方法能对DataFrame数据集中某列数据进行拆分操作，如下实例：

# 数据拆分，对 columns 中的某列的数据某个符号匹配拆分，expand：为True可以直接将分列后的结果转换成DataFrame
df_tmp = df_a[name].str.split(_, 1, expand=True)
print(df_tmp)

# ========打印========
        0     1
0       C   no1
1    java   no2
2  python   no3
3  golang  None

# 数据拆分，对拆分后的数据再次与原数据合并
df_tmp = pd.merge(df_a, df_a[name].str.split(_, 1, expand=True), how=left, left_index=True, right_index=True)
print(df_tmp)

# ========打印========
         name  rank       0     1
0       C_no1     1       C   no1
1    java_no2     2    java   no2
2  python_no3     3  python   no3
3      golang     4  golang  None

数据可视化

在使用 Pandas 处理数据的过程中，为了更直观的展示数据的线性关系，我们可以引入 matplotlib 库将我们的数据变成相关图形

# plot() 方法生成相应的线性图形
df_a = pd.DataFrame(columns=[name, rank], data=[[C_no1, 1], [java_no2, 2], [python_no3, 3], [golang, 4]])
df_a.plot()

总结

本文主要介绍 Pandas 工具集的高阶操作，操作原理与数据库中的SQL有着异曲同工之妙，能够帮助我们解决日常数据的分析处理等操作。