python进阶--pandas基本功能

Posted 2022-02-03 文仙草

pandas官方用户手册网站

一、调用pandas

• import pandas：导入pandas包，后续代码就可以使用pandas包里定义好的功能了。
• import pandas as pd:
  相当于将pandas包重命名为pd，这样之后使用pandas包的功能的时候，直接写pd，而不需要写pandas，更省事。

二、打开和保存文件

（一）打开文件

1. 打开excel、csv文件

• pd.read_csv(filepath)

import pandas as pd

filepath = 'E:\\\\python\\\\test.csv'
df = pd.read_csv(filepath)

• pd.read_excel(filepath)

import pandas as pd

filepath = 'E:\\\\python\\\\test.xlsx'
df = pd.read_excel(filepath)

2. 打开json文件

• json.load

import json
with open ('filename.json','r') as openfile:
    json_object = json.load(openfile)

3. 打开XML文件

python没有专门的包可以直接打开xml文件，可以parse

import pandas as pd
import xml.etree.ElementTree as etree
tree = etree.parse('filexmaple.xml')
root = tree.getroot()
columns = ['name', 'age', 'birthday']
df = pd.DataFrame(columns = columns)
for node in root:
    name = node.find('name').text
    age = node.find('age').text
    bday = node.fine('birthday').text
    

可以在打开文件的时候，将第一行设置为header（即列名称）。或者可以手动添加header

• 设置第一行：df = pd.read_xlsx(filepath, header = 0)
• 手动添加：df.columns = [‘name’, ‘class’, ‘age’]

（二）保存文件

• df.to_csv(filepath&name)
  将文件保存为csv格式，注意不要忘记写后缀。
  如果参数index = False，表示行名称不会被保存.

df.to_csv('new_file.csv')
df.to_csv('E:\\\\python\\\\new_file.csv')

• 其他文件格式的打开和保存

Data Formate	Read	Save
csv	pd.read_csv()	df.to_csv()
json	pd.read_json()	df.to_json()
excel	pd.read_excel()	df.to_excel()
hdf	pd.read_hdf()	df.to_hdf()
sql	pd.read_sql()	df.to_sql()
…	…	…

三、初查和清理数据

（一）初查数据

• df.head(): 展示前五行数据
• df.tail(): 展示后五行数据
• df.info(): 展示df的基本信息，包括列名及数据类型、每列非Na数据的计数、内存使用等。
• df[‘name’].unique(): 剔除该列数据的重复项。
• df.describe(): 展示数据类型为数字(int, float)的列数据的统计信息，比如计数、平均值、最大值、最小值、方差等；
• df.describe(include = ‘all’)用于展示所有列数据（包括非数据类型的列数据）的统计信息，对于非数字类型的列数据，平均值、最大值、最小值等返回NaN。
  
• df.dtypes: 查看各列数据的数据类型
• df[‘column_name’].value_counts(): 查看该列中各值出现的次数。
• df[‘column_name’].value_counts().idxmax()：查看该列中数值出现最高的。

df['door_num'].value_counts()
#结果
#four    114
#two      89
#Name: num-of-doors, dtype: int64
df['door_num'].value_counts().idxmax()
#结果
#'four'

（二）清理数据

• 修改index列：将df的index修改为df中的’Date’列
  • df.index = df[[‘Date’]]
  • df.set_index('Date)
• 重置index列：df.reset_index()，将index重置为以0开头的整数
  reset_index功能里有inplace参数，inplace=True会在数据里增加一列index（如下图）

inplace=False，不会在数据里增加一列index（如下图）

• df.columns = [“symboling”,“normalized-losses”,“make”] ：添加列名称
• df.rename(‘old-name’:‘new-name’, inplace = True)：修改列名称，将old-name修改为new-name
• df.replace(missing_value, new_value):
  df1 = df.replace(’?’,np.NaN) :将数值为“？”的单元格替换为NaN，替换后的新dataframe返回给df1。该功能搭配.dropna()可用于删除缺失数据。
• df1.dropna(subset=[“price”], axis=0, inplace = True) ，将price列中数值为NaN单元格所在行的数据整行删除。 如果axis = 1，表示删除NaN数值所在列（即price列）。inplace = True代表对df本身改动，inplace = False代表生成新的df

#删除na数据所在行，inplace=True
df1.dropna(subset=["price"], axis=0, inplace = True)
#删除na数据所在行，inplace=False
df = df1.dropna(subset=["price"], axis=0, inplace = False)
#因为删除了na列，所以重置index列
df.reset_index()

• df.astype(): 修改数据类型。

#price列的数据类型修改为int。
df['price'] = df['price'].astype(int)
#或者也可以
df[['price']] = df[['price']].astype(int)
#修改bore和stroke两列的数据类型
df[["bore", "stroke"]] = df[["bore", "stroke"]].astype("float")

示例1 - 将列名为stroke列中的缺失数据替换成该列的平均值

#由于不确定该列数据的数据类型是否为数字，所以先将该列数据的数据类型修改为float
avg_stroke = df['stroke'].astype('float').mean(axis = 0)
#print(avg_stroke)
df['stroke'].replace(np.nan, avg_stroke, inplace = True)

（三）数据标准化和标注

1、simple scaling

将不同范围大小的数据进行标准化，使其范围控制住0-1之间，从而使不同范围的数据具有可比性。常见方法是用原数据除以该列数据的最大值，即用 (原数据)/(数据最大值)替换原数据

# 用(original value)/(maximum value)替换original value
df['length'] = df['length']/df['length'].max()
df['width'] = df['width']/df['width'].max()

2、数据分组

将连续数据按照一定规则进行分组，使原连续数据离散。

• 使用numpy的函数np.linspace(start_value, end_value, numbers_generated)，设定范围和组数
• group_names = [‘Low’, ‘Medium’, ‘High’]创建各组名称
• 利用pandas里的cut函数，将列中的数值划分至设定好的组别中。

#将horsepower列分成3组，以最小值开始，以最大值结束，分三组，所以需要4个切割点）
bins = np.linspace(min(df["horsepower"]), max(df["horsepower"]), 4)
bins
#结果：创建的3个组别的边界值
#array([ 48.        , 119.33333333, 190.66666667, 262.        ])

group_names = ['Low', 'Medium', 'High']
df['horsepower-binned'] = pd.cut(df['horsepower'], bins, labels=group_names, include_lowest=True )
df[['horsepower','horsepower-binned']].head(5)

运行结果

	horsepower	horsepower-binned
0	111	Low
1	111	Low
2	154	Medium
3	102	Low
4	115	Low

3. indicator variable(也称为dummy variable)

An indicator variable (or dummy variable) 是一种用数值对变量进行标注的方式（例如：在员工统计中将男性标为1，女性标为0）。这种方法被称为“dummy”，是因为用于标注的数据与数值本身的含义没有关系。这种数据标注方法常用于回归分析。

函数 pd.get_dummies(需要打标的列）

df['fuel-type'].value_counts()
#结果：fuel-type列有两个值gas和diesel
#gas       181
#diesel     20
#Name: fuel-type, dtype: int64

#对fuel-type列进行标注，即

四、创建DataFrame

• 将字典变成DataFrame结构：key是列名，value是每列数值 python student = 'name': ['Eva', 'Bob', 'John','Cathy', 'Kate'], 'age': ['15', '16', '15','17','16'], 'gender': ['f', 'm', 'f', 'f', 'm'] student_df = pd.DataFrame(student)

五、常用方法

（一）从DataFrame结构的数据中选取一列数据

1. 直接选取，Series格式：df[‘列名’] （注意：是一个方括号）
   

   2. 按dataframe格式：df[[‘列名’]] （注意：是两个方括号）
      

（二）从DataFrame结构的数据中选取多列数据

格式：df[[‘列名1’,‘列名2’,‘列名3’]] ，注意是两个方括号

如果只有一个方括号会报错

（三）获取第n行、第m列单元格的数值

1. 用数字定位：df.iloc[n,m]
   注意：标题列不算行数，行数据和列数据的序号n、m均从0开始，所以获取第一行、第一列单元格数据时，应该是df.iloc[0,0]
   

2）用列名定位获取数据
获取第二行中’Artist‘列的数据（注意，此处的第二行是指实际数据的第二行，而其行序号为1），如图

（四）获取多行多列数据（数据切片)

1. 用序号：df.iloc[i:j, n:m]
   例如获取第1到2行、1到3列的数据，如下图:
   
   上图获取的数据在整个数据表中的位置如下图：

2. 用列名: df.loc[i:j, ‘列名’:‘列名’]

.loc与.iloc对行数据切片的不同之处，需特别注意！！ df.loc[i:j]是获取行序号从第i行到第j行；而在使用df.iloc[i:j]时获取第i行到第j-1行数据。

如下图，df.loc[0:2, :]获取了前三行数据，而上面df.iloc[0:2,:]获取了前两行数据。

（三）选择列数据满足特定要求的行数据

df1 = df[df[‘gender’] = ‘f’]: 满足条件的返回True, 反之返回False; 为True的行被选中，为False的行被剔除。 df2 = df[df[‘age’]>16]