pandas入门

Posted 2021-09-07 临风而眠

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了pandas入门相关的知识，希望对你有一定的参考价值。

Pandas入门(2)

准备工作：

#导入库
import pandas as pd 
import numpy as np

先读入pandas入门(1)中保存的movie_data.xlsx

#路径相同，只要写文件名
df=pd.read_excel('movie_data.xlsx')

df.head()

	Unnamed: 0	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	0	0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	1	1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	2	2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	3	3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	4	4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

一.数据格式转换

由于各种各样的原因,原始数据可能会有数据格式问题,而数据格式的错误可能会造成严重后果

并且，很多异常值也是我们经过格式转换之后才发现,所以数据格式转换对规整数据，数据清洗有重要的作用

1.查看格式

查看格式使用dtype

查看投票人数的格式

df['投票人数'].dtype

运行结果:

dtype('int64')

查看产地

df['产地'].dtype

运行结果:

dtype('O')

什么是dtype（‘O’）

2.转化格式

转换格式用.astype()

①将产地转为字符串

df['产地']=df['产地'].astype('str')

②将年份转换为整数格式

转换的过程中也可能发现异常值，因为有些类型无法正常转换

df['年代'] = df['年代'].astype('int')

此时报错:

通过条件判断来找到异常数据

df[df.年代=='2008\\u200e']

	Unnamed: 0	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
15203	15205	15205	狂蟒惊魂	544	恐怖	中国大陆	2008-04-08 00:00:00	93	2008‎	2.7	美国

查看具体的值

df[df.年代 == '2008\\u200e']['年代'].values

运行结果:

array(['2008\\u200e'], dtype=object)

\\u200e是unicode的格式控制字符，使2008靠左

那么修改这条数据:

df.loc[15203,'年代']=2008

修改完了，查看数据

df.loc[15203]

运行结果:

Unnamed: 0                    15205
Unnamed: 0.1                  15205
名字                             狂蟒惊魂
投票人数                            544
类型                               恐怖
产地                             中国大陆
上映时间            2008-04-08 00:00:00
时长                               93
年代                             2008
评分                              2.7
首映地点                             美国
Name: 15203, dtype: object

这事就可以修改数据类型了

df['年代']=df['年代'].astype('int')

查看转化结果

df['年代'].dtype

运行结果:

dtype('int32')

df['年代']

运行结果:

0        1994
1        1957
2        1997
3        1994
4        1993
         ... 
38723    1983
38724    1935
38725    1986
38726    1986
38727    1977
Name: 年代, Length: 38728, dtype: int32

③将时长转化为整数格式

df['时长']

运行结果:

0        142
1        116
2        116
3        142
4        171
        ... 
38723     58
38724     98
38725     91
38726     78
38727     97
Name: 时长, Length: 38728, dtype: object

df['时长']=df['时长'].astype('int')

也报错了

df[df['时长']=='8U']

	Unnamed: 0	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
31636	31644	31644	一个被隔绝的世界	46	纪录片/短片	瑞典	2001-10-25 00:00:00	8U	1948	7.8	美国

并不知道8U到底是多长时间,可以直接删除这条数据

#inplace=True 直接在原数据上面修改
df.drop([31636],inplace=True)

df['时长']=df['时长'].astype('int')

又报错了！

df[df.时长 == '12J']

	Unnamed: 0	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
32941	32949	32949	渔业危机	41	纪录片	英国	2009-06-19 00:00:00	12J	2008	8.2	USA

同样，删掉这条数据

df.drop([32941],inplace=True)

再次替换

df['时长'] = df['时长'].astype('int')

df['时长']

运行结果:

0        142
1        116
2        116
3        142
4        171
        ... 
38723     58
38724     98
38725     91
38726     78
38727     97
Name: 时长, Length: 38726, dtype: int32

终于没有幺蛾子了

二.排序

默认排序

df[:7]

	Unnamed: 0	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	0	0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	1	1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	2	2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	3	3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	4	4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港
5	5	5	泰坦尼克号	157074	剧情/爱情/灾难	美国	2012-04-10 00:00:00	194	2012	9.4	中国大陆
6	6	6	辛德勒的名单	306904	剧情/历史/战争	美国	1993-11-30 00:00:00	195	1993	9.4	华盛顿首映

按投票人数排序

要用sort_values()

df.sort_values(by='投票人数')[:5]

	Unnamed: 0	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
37264	37273	37273	生生舞不息	21	剧情/歌舞	法国	2002-04-12 00:00:00	100	2002	6.8	美国
35586	35595	35595	川崎的玫瑰	21	剧情	其他	2009-12-21 00:00:00	100	2009	6.1	美国
37032	37041	37041	魂惊一线	21	惊悚/恐怖	美国	2003-08-21 00:00:00	108	2002	5.3	美国
22867	22875	22875	少年邓恩铭	21	剧情/传记	中国大陆	2011-07-01 00:00:00	90	2011	3.8	美国
1990	1990	1990	爱和一颗子弹	21	动作/犯罪	美国	2002-08-30 00:00:00	85	2002	7.0	美国

默认是升序排序,ascending默认是为True,降序要改为False

ascending中文意思:上升的

df.sort_values(by='投票人数',ascending=False)[:5]

	Unnamed: 0	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	0	0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
9	9	9	这个杀手不太冷	662552	剧情/动作/犯罪	法国	1994-09-14 00:00:00	133	1994	9.4	法国
22	22	22	盗梦空间	642134	剧情/动作/科幻/悬疑/冒险	美国	2010-09-01 00:00:00	148	2010	9.2	中国大陆
3	3	3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
99	99	99	三傻大闹宝莱坞	549808	剧情/喜剧/爱情/歌舞	印度	2011-12-08 00:00:00	171	2009	9.1	中国大陆

按照年代进行排序

df.sort_values(by='年代')[:10]

	Unnamed: 0	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
1700	1700	1700	朗德海花园场景	650	短片	英国	1888-10-14	60	1888	8.7	美国
14046	14048	14048	利兹大桥	126	短片	英国	1888-10	60	1888	7.2	美国
26162	26170	26170	恶作剧	51	短片	美国	1905-03-04 00:00:00	60	1890	4.8	美国
10626	10627	10627	可怜的比埃洛	176	喜剧/爱情/动画/短片	法国	1892-10-28	60	1892	7.5	法国
21757	21765	21765	胚胎植入前遗传学筛查	69	纪录片/短片	美国	1894-05-18	60	1894	5.7	美国
12372	12374	12374	更衣室之旁	148	动画/短片	法国	1894-12	60	1894	7.0	法国
14453	14455	14455	迪克森实验音膜	121	短片	美国	1905-03-08 00:00:00	60	1894	7.2	美国
616	616	616	水浇园丁	2675	喜剧/短片	法国	1895-12-28	60	1895	8.5	美国
932	932	932	婴儿的午餐 R	1417	纪录片/短片	法国	1895-12-28	60	1895	7.7	法国
590	590	590	工厂大门 L	2849	纪录片/短片	法国	1895-03-22	60	1895	8.4	法国

根据多个值排序

给by参数设置多个值即可

先按照评分，评分相同的情况下再按照投票人数

df.sort_values(by=['评分','投票人数'],ascending=False)[:20]

	Unnamed: 0	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
9278	9278	9278	平安结祈平安結	208	音乐	日本	2012-02-24 00:00:00	60	2012	9.9	美国
13880	13882	13882	武之舞	128	纪录片	中国大陆	1997-02-01 00:00:00	60	34943	9.9	美国
1110	1110	1110	未知电影	76	科幻/纪录片	美国	1905-06-23 00:00:00	75	2001	9.9	美国
23551	23559	23559	未作回答的问题：伯恩斯坦哈佛六讲	61	纪录片	美国	1905-05-29 00:00:00	60	1973	9.9	美国
35461	35470	35470	未知电影	46	纪录片/音乐	韩国	2013-10-31 00:00:00	90	2013	9.9	韩国
25265	25273	25273	索科洛夫：巴黎现场	43	音乐	法国	2002-11-04 00:00:00	127	2002	9.9	美国
11477	11479	11479	公园现场	163	音乐	英国	2012-12-03 00:00:00	60	2012	9.8	美国
35900	35909	35909	未知电影	157	纪录片/音乐	美国	1988-02-02 00:00:00	60	1988	9.8	美国
1289	1289	1289	Sant	143	脱口秀	日本	2003-01-01 00:00:00	135	2014	9.8	美国
26017	26025	26025	天使之声：自由童声合唱团	97	纪录片/音乐	美国	2007-10-02 00:00:00	75	2007	9.8	美国
19426	19428	19428	绿洲乐队海洋现场演唱会	82	音乐	英国	1995-08-28 00:00:00	60	1995	9.8	美国
698	698	698	未知电影	52	纪录片	英国	2008-07-25 00:00:00	40	2008	9.8	美国
27013	27021	27021	阿森纳 - 2	48	运动	英国	2008-06-09 00:00:00	60	2008	9.8	美国
27323	27331	27331	阿森纳：再见海布里 -	47	运动	英国	2006-06-19 00:00:00	60	2006	9.8	美国
35093	35102	35102	自由颂：柏林墙拆除庆祝音乐会	41	纪录片/音乐	其他	1989-12-25 00:00:00	94	1989	9.8	美国
31084	31092	31092	急救精英	37	纪录片	美国	1905-06-27 00:00:00	60	2008	9.8	美国
33377	33385	33385	未知电影	31	音乐	英国	1999-11-23 00:00:00	60	1999	9.8	美国
14207	14209	14209	久石让在武道馆：与宫崎骏动画一同走过的25年久石譲 in 武道館 ~宮崎アニ	8601	纪录片/音乐	日本	2008-08-05 00:00:00	116	2008	9.7	日本
19555	19557	19557	涅磐纽约不插电演唱会	5840	纪录片/音乐	USA	1993-12-16 00:00:00	72	1993	9.7	美国
14367	14369	14369	剧院魅影：25周年纪念	2417	剧情/音乐/歌舞	英国	2011-10-02 00:00:00	137	2011	9.7	美国

三.基本统计分析

1.描述性统计

dataframe.describe():对dataframe中的数值型数据进行统计性描述

df.describe()

	Unnamed: 0	Unnamed: 0.1	投票人数	评分
count	38728.000000	38728.000000	38728.000000	38728.000000
mean	19368.021509	19368.021509	6187.424912	6.935636
std	11183.434153	11183.434153	26146.706294	1.270194
min	0.000000	0.000000	21.000000	2.000000
25%	9681.750000	9681.750000	98.000000	6.300000
50%	19365.500000	19365.500000	341.000000	7.100000
75%	29053.250000	29053.250000	1741.000000	7.800000
max	38737.000000	38737.000000	692795.000000	9.900000

遇到的问题:Unnamed

官方文档上说，describe默认会显示数值类型的列，但是为啥我的电影年代都没显示？

而且，为啥我的数据会有unnamed？

原始数据是没有unnamed，然后我第一次读取"豆瓣电影数据.xlsx"，多了一列Unnamed:0,第二次读取’movie_data.xlsx’多了一列Unnamed:0.1

去查了一下，确实有不少人pandas读取excel的时候出现了这个问题，看到👉这个教程

教程里面说的index_col=0有效，但那个index=False是写入数据的时候用的，我还没试过

看到一个解释的更详细的教程

df_test1 = pd.read_excel('豆瓣电影数据.xlsx', index_col=0)
df_test1.head()

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795.0	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995.0	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855.0	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897.0	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	霸王别姬	478523.0	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

df_test1.describe()

	投票人数	评分
count	38738.000000	38738.000000
mean	6185.833702	6.935704
std	26143.518786	1.270101
min	-118.000000	2.000000
25%	98.000000	6.300000
50%	341.000000	7.100000
75%	1739.750000	7.800000
max	692795.000000	9.900000

额，还是没有显示投票人数？dtype一下

df['年代'].dtype

运行结果:

dtype('O')

知道了…是我jupyter notebook两次登录，前面的单元格没有重新运行的原因…

df.describe()

	Unnamed: 0	Unnamed: 0.1	投票人数	时长	年代	评分
count	38726.000000	38726.000000	38726.000000	38726.000000	38726.000000	38726.000000
mean	19367.353819	19367.353819	6187.742215	89.054356	1998.791716	6.935581
std	11183.335993	11183.335993	26147.344193	83.343070	253.231215	1.270203
min	0.000000	0.000000	21.000000	1.000000	1888.000000	2.000000
25%	9681.250000	9681.250000	98.000000	60.000000	1990.000000	6.300000
50%	19364.500000	19364.500000	341.000000	92.000000	2005.000000	7.100000
75%	29051.750000	29051.750000	1741.000000	106.000000	2010.000000	7.800000
max	38737.000000	38737.000000	692795.000000	11500.000000	39180.000000	9.900000

前面验证了df_test1那个index_col=0的方法可行，但对于df的前两列还是直接删掉吧

df = df.drop(['Unnamed: 0'],axis=1)

df.head()

	Unnamed: 0.1	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

再删一列

df = df.drop(['Unnamed: 0.1'], axis=1)
df.head()

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

🆗,下面来看describe

df.describe()

	投票人数	时长	年代	评分
count	38726.000000	38726.000000	38726.000000	38726.000000
mean	6187.742215	89.054356	1998.791716	6.935581
std	26147.344193	83.343070	253.231215	1.270203
min	21.000000	1.000000	1888.000000	2.000000
25%	98.000000	60.000000	1990.000000	6.300000
50%	341.000000	92.000000	2005.000000	7.100000
75%	1741.000000	106.000000	2010.000000	7.800000
max	692795.000000	11500.000000	39180.000000	9.900000

通过统计性描述，可以发现异常值

很显然，我不是来自几万年后的人，所以这个年代39180应该是异常值，还有这个最大时长11500，我得看接近10天才看完的电影maybe也不存在吧，也是异常值

df[df['年代']>2021]

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
13880	武之舞	128	纪录片	中国大陆	1997-02-01 00:00:00	60	34943	9.9	美国
17113	妈妈回来吧-中国打工村的孩子	49	纪录片	日本	2007-04-08 00:00:00	109	39180	8.9	美国

df[df['时长']>1000]

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
19688	怒海余生	54	剧情/家庭/冒险	美国	1937-09-01 00:00:00	11500	1937	7.9	美国
38720	喧闹村的孩子们	36	家庭	瑞典	1986-12-06 00:00:00	9200	1986	8.7	瑞典

直接删掉就行了,这时要删除的是index,注意下面的.index技巧

df.drop(df[df['年代']>2021].index,inplace=True)
df.drop(df[df['时长']>1000].index, inplace=True)

要注意的是删除行的同时，连带的索引也删掉了，所以要重新给索引赋值

#不太明确有多少行，用len
df.index=range(1,len(df)+1)

df.head()

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
1	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
2	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
3	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
4	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
5	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

2.最值

df['评分'].max()

运行结果:

9.9

df['评分'].min()

运行结果:

2.0

df['年代'].min()

运行结果:

3.均值和中值

mean()均值，median()中位数

df['年代'].median()

运行结果:

2005.0

df['评分'].mean()

运行结果:

6.935382986415921

df['评分'].median()

运行结果:

7.1

4.方差和标准差

方差:var(),标准差：std()

df['评分'].var()

运行结果:

1.6131523403400334

df['评分'].std()

运行结果:

1.270099342705142

5.求和

df['时长'].sum()

运行结果:

6.相关系数,协方差

相关系数.corr(),协方差.cov()

这好像得到的是相关系数矩阵和协方差矩阵… 麻了…数学知识忘了

df[['年代','评分']].corr()

运行结果:

	年代	评分
年代	1.000000	-0.244311
评分	-0.244311	1.000000

df[['年代', '评分']].cov()

	年代	评分
年代	397.391863	-6.185716
评分	-6.185716	1.613152

7.计数

统计电影数量

len(df)

运行结果:

想看一下这些电影来自多少个国家和地区

也就是说，产地这一列的取值有多少种(而不是有多少个)

用.unique()统计唯一值的个数

df['产地'].unique()

运行结果:

array(['美国', '意大利', '中国大陆', '日本', '法国', '英国', '韩国', '中国香港', '阿根廷', '德国',
       '印度', '其他', '加拿大', '波兰', '泰国', '澳大利亚', '西班牙', '俄罗斯', '中国台湾', '荷兰',
       '丹麦', '比利时', 'USA', '苏联', '墨西哥', '巴西', '瑞典', '西德'], dtype=object)

len(df['产地'].unique())

运行结果:

由此可知，来自28个，但是好像有些重复，比如说美国和USA

那就可以用数据替换来合并数据

#把USA换成美国，  覆盖数据inplace=True 
df['产地'].replace('USA','美国',inplace=True)

df['产地'].unique()

运行结果:

array(['美国', '意大利', '中国大陆', '日本', '法国', '英国', '韩国', '中国香港', '阿根廷', '德国',
       '印度', '其他', '加拿大', '波兰', '泰国', '澳大利亚', '西班牙', '俄罗斯', '中国台湾', '荷兰',
       '丹麦', '比利时', '苏联', '墨西哥', '巴西', '瑞典', '西德'], dtype=object)

虽然有历史原因，emm，但我还是想把苏联换成俄罗斯，西德换成德国

一起换的话要用列表

df['产地'].replace(['西德','苏联'],['德国','俄罗斯'],inplace=True)

df['产地'].unique()

运行结果:

array(['美国', '意大利', '中国大陆', '日本', '法国', '英国', '韩国', '中国香港', '阿根廷', '德国',
       '印度', '其他', '加拿大', '波兰', '泰国', '澳大利亚', '西班牙', '俄罗斯', '中国台湾', '荷兰',
       '丹麦', '比利时', '墨西哥', '巴西', '瑞典'], dtype=object)

len(df['产地'].unique())

运行结果:

看一下涉及了多少年份

df['年代'].unique()

运行结果:

array([1994, 1957, 1997, 1993, 2012, 2013, 2003, 2016, 2009, 2008, 2001,
       1931, 1961, 2010, 2004, 1998, 1972, 1939, 2015, 1946, 2011, 1982,
       1960, 2006, 1988, 2002, 1995, 1996, 1984, 2014, 1953, 2007, 2000,
       1967, 1983, 1963, 1977, 1966, 1971, 1974, 1985, 1987, 1973, 1962,
       1969, 1989, 1979, 1981, 1936, 1954, 1992, 1970, 1991, 2005, 1920,
       1933, 1990, 1999, 1896, 1965, 1921, 1947, 1975, 1964, 1943, 1928,
       1986, 1895, 1949, 1932, 1919, 1956, 1955, 1951, 1905, 1940, 1908,
       1900, 1978, 1958, 1898, 1976, 1938, 1907, 1913, 1968, 1912, 1937,
       1952, 1903, 1948, 1926, 1906, 1959, 1934, 1944, 1888, 1909, 1925,
       1923, 1945, 1904, 1980, 1917, 1935, 1942, 1950, 1902, 1941, 1930,
       1922, 1916, 1929, 1927, 1914, 1924, 1918, 1899, 1901, 1915, 1892,
       1894, 1910, 1897, 1911, 1890])

len(df['年代'].unique())

运行结果:

如果要计算每一年的电影数量呢？

df['年代'].value_counts

运行结果:

<bound method IndexOpsMixin.value_counts of 1        1994
2        1957
3        1997
4        1994
5        1993
         ... 
38718    1983
38719    1935
38720    1986
38721    1986
38722    1977
Name: 年代, Length: 38722, dtype: int32>

查看电影产出前五的国家地区

df['产地'].value_counts()[:5]

运行结果:

美国      11976
日本       5048
中国大陆     3802
中国香港     2851
法国       2815
Name: 产地, dtype: int64

保存数据

试一试之前查的避免unnamed的方法

df.to_excel('movie_data2.xlsx',index=False)

四.数据透视

读取刚刚的数据

df2=pd.read_excel("movie_data2.xlsx")
df2.head()

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

确实，写入excel用index=False,读入excel用index_col=0，两者选其一即可

Excel中数据透视表的使用非常广泛，其实Pandas也
以上是关于pandas入门的主要内容，如果未能解决你的问题，请参考以下文章

pandas GroupBy上的方法apply:一般性的“拆分-应用-合并”

pandas入门指南

text [检查特定的数据片段]取自论文但有意思应用。 #python #pandas

python之pandas入门操作

pandas入门

Atom编辑器入门到精通 Atom使用进阶