Python其实很简单 第二十一章 DataFrame数据处理
Posted
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Python其实很简单 第二十一章 DataFrame数据处理相关的知识，希望对你有一定的参考价值。
参考技术A将Excel中的的数据读入数据框架DataFrame后，可以非常方便的进行各种数据处理。
21.1 列间求和
求总分（总分=语文+数学+英语）
对于上一章所提到的学生成绩表，仅用一个语句即可完成总分计算，并填充。
df[\'总分\']=df[\'语文\']+df[\'数学\']+df[\'英语\']
完整代码如下：
from pandas import read_excel
file=\'d:/student.xlsx\' #见第18章表18-1
df=read_excel(file,sheet_name=0,converters=\'学号\':str)
df[\'总分\']=df[\'语文\']+df[\'数学\']+df[\'英语\']
print(df.head()) #df.head()的作用是仅显示5行记录。
运行结果如下：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
0 1 070101 王博宇 NaN NaN 84 71 93 248 NaN
1 2 070102 陈冠涛 NaN NaN 89 89 89 267 NaN
2 3 070103 李文博 NaN NaN 89 72 76 237 NaN
3 4 070204 姜海燕 NaN NaN 89 89 89 267 NaN
4 5 070205 林若溪 NaN NaN 91 95 83 269 NaN
21.2替换
既可以将对满足条件的行和列的数据替换，也可以对整个集合的数据按照条件进行替换。
df[\'总分\'].replace(310,\'x\',inplace=True)
将总分列的数值“310”替换为“x”。inplace=True表示改变原数据。
df.replace(76,0,inplace=True)
将整个DataFrame中的数值“76”替换为“0”。
df.replace([98,76,99],0,inplace=True)
将整个DataFrame中的数值“98,76,99”一次替换为“0”。
21.2排序
既可以将某一列作为关键字段排序，也可以将几个列分别作为主、次关键字段进行排序。排序既可以按升序排序，也可以按降序排序。
函数sort_values()的语法格式如下：
df.sort_values(by=[“col1”,”col2”,......,”coln”],ascending=False)
其中，coln表示列名，也可以是列名的列表；ascending表示排序方式，值为True表示升序，可以省缺，值为False表示降序。
如：
df=df.sort_values(by=[\'总分\'],ascending=False)
表示按照“总分”从高到低排序。
df=df.sort_values(by=[\'总分\',\'语文\'],ascending=False)
表示按照“总分”从高到低排序，若“总分”相同，再按照“语文”成绩从高到低排序。
21.3 字段截取
函数slice()可以从某列中截取字符串。格式如下：
slice(start,stop)
其中，start表示开始位置；stop表示结束位置
例：
df[\'年级\']=df[\'学号\'].str.slice(0,2)
通过此语句可以截取学号字段的第1、2个字符，并赋值给年级字段。
21.4 记录抽取
可以抽取满足条件的记录。
例：抽取总分>300的记录。
df[df.总分>300]
抽取总分在300到310之间（包括300和310）的记录。
df[df.总分.between(306,310)]
抽取学号中包含“0803”的记录。这样可以非常方便的抽取某个班的信息。
df[df.学号.str.contains(\'0803\',na=False)]
此处的na=False，含义是如遇到NaN这样的数据，直接做不匹配处理。
21.5修改记录
1、整列替换
我们在前面已经给整列填充过数据，填充时原来的数据就被覆盖了。
即如下语句：
df[\'总分\']=df[\'语文\']+df[\'数学\']+df[\'英语\']
2、个别修改
如将值‘99’替换为值‘100’，可用如下语句：
df.replace(\'99\',\'100\')
将指定列的值替，如将语文列和英语列的值‘99’替换为值‘100’，可用如下语句：
df.replace(\'语文\':99,\'英语\':99,100)
可用如下程序去验证：
from pandas import read_excel
file=\'d:/student.xlsx\'
df=read_excel(file,sheet_name=0,converters=\'学号\':str)
print(df[(df.语文==99) |(df.英语==99)])
df=df.replace(\'语文\':99,\'英语\':99,100)
print(df[(df.语文==99) |(df.英语==99)])
运行结果为：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
28 29 090802 丁能通 09 NaN 119 120 99 338 NaN
29 30 090203 沈丹妮 09 NaN 109 108 99 316 NaN
Empty DataFrame
Columns: [序号, 学号, 姓名, 年级, 班级, 语文, 数学, 英语, 总分, 名次]
Index: []
可以看出，第一个print()语句输出的结果中满足条件“语文或英语为99分”的有两条记录，替换语句执行以后，df中再没有满足条件“语文或英语为99分”的记录了。
21.6记录合并
函数concat()的格式如下：
concat([dataFrame1,dataFrame2,......]，ignore_index=True)
其中，dataFrame1等表示要合并的DataFrame数据集合；ignore_index=True表示合并之后的重新建立索引。其返回值也是DataFrame类型。
concat()函数和append()函数的功能非常相似。
例：
import pandas #导入pandas模块
from pandas import read_excel #导入read_execel
file=\'d:/student.xlsx\' #变量file表示文件路径，注意\'/\'的用法 数据见第18章表18-1
df=read_excel(file,sheet_name=0,converters=\'学号\':str)
# 将Excel文件导入到DataFrame变量中
df=df[:5] #截取df的前5个记录
print(df) #输出df
df1=df[:3] #截取df的前3个记录存入df1中
df2=df[3:5] #截取df的最后2个记录存入df2中
df3=pandas.concat([df2,df1]) #将df2与df1合并存入df3中
print(df3) #输出df3
运行结果如下：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
0 1 070101 王博宇 NaN NaN 84 71 93 NaN NaN
1 2 070102 陈冠涛 NaN NaN 89 89 89 NaN NaN
2 3 070103 李文博 NaN NaN 89 72 76 NaN NaN
3 4 070204 姜海燕 NaN NaN 89 89 89 NaN NaN
4 5 070205 林若溪 NaN NaN 91 95 83 NaN NaN
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
3 4 070204 姜海燕 NaN NaN 89 89 89 NaN NaN
4 5 070205 林若溪 NaN NaN 91 95 83 NaN NaN
0 1 070101 王博宇 NaN NaN 84 71 93 NaN NaN
1 2 070102 陈冠涛 NaN NaN 89 89 89 NaN NaN
2 3 070103 李文博 NaN NaN 89 72 76 NaN NaN
由于合并时是将df1合并到df2中，可以看出，索引仍然保持原来的状态。
21.7统计次数
可以用如下方法统计出某个值在某行或者某个范围出现的次数。
from pandas import read_excel
file=\'d:/student.xlsx\'
df=read_excel(file,sheet_name=0,converters=\'学号\':str)
df=df[:5]
print(df)
print(df[\'语文\'].value_counts())
输出结果如下：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
0 1 070101 王博宇 NaN NaN 84 71 93 NaN NaN
1 2 070102 陈冠涛 NaN NaN 89 89 89 NaN NaN
2 3 070103 李文博 NaN NaN 89 72 76 NaN NaN
3 4 070204 姜海燕 NaN NaN 89 89 89 NaN NaN
4 5 070205 林若溪 NaN NaN 91 95 83 NaN NaN
89 3
84 1
91 1
Name: 语文, dtype: int64
可以看出，通过value_counts()函数可以统计出列中各值出现的次数。
value_counts()函数的参数还有 ：
ascending，当ascending=True时升序排列，当ascending=False时升序排列（此时该参数可省缺）；
normalize，当normalize=True时，显示的不再是各值出现的次数，而是占比。
将上例中的语句print(df[\'语文\'].value_counts())改为：
print(df[\'语文\'].value_counts(ascending=True,normalize=True))
则输出结果变成了：
91 0.2
84 0.2
89 0.6
Name: 语文, dtype: float64
21.8按值查找
print(df[\'语文\'].isin([84,91]))
它的作用是查找‘语文’列中值和isin所指的列表中元素一致的记录，如果找到结果为True，否则为False。
输出结果：
0 True
1 False
2 False
3 False
4 True
Name: 语文, dtype: bool
21.9数据分区
根据某个分区标准，将数据按照所属区域进行划分，并用相应的标签表示，可以用cut()方法来实现。
语法格式如下：
cut(series, bins, right=True, labels=NULL)
其中：
series表示需要分组的数据；
bins表示分组的依据，是一个列表，其元素为划分分区的边界值，如[0,72,96,120]，就是划分3个分区，即0~72、72~96、96~120，默认的是“左包右不包”；
right表示分组时右边是否闭合；
labels表示分组的自定义标签，也可以不重新定义。
下面对上述学生成绩表中的语文成绩进行分组，并增加一个新的列“语文等级”。
import pandas as pd
from pandas import read_excel #导入read_execel
file=\'d:/student.xlsx\'
df=read_excel(file,sheet_name=0,converters=\'学号\':str)
df[\'年级\']=df[\'学号\'].str.slice(0,2)
df[\'班级\']=df[\'学号\'].str.slice(0,4)
df.总分=df.语文+df.数学+df.英语
bins=[0,72,96,max(df.语文)+1] #
lab=[\'不及格\',\'及格\',\'优秀\']
grade=pd.cut(df.语文,bins,right=False,labels=lab)
df[\'语文等级\']=grade
print(df.head())
print("语文成绩分等级统计结果:")
print(df[\'语文等级\'].value_counts())
运行结果如下：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 语文等级
0 1 070101 王博宇 07 0701 84 71 93 248 及格
1 2 070102 陈冠涛 07 0701 89 89 89 267 及格
2 3 070103 李文博 07 0701 89 72 76 237 及格
3 4 070204 姜海燕 07 0702 89 89 89 267 及格
4 5 070205 林若溪 07 0702 91 95 83 269 及格
语文成绩分等级统计结果:
及格 17
优秀 10
不及格 4
Name: 语文等级, dtype: int64
以上是关于Python其实很简单 第二十一章 DataFrame数据处理的主要内容，如果未能解决你的问题，请参考以下文章