Pandas里面常用的一些数据分析函数总结

Posted 2021-01-23 songorz

import pandas as pd
import numpy as np

pandas 有两个主要的数据结构：Series 和 DataFrame；
Series 是一个一维数组对象 ，它包含一组索引和一组数据，可以把它理解为一组带索引的数组。
DataFrame 是一个表格型的数据结构。它提供有序的列和不同类型的列值。

df：Pandas DataFrame对象
s： Pandas Series对象

数据导入：

　　pd.read_csv(filename):从csv文件中导入数据;
　　pd.read_table(filename):从限定分隔符的文本文件导入数据；
　　pd.read_excel(filename):从Excel文件导入数据；
　　pd.read_sql(query,connection_object):从SQL表/库中导入数据；
　　pd.read_json(json_string):从JSON格式的字符串导入数据；
　　pd.read_html(url):解析URLL，字符串或者HTML文件；
　　pd.read_clipboard():从粘贴板获取内容；
　　pd.DataFrame(dict):从字典对象导入数据；

数据导出：

 

　　df.to_csv(filename):导出数据到CSV文件；
　　df.excel(filename):导出数据到EXCEl文件；
　　df.to_sql(table_nname,connection_object):导出数据到SQL表；
　　df.json(filename):以json格式导出数据到文本文件；

创建对象：

　　pd.DataFrame(np.random.rand(20,5)):创建20行5列的随即数组成的DataFrame对象；
　　pd.Series(my_list):从可迭代对象my_list创建一个Series对象；
　　df.index = pd.date_range(‘1900/1/30‘,periods=df.shape[0]):增加一个日期索引；

　　index和reindex联合使用很有用处，index可作为索引并且元素乱排序之后，所以跟着元素保持不变，因此，当重排元素时，只需要对index进行才重排即可:reindex。

 

数据查看：

　　df.info()：查看索引、数据类型和内存信息;
　　df.tail():查看DataFrame对象的最后n行；
　　df.shape():查看行数和列数；
　　df.head():查看DataFrame对象的前n行；
　　df.describe():查看数值型列的汇总统计;
　　s.value_counts(dropna=False):查看Series对象的唯一值和计数；
　　df.apply(pd.Seices.value_counts):查看DataFrame对象中每一列的唯一值和计数；

 

数据选取：

　　df[col]：根据列名，并以Series的形式返回列；
　　df[[col1, col2]]：以DataFrame形式返回多列；
　　s.iloc[0]：按位置选取数据；
　　s.loc[‘index_one‘]：按索引选取数据；
　　df.iloc[0,:]：返回第一行；

 

数据清洗：

　　df.columns = [‘a‘,‘b‘,‘c‘]：重命名列名

　　pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组；

　　pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组
　　df.dropna()：删除所有包含空值的行；

　　df.fillna(x)：用x替换DataFrame对象中所有的空值；

　　s.astype(float)：将Series中的数据类型更改为float类型；

　　s.replace(1,‘one‘)：用‘one’代替所有等于1的值
　　df.rename(columns=lambda x: x + 1)：批量更改列名；

　　df.set_index(‘column_one‘)：更改索引列；

 

数据处理：

　　df[df[col] > 0.5]：选择col列的值大于0.5的行；
　　df.sort_values(col1)：按照列col1排序数据，默认升序排列；
　　df.groupby(col)：返回一个按列col进行分组的Groupby对象；

　　df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值；

　　df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表；

　　data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean

 

数据合并：

　　df1.append(df2)：将df2中的行添加到df1的尾部
　　df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
　　df1.join(df2,on=col1,how=‘inner‘)：对df1的列和df2的列执行SQL形式的join

 

数据统计：

　　df.describe()：查看数据值列的汇总统计；

　　df.mean()：返回所有列的均值

　　df.corr()：返回列与列之间的相关系数；

　　df.count()：返回每一列中的非空值的个数；

　　df.max()：返回每一列的最大值

　　df.min()：返回每一列的最小值；

　　df.median()：返回每一列的中位数；

　　df.std()：返回每一列的标准

 

Pandas支持的数据类型：

　　int 整型
　　float 浮点型
　　bool 布尔类型
　　object 字符串类型
　　category 种类
　　datetime 时间类型

 

其他：

　　df.astypes: 数据格式转换
　　df.value_counts:相同数值的个数统计
　　df.hist(): 画直方图
　　df.get_dummies: one-hot编码，将类型格式的属性转换成矩阵型的属性。比如：三种颜色RGB，红色编码为[1 0 0]；

后面会继续更新；