第三节 pandas续集

Posted 2021-02-10 angle6-liu

import pandas as pd
from pandas import Series
from pandas import DataFrame
import numpy as np

一 创建多层DataFrame

• 取得列:df[‘col‘] df[[c1,c2]] df.loc[:,col]
• 取行:df.loc[‘index‘] df[index1:inde2]

1.1  隐式构造

　　最常见的方法是给DataFrame构造函数的index或者columns参数传递两个或更多的数组

DataFrame(data=np.random.randint(0,100,size=(2,2)),columns=[[‘a‘,‘b‘],[‘A‘,‘B‘]])

 

1.2 显示构造pd.MultiIndex.from_product

col=pd.MultiIndex.from_product([[‘qizhong‘,‘qimo‘],
                                [‘chinese‘,‘math‘]])

#创建DF对象
df = DataFrame(data=np.random.randint(60,120,size=(2,4)),index=[‘tom‘,‘jay‘],
         columns=col)

 

二 多层行索引

　　逐级降层

df[‘qimo‘]

df[‘qimo‘][‘math‘]

# 获取tom期中所有科目的考试成绩

df[‘qizhong‘].loc[‘tom‘]

注意
　　在对行索引的时候，若一级行索引还有多个，对二级行索引会遇到问题！也就是说，无法直接对二级索引进行索引，必须让
二级索引变成一级索引后才能对其进行索引！

总结：
访问一列或多列 直接用中括号[columnname]  [[columname1,columnname2...]]
访问一行或多行  .loc[indexname]
访问某一个元素  .loc[indexname,columnname]  获取李四期中的php成绩
行切片          .[index1:index2]        获取张三李四的期中成绩
列切片          .loc[:,column1:column2]    获取张三李四期中的php和c++成绩

 

三 聚合操作

所谓的聚合操作：平均数，方差，最大值，最小值……

df.sum(axis=0)

df.mean()

 

四 使用pd.concat()级联

pandas使用pd.concat函数，与np.concatenate函数类似，只是多了一些参数：

objs
axis=0
keys
join=‘outer‘ / ‘inner‘:表示的是级联的方式，outer会将所有的项进行级联（忽略匹配和不匹配），
　　　　　　　　　　　而inner只会将匹配的项级联到一起，不匹配的不级联
ignore_index=False

 4.1 匹配级联

　匹配的索引能完全对上,不多也不少.

df1 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=[‘a‘,‘b‘,‘c‘])
df2 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=[‘a‘,‘b‘,‘d‘])
pd.concat([df1,df1],axis=0)

 

4.2 不匹配级联

不匹配指的是级联的维度的索引不一致。例如纵向级联时列索引不一致，横向级联时行索引不一致

有2种连接方式：

• 外连接：补NaN（默认模式）outer

• 内连接：只连接匹配的项 inner

 

pd.concat([df1,df2],axis=1,join=‘inner‘) #内连接

 

4.3 使用df.append()函数添加

由于在后面级联的使用非常普遍，因此有一个函数append专门用于在后面添加

df1.append(df2) #列索引必须一致

 

五  使用pd.merge()合并

merge与concat的区别在于，merge需要依据某一共同的列来进行合并

使用pd.merge()合并时，会自动根据两者相同column名称的那一列，作为key来进行合并。

注意每一列元素的顺序不要求一致

 

参数：

• how：out取并集 inner取交集

• on：当有多列相同的时候，可以使用on来指定使用那一列进行合并，on的值为一个列表

 

5.1  一对一合并

df1 = DataFrame({‘employee‘:[‘Bob‘,‘Jake‘,‘Lisa‘],
                ‘group‘:[‘Accounting‘,‘Engineering‘,‘Engineering‘],
                })
df2 = DataFrame({‘employee‘:[‘Lisa‘,‘Bob‘,‘Jake‘],
                ‘hire_date‘:[2004,2008,2012],
                })
pd.merge(df1,df2) #自动找相同的,列进行合并

left:right:  merge后: 

 

5.2 多对一合并

df3 = DataFrame({
    ‘employee‘:[‘Lisa‘,‘Jake‘],
    ‘group‘:[‘Accounting‘,‘Engineering‘],
    ‘hire_date‘:[2004,2016]})

df4 = DataFrame({‘group‘:[‘Accounting‘,‘Engineering‘,‘Engineering‘],
                       ‘supervisor‘:[‘Carly‘,‘Guido‘,‘Steve‘]
                })

pd.merge(df3,df4,how=‘outer‘)

left:right:

merge:

 

5.3 多对多合并

 

df1 = DataFrame({‘employee‘:[‘Bob‘,‘Jake‘,‘Lisa‘],
                 ‘group‘:[‘Accounting‘,‘Engineering‘,‘Engineering‘]})

df5 = DataFrame({‘group‘:[‘Engineering‘,‘Engineering‘,‘HR‘],
                ‘supervisor‘:[‘Carly‘,‘Guido‘,‘Steve‘]
                })

pd.merge(df1,df5,how=‘left‘)

 

 left: right:

merge:

 

5.4 key的规范化

• 当列冲突时，即有多个列名称相同时，需要使用on=来指定哪一个列作为key，配合suffixes指定冲突列名

df1 = DataFrame({‘employee‘:[‘Jack‘,"Summer","Steve"],
                 ‘group‘:[‘Accounting‘,‘Finance‘,‘Marketing‘]})

df2 = DataFrame({‘employee‘:[‘Jack‘,‘Bob‘,"Jake"],
                 ‘hire_date‘:[2003,2009,2012],
                ‘group‘:[‘Accounting‘,‘sell‘,‘ceo‘]})

pd.merge(df1,df2,on=‘group‘,how=‘outer‘)

 

• 当两张表没有可进行连接的列时，可使用left_on和right_on手动指定merge中左右两边的哪一列列作为连接的列

df1 = DataFrame({‘employee‘:[‘Bobs‘,‘Linda‘,‘Bill‘],
                ‘group‘:[‘Accounting‘,‘Product‘,‘Marketing‘],
               ‘hire_date‘:[1998,2017,2018]})

df5 = DataFrame({‘name‘:[‘Lisa‘,‘Bobs‘,‘Bill‘],
                ‘hire_dates‘:[1998,2016,2007]})

pd.merge(df1,df5,left_on=‘employee‘,right_on=‘name‘,how=‘outer‘) #指定左右表相关联的列

5.5 内合并与外合并:out取并集 inner取交集

• 内合并：只保留两者都有的key（默认模式）

df6 = DataFrame({‘name‘:[‘Peter‘,‘Paul‘,‘Mary‘],
               ‘food‘:[‘fish‘,‘beans‘,‘bread‘]}
               )
df7 = DataFrame({‘name‘:[‘Mary‘,‘Joseph‘],
                ‘drink‘:[‘wine‘,‘beer‘]})

 

• 外合并 how=‘outer‘：补NaN

df6 = DataFrame({‘name‘:[‘Peter‘,‘Paul‘,‘Mary‘],
               ‘food‘:[‘fish‘,‘beans‘,‘bread‘]}
               )
df7 = DataFrame({‘name‘:[‘Mary‘,‘Joseph‘],
                ‘drink‘:[‘wine‘,‘beer‘]})

 

六  数据处理

 

6.1 删除重复元素 duplicated()

使用duplicated()函数检测重复的行，返回元素为布尔类型的Series对象，每个元素对应一行，如果该行不是第一次出现，则元素为True

- keep参数：指定保留哪一重复的行数据

#数据准备
#创建一个df
np.random.seed(1)
df = DataFrame(np.random.randint(0,100,size=(8,6)))

#手动将df的某几行设置成相同的内容
df.iloc[1] = [6,6,6,6,6,6]
df.iloc[3] = [6,6,6,6,6,6]
df.iloc[4] = [6,6,6,6,6,6]

 

方式一

df.duplicated(keep=‘last‘) 

 

indexs = df[df.duplicated(keep=‘last‘)].index #获取需要删除行的索引
df.drop(labels=indexs,axis=0) #删除重复行

 

方式二:

使用drop_duplicates()函数删除重复的行

• drop_duplicates(keep=‘first/last‘/False)

df.drop_duplicates() #一步到位

 

6.2 映射

(1)replace( )函数:替换元素

　　使用replace()函数，对values进行映射操作

 

Series替换操作

• 单值替换
  • 普通替换
  • 字典替换(推荐）
• 多值替换
  • 列表替换
  • 字典替换（推荐）
• 参数
  • to_replace:被替换的元素

 

replace参数说明：

• method：对指定的值使用相邻的值填充替换
• limit：设定填充次数

 

DataFrame替换操作

• 单值替换
  • 普通替换： 替换所有符合要求的元素:to_replace=15,value=‘e‘
  • 按列指定单值替换： to_replace={列标签：替换值} value=‘value‘

• 多值替换
  • 列表替换: to_replace=[] value=[]
  • 字典替换（推荐） to_replace={to_replace:value,to_replace:value}

注意：DataFrame中，无法使用method和limit参数

df.replace(to_replace=6,value=‘six‘) #用‘six‘代替df中的‘6‘

df.replace(to_replace={3:6},value=‘six‘) #用‘six‘代替df中第4列的‘6‘

df.replace(to_replace={1:‘one‘}) #用‘one‘代替df中的‘‘1‘

 

6.3 map()函数：新建一列 ， map函数并不是df的方法，而是series的方法

• map()可以映射新一列数据
• map()中可以使用lambd表达式

• map()中可以使用方法，可以是自定义的方法

  eg:map({to_replace:value})

注意 map()中不能使用sum之类的函数，for循环

 

dic = {
    ‘name‘:[‘周杰伦‘,‘李四‘,‘王五‘],
    ‘salary‘:[1000,2000,3000]
}
df = DataFrame(data=dic)

#新增一列：给df中，添加一列，该列的值为中文名对应的英文名

#封装一个映射关系表
dic = {
    ‘周杰伦‘:‘jay‘,
    ‘王五‘:‘wangwu‘,
    ‘李四‘:‘lisi‘
}
df[‘ename‘] = df[‘name‘].map(dic)
df

 

map当做一种运算工具，至于执行何种运算，是由map函数的参数决定的（参数：lambda，函数）

• 使用自定义函数

#自定义函数
def after_salary(s):
    if s <= 500:
        return s
    else:
        return s - (s-500)*0.5

#超过500部分的钱缴纳50%的税
after_sal = df[‘salary‘].map(after_salary)
df[‘after_salary‘] = after_sal
df

 

• 使用lambda表达式

#员工的薪资集体提高500
df[‘salary‘].map(lambda x:x+500)

 

6.4 数据重排 --- 使用.take()函数排序

- take()函数接受一个索引列表，用数字表示,使得df根据列表中索引的顺序进行排序
- eg:df.take([1,3,4,2,5])

 

• np.random.permutation(x)可以生成x个从0-(x-1)的随机数列

df.take(np.random.permutation(1000),axis=0).take(np.random.permutation(3),axis=1)

#np.random.permutation(1000) :把0,1000随机排列成列表

当DataFrame规模足够大时，直接使用np.random.permutation(x)函数，就配合take()函数实现随机抽样

 

6.5 数据分类处理【重点】

数据聚合是数据处理的最后一步，通常是要使每一个数组生成一个单一的数值。

数据分类处理：

• 分组：先把数据分为几组
• 用函数处理：为不同组的数据应用不同的函数以转换数据
• 合并：把不同组得到的结果合并起来

数据分类处理的核心：

 - groupby()函数
 - groups属性查看分组情况
 - eg: df.groupby(by=‘item‘).groups

6.5.1 分组

#数据源
df = DataFrame({‘item‘:[‘Apple‘,‘Banana‘,‘Orange‘,‘Banana‘,‘Orange‘,‘Apple‘],
                ‘price‘:[4,3,3,2.5,4,2],
               ‘color‘:[‘red‘,‘yellow‘,‘yellow‘,‘green‘,‘green‘,‘green‘],
               ‘weight‘:[12,20,50,30,20,44]})

#分组
df.groupby(by=‘item‘)

#查看分组情况
df.groupby(by=‘item‘).groups

分组后可以聚合:.sum,.mean

#计算出苹果的平均价格
dic = {
    ‘Apple‘:3,
    ‘Banana‘:2.75,
    ‘Orange‘:3.5
}
df[‘mean_price‘] = df[‘item‘].map(dic)
df.groupby(by=‘item‘)[‘price‘].mean()[‘Apple‘]

#按颜色查看各种颜色的水果的平均价格
df.groupby(by=‘color‘)[‘price‘].mean()
dic={
    ‘green‘:2.83,
    ‘red‘:4,
    ‘yellow‘:3
}
df[‘color_mean_price‘] = df[‘color‘].map(dic)
df

 

6.6 高级数据聚合

使用groupby分组后，也可以使用transform和apply提供自定义函数实现更多的运算

• df.groupby(‘item‘)[‘price‘].sum() <==> df.groupby(‘item‘)[‘price‘].apply(sum)
• transform和apply都会进行运算，在transform或者apply中传入函数即可
• transform和apply也可以传入一个lambda表达式

#求出各种水果价格的平均值
df.groupby(by=‘item‘)[‘price‘].mean()

apply和transform

#定义执行方法
def fun(s):
    sum = 0
    for i in s:
        sum+=s
    return sum/s.size

#使用apply函数求出水果的平均价格
df.groupby(by=‘item‘)[‘price‘].apply(fun) #给fun传入的参数是一个列表

#使用transform函数求出水果的平均价格
df.groupby(by=‘item‘)[‘price‘].transform(fun) #给fun传入的参数是一个列表