這篇文章中使用的資料集是一個足球球員各項技能及其身價的csv表，包含了60多個欄位。資料集下載連結：資料集
1、DataFrame.info()
這個函式可以輸出讀入表格的一些具體資訊。這對於加快資料預處理非常有幫助。
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(`dataset/soccer/train.csv`)
print(data.info())<class `pandas.core.frame.DataFrame`>
RangeIndex: 10441 entries, 0 to 10440
Data columns (total 65 columns):
id 10441 non-null int64
club 10441 non-null int64
league 10441 non-null int64
birth_date 10441 non-null object
height_cm 10441 non-null int64
weight_kg 10441 non-null int64
nationality 10441 non-null int64
potential 10441 non-null int64
...
dtypes: float64(12), int64(50), object(3)
memory usage: 5.2+ MB
None2、DataFrame.query()
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(`dataset/soccer/train.csv`)
print(data.query(`lw>cf`)) # 這兩個方法是等價的
print(data[data.lw > data.cf]) # 這兩個方法是等價的3、DataFrame.value_counts()
這個函式可以統計某一列中不同值出現的頻率。
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(`dataset/soccer/train.csv`)
print(data.work_rate_att.value_counts())
Medium 7155
High 2762
Low 524
Name: work_rate_att, dtype: int644、DataFrame.sort_values()
按照某一列的數值進行排序後輸出。
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(`dataset/soccer/train.csv`)
print(data.sort_values([`sho`]).head(5))5、DataFrame.groupby()
- 根據國籍（nationality）這一列的屬性進行分組，然後分別計算相同國籍的潛力（potential）的平均值。
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(`dataset/soccer/train.csv`)
potential_mean = data[`potential`].groupby(data[`nationality`]).mean().head(5)
print(potential_mean)nationality
1 74.945338
2 72.914286
3 67.892857
4 69.000000
5 70.024242
Name: potential, dtype: float64- 根據國籍（nationality），俱樂部（club）這兩列的屬性進行分組，然後分別計算球員潛力（potential）的平均值。
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(`dataset/soccer/train.csv`)
potential_mean = data[`potential`].head(20).groupby([data[`nationality`], data[`club`]]).mean()
print(potential_mean)nationality club
1 148 76
461 72
5 83 64
29 593 68
43 213 67
51 258 62
52 112 68
54 604 81
63 415 70
64 359 74
78 293 73
90 221 70
96 80 72
101 458 67
111 365 64
379 83
584 65
138 9 72
155 543 72
163 188 71
Name: potential, dtype: int64值得注意的是，在分組函式後面使用一個size（）函式可以返回帶有分組大小的結果。
potential_mean = data[`potential`].head(200).groupby([data[`nationality`], data[`club`]]).size()nationality club
1 148 1
43 213 1
51 258 1
52 112 1
54 604 1
78 293 1
96 80 1
101 458 1
155 543 1
163 188 1
Name: potential, dtype: int64
6、DataFrame.agg()
這個函式一般在groupby函式之後使用。
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(`dataset/soccer/train.csv`)
potential_mean = data[`potential`].head(10).groupby(data[`nationality`]).agg([`max`, `min`])
print(potential_mean) max min
nationality
1 76 76
43 67 67
51 62 62
52 68 68
54 81 81
78 73 73
96 72 72
101 67 67
155 72 72
163 71 717、DataFrame.apply()
將某一個函式應用到某一列或者某一行上，可以極大加快處理速度。
import pandas as pd
import matplotlib.pyplot as plt
# 返回球員出生日期中的年份
def birth_date_deal(birth_date):
year = birth_date.split(`/`)[2]
return year
data = pd.read_csv(`dataset/soccer/train.csv`)
result = data[`birth_date`].apply(birth_date_deal).head()
print(result)0 96
1 84
2 99
3 88
4 80
Name: birth_date, dtype: object當然如果使用lambda函式的話，程式碼會更加簡潔：
data = pd.read_csv(`dataset/soccer/train.csv`)
result = data[`birth_date`].apply(lambda x: x.split(`/`)[2]).head()
print(result)