Pandas是一個基於python中Numpy模組的一個模組
Python在資料處理和準備⽅⾯⼀直做得很好，但在資料分析和建模⽅⾯就差⼀些。pandas幫助填補了這⼀空⽩，使您能夠在Python中執⾏整個資料分析⼯作流程，⽽不必切換到更特定於領域的語⾔，如R。與出⾊的 jupyter⼯具包和其他庫相結合，Python中⽤於進⾏資料分析的環境在效能、⽣產率和協作能⼒⽅⾯都是卓越的。
pandas是 Python 的核⼼資料分析⽀持庫，提供了快速、靈活、明確的資料結構，旨在簡單、直觀地處理關係型、標記型資料。pandas是Python進⾏資料分析的必備⾼級⼯具。
pandas的主要資料結構是 Series(⼀維資料)與 DataFrame (⼆維資料)，這兩種資料結構⾜以處理⾦融、統計、社會科學、⼯程等領域⾥的⼤多數案例處理資料⼀般分為⼏個階段：資料整理與清洗、資料分析與建模、資料視覺化與製表，Pandas 是處理資料的理想⼯具。
環境介紹
程式碼工具：jupyternotebook
python版本：python3.8.6
系統版本：win10
一、Pands安裝
開啟終端指令輸入pip install -i https://pypi.doubanio.com/simple/
第⼆部分 資料結構
第⼀節 Series
⽤列表⽣成 Series時，Pandas 預設⾃動⽣成整數索引，也可以指定索引
l = [0,1,7,9,np.NAN,None,1024,512] # ⽆論是numpy中的NAN還是Python中的None在pandas中都以缺失資料NaN對待 s1 = pd.Series(data = l) # pandas⾃動新增索引 s2 = pd.Series(data = l,index = list('abcdefhi'),dtype='float32') # 指定⾏索引 # 傳⼊字典建立，key⾏索引 s3 = pd.Series(data = {'a':99,'b':137,'c':149},name = 'Python_score') display(s1,s2,s3)
DataFrame是由多種型別的列構成的⼆維標籤資料結構，類似於 Excel 、SQL 表，或 Series 物件構成的字典。
import numpy as np import pandas as pd # index 作為⾏索引，字典中的key作為列索引，建立了3*3的DataFrame表格⼆維陣列 df1 = pd.DataFrame(data = {'Python':[99,107,122],'Math':[111,137,88],'En': [68,108,43]},# key作為列索引 index = ['張三','李四','Michael']) # ⾏索引 df2 = pd.DataFrame(data = np.random.randint(0,151,size = (5,3)), index = ['Danial','Brandon','softpo','Ella','Cindy'],# ⾏索引 columns=['Python','Math','En'])# 列索引 display(df1,df2)
第三部分 資料檢視
檢視DataFrame的常⽤屬性和DataFrame的概覽和統計資訊
import numpy as np import pandas as pd df = pd.DataFrame(data = np.random.randint(0,151,size=(150,3)), index = None， # 行索引預設 columns=['A','B','C'])#列索引 df.head(10)#顯示前十行 ！！預設是五行！！ df.tail(10)#顯示後十行 df.shape#檢視行數和列數 df.dtypes#檢視資料型別 df.index#檢視行索引 df.value# 物件值,二維陣列 df.describe()#檢視資料值列的彙總統計，計數，平均值，標準差，最小值，四分位數，最大值 df.info()#檢視列索引，資料型別，非空計數和記憶體資訊
第四部分 資料的輸入輸出
第一節csv
df = DataFrame(data = np.random.randint(0,50,size = [50,5]), # 薪資情況 columns=['IT','化⼯','⽣物','教師','⼠兵']) #儲存到相對路勁下檔案命名為 df.to_csv('./salary.csv', sep = ';',#分割符 header = True,#是否儲存列索引 index = True)#是否儲存行索引、 #載入 pd.read_csv('./salary.csv', sep = ';',# 預設是逗號 header = [0],#指定列索引 index_col=0) # 指定⾏索引 #載入 pd.read_table('./salary.csv', # 和read_csv類似，讀取限定分隔符的⽂本⽂件 sep = ';', header = [0],#指定列索引 index_col=1) # 指定⾏索引,IT作為⾏索引
第⼆節 Excel
pip install xlrd -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install xlwt -i https://pypi.tuna.tsinghua.edu.cn/simple
import numpy as np import pandas as pd df1 = pd.DataFrame(data = np.random.randint(0,50,size = [50,5]), # 薪資情況 columns=['IT','化⼯','⽣物','教師','⼠兵']) df2 = pd.DataFrame(data = np.random.randint(0,50,size = [150,3]),# 計算機科⽬的考試成績 columns=['Python','Tensorflow','Keras']) # 儲存到當前路徑下，⽂件命名是：salary.xls df1.to_excel('./salary.xls', sheet_name = 'salary',# Excel中⼯作表的名字 header = True,# 是否儲存列索引 index = False) # 是否儲存⾏索引，儲存⾏索引 pd.read_excel('./salary.xls', sheet_name=0,# 讀取哪⼀個Excel中⼯作表，預設第⼀個 header = 0,# 使⽤第⼀⾏資料作為列索引 names = list('ABCDE'),# 替換⾏索引 index_col=1)# 指定⾏索引，B作為⾏索引 # ⼀個Excel⽂件中儲存多個⼯作表 with pd.ExcelWriter('./data.xlsx') as writer: df1.to_excel(writer,sheet_name='salary',index = False) df2.to_excel(writer,sheet_name='score',index = False) pd.read_excel('./data.xlsx', sheet_name='salary') # 讀取Excel中指定名字的⼯作表
第三節 SQL
pip install sqlalchemy -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pymysql -i https://pypi.tuna.tsinghua.edu.cn/simple
import pandas as pd # SQLAlchemy是Python程式設計語⾔下的⼀款開源軟體。提供了SQL⼯具包及物件關係對映（ORM）⼯具 from sqlalchemy import create_engine df = pd.DataFrame(data = np.random.randint(0,50,size = [150,3]),# 計算機科⽬的考試 成績 columns=['Python','Tensorflow','Keras']) # 資料庫連線 conn = create_engine('mysql+pymysql://root:12345678@localhost/pandas? charset=UTF8MB4') # 儲存到資料庫 df.to_sql('score',#資料庫中表名 conn,# 資料庫連線 if_exists='append')#如果表名存在，追加資料 # 從資料庫中載入 pd.read_sql('select * from score limit 10', # sql查詢語句 conn, # 資料庫連線 index_col='Python') # 指定⾏索引名
---------------------------------------------！！！！！！！！！第一次更新！！！！！！！！！！！----------------------------------------------------------
第五部分 資料的選取
第一節 資料獲取
！！！---先匯入個資料---！！！ df = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]),# 計算機科⽬的考試成績 index = list('ABCDEFGHIJ'),# ⾏標籤 columns=['Python','Tensorflow','Keras'])
df.Python# 檢視所在列資料 df['Python']# 檢視所在列資料 df[['Python','Keras']]#獲取多列資料 df[1:3]#行切片操作 !!!--此處切片操作與資料的切片操作如出一轍--!!!
使用 loc[] 進行資料獲取 loc通過行列標籤進行索引取數操作
df.loc[['A','B']]#選取行標籤 df.loc[['A','B'],['Python','Keras']]#根據行列標籤選取對飲資料 df.loc[:,['Python','Keras']]#保留所有行 df.loc[::2,['Python','Keras']]#每隔2行取出一行資料 df.loc['A',['Python','Keras']]#根據行標籤選取出對應資料 #此處就不截圖展示了
使用 iloc[] 進行資料獲取 iloc通過行列整數標籤進行索引取數操作
df.iloc[2:4]#利用整數行切片操作與Numpy相似 !!!--此處切片操作與資料的切片操作如出一轍--!!! df.iloc[1:3,1:2]#利用整數對行和列進行切片 df.iloc[1:3:]#行切片 df.iloc[:,0:1]#列切片
Boolean索引
cond1 = df.Python > 100 # 判斷Python分數是否⼤於100，返回值是boolean型別的Series df[cond1] # 返回Python分數⼤於100分的⽤戶所有考試科⽬資料 cond2 = (df.Python > 50) & (df['Keras'] > 50) # &與運算 df[cond2] # 返回Python和Keras同時⼤於50分的⽤戶的所有考試科⽬資料 df[df > 50]# 選擇DataFrame中滿⾜條件的值，如果滿⾜返回值，不然返回空資料NaN df[df.index.isin(['A','C','F'])] # isin判斷是否在陣列中，返回也是boolean型別值
第六部分 資料整合
第⼀節 concat資料串聯
#再建立兩個資料矩陣 df1 = pd.DataFrame(np.random.randint(1,151,size=10), index = list('ABCDEFGHIJ'), columns=['Science']) df2 = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]), index = list('KLMNOPQRST'), columns=['Python','Tensorflow','Keras'])
pd.concat([df,df2],axis=0)#df2串聯拼接到df1下方 pd.concat([df,df1],axis=1)#df1串聯拼接到df的左側 df.append(df1) # 在df1後⾯追加df2
第二節 插入
insert（）插入一列
注意：如果使用insert()插入一列時，那麼插入的這一列的長度必須和被插入的行數長度相等
#插入一列c++ df.insert(loc=1, column='C++', value=np.random.randint(0,151,size=(10))) df.insert(loc = 1,column='Python3.8,value=2048)
第三節 資料的連結（join SQL風格）
資料集的合併（merge）或連線（join）運算是通過⼀個或者多個鍵將資料連結起來的。這些運算是關係型資料庫的核⼼操作。pandas的merge函式是資料集進⾏join運算的主要切⼊點。
#先建立兩組資料 df1 = pd.DataFrame(data = {'sex':np.random.randint(0,2,size=6),'name':['九州','九周','Nineweek','Mrs佟','小A','小C']}) df2 = pd.DataFrame(data = {'score':np.random.randint(90,151,size=6),'name':['九州','九周','Nineweek','Mrs佟','小A','小Ming']})
pd.merge(df1,df2) #（內連線） 在使用merge()合併中merge自動去除了空資料 pd.merge(df1,df2,how='left')#左連結 pd.merge(df1,df2,how='right')#右連結
---------------------------------------------！！！！！！！！！第二次更新！！！！！！！！！！！----------------------------------------------------------
第七部分 資料清洗
第⼀節 duplicated篩選重複資料
duplicated是以自上向下的順序進行篩選如果行值相同就返回TRUE。
#建立一個分值資料 df2 = pd.DataFrame(data={'Name':['九州','Mrs佟','Nineweek',None,np.NAN,'Mrs佟'],'Sex':[0,1,0,1,0,1],'Score':[89,100,67,90,98,100]})
df2.duplicated()#檢查重複值 以Boolean形式進行輸出展示 df2.duplicated().sum()#列印有多少重複值 df2[df2.duplicated()]#列印重複值 df2[df2.duplicated()==False]#列印非重複值 df2.drop_duplicates()#刪除重複值(此操作並不是在資料來源本身進行刪除操作) df2.drop_duplicates(inplace=True)#刪除重複值(此操作是在資料來源本身進行刪除操作)
第二節 過濾空資料
df2.isnull()#檢查是否存在空值(可以查到NAN值和None值) df2.dropna(how = 'any') # 刪除空資料(此操作並不是在資料來源本身進行刪除操作) df2.dropna(how = 'any',inplace=True)# 刪除空資料(此操作是在資料來源本身進行刪除操作) df2.fillna(value='小A')#填充空資料(此操作並不是在資料來源本身進行刪除操作) df2.fillna(value='小A',inplace=True)#填充空資料(此操作是在資料來源本身進行刪除操作)
第三節 過濾指定行或列
del df2['Sex'] # 直接刪除某列 df2.drop(labels = ['price'],axis = 1)# 刪除指定列 df2.drop(labels = [0,1,5],axis = 0) # 刪除指定⾏
filter函式：選取保留的資料過濾其他資料
df2.filter(items=['Name', 'Score'])#保留‘Name’,‘Score’兩列 df2.filter(like='S',axis = 1)# 保留列標籤包含‘S’的列（axis=1表示列，axis=0表示行） df.filter(regex='S$', axis=1)#正則方式進行篩選
第八部分 資料轉換
第一節 rename和replace的轉換標籤個元素
#改變行列索引 df2.rename(index = {0:10,1:11},columns={'Name':'StName'})#將行索引0換為10，1換為11；列索引Name換為StName #替換元素值 df2.replace(100,102)#將所有的100替換為102 df2.replace([89,67],78)#將所有的89和67替換為78 df2.replace({'九州':'JZ',None:'九州'})#根據字典的鍵值對進行替換 df2.replace({'Sex':1},1024)#將Sex列的1全部替換為1024
第二節 apply和Transform
相同點：都能針對Dataframe的特徵的計算，常與groupby()分組聚合方式下節更新方法連用
不同點：aplly引數可以是自定義函式，包括簡單的求和函式以及複製的特徵間的差值函式等。apply不能直接使用python的內建函式，比如sum、max、min。
Transform引數不能是自定義的特徵互動函式，因為transform是針對每一元素(即每一列特徵操作)進行計算。
#先建立陣列 df = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]),index = list('ABCDEFGHIJ'),columns=['Python','En','Math'])
df['Python'].apply(lambda x:True if x >50 else False)#選取python學科中的大於50的資料
df.apply(lambda x : x.median(),axis = 0) # 列的中位數
#自定義函式演算法 def avg(x): return (x.mean(),x.max(),x.min(),x.var().round(1)) df.apply(avg,axis=0)#輸出列的平均值，最大值，最小值，方差保留一位小數
# ⼀列執⾏多項計算 df['Python'].transform([np.sqrt,np.log10]) # 對單列資料處理做開平方和對數運算
#自定義函式演算法 def convert(x): if x > 140: x -= 12 else: x += 12 return x df.transform({'Python':np.sqrt,'En':np.log10,'Math':convert}).round(1)# 對多列資料處理做開不同運算
---------------------------------------------！！！！！！！！！第三次更新！！！！！！！！！！！----------------------------------------------------------
第九部分 資料重塑
df = pd.DataFrame(data = np.random.randint(0,150,size = [20,3]), index = pd.MultiIndex.from_product([list('ABCDEFHIJK'),['一期','二期']]),# 多層索引 columns=['Python','En','Math'])
df.unstack(level=1)#行作列 df.stack()#列作行 df.mean(level=1)#各學科每期平均分 df.mean(level=0)#各學員平均分 df.mean()#各科平均分
第十部分 統計方法函式
pandas擁有多種常⽤的數學統計⽅法。可以滿足大多半的資料處理，對Series和DataFrame行計算並返回Series形式的陣列
#建立資料 df = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]), index = list('ABCDEFGHIJ'), columns=['Python','En','Math']) df.count() # ⾮NA值的數量 df.max(axis = 0) #軸0最⼤值，即每⼀列最⼤值 df.min() #預設計算軸0最⼩值 df.median() # 中位數 df.sum() # 求和 df.mean(axis = 1) #計算每⼀⾏的平均值 df.quantile(q = [0.2,0.5,0.9]) # 分位數 df.describe() # 檢視數值型列的彙總統計,計數、平均值、標準差、最⼩值、四分位數、最⼤值 df['Python'].value_counts() # 統計元素出現次數 df['Math'].unique() # 去重 df.cumsum() # 累加 df.cumprod() # 累乘 df.std() # 標準差 df.var() # ⽅差 df.cummin() # 累計最⼩值 df.cummax() # 累計最⼤值 df.diff() # 計算差分 df.pct_change() # 計算百分⽐變化 df.cov() # 屬性的協⽅差 df['Python'].cov(df['Math']) # Python和Math的協⽅差 df.corr() # 所有屬性相關性係數 df.corrwith(df['En']) # 單⼀屬性相關性係數
#標籤索引計算方式 df['Python'].argmin() # 計算Python列的最⼩值位置 df['Math'].argmax() # 計算Math列的最⼤值位置 df.idxmax() # 最⼤值索引標籤 df.idxmin() # 最⼩值索引標籤
第十一部分 排序
#建立資料 df = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]), index = list('ABCDEFGHIJ'), columns=['Python','En','Math']) ran = np.random.permutation(10) df = df.take(ran)#隨機排列行索引
df.sort_index(axis=0,ascending=True)#按照行索引降序排序 df.sort_index(axis=1,ascending=True)#按照列索引降序排序
df.sort_values(by='Python')#根據Python列的值降序排序 df.sort_values(by=['Python','Math'])#先按找Python排序在按照Math排序
lage = df.nlargest(3,columns='Math') # 根據屬性Math排序,返回最⼤3個資料 samll = df.nsmallest(3,columns='Python') # 根據屬性Python排序，返回最⼩3個資料 display(lage,samll)
第十二部分 cut與qcut的分箱處理
cut函式對資料進行分箱處理的操作， 也就是 把一段連續的值切分成若干段，每一段的值看成一個分類。這個把連續值轉換成離散值的過程，我們叫做分箱處理cut會按照資料值由大到小的順序將資料分割為若干分,並且使每組範圍大致相等
qcut是按變數的數量來對變數進行分割，並且儘量保證每個分組裡變數的個數相同。
df['py_cut'] = pd.cut(df.Python,bins=4)#按照資料範圍分箱 df['en_cut'] = pd.cut(df.En,bins=4)#按照資料個數分箱 df['q_評級'] = pd.qcut(df.Python,q = 4,# 4等分 labels=['差','中','良','優']) # 分箱後分類 df['c_評級'] = pd.cut(df.En,#分箱資料 bins = [0,60,90,120,150],#分箱斷點 right = False,# 左閉右開原則 labels=['差','中','良','優'])# 分箱後分類
