标签:index head df DataFrame 入门篇 快乐 pd csv Pandas
知识体系框架
完整学习教程已开源,开源链接:
https://github.com/datawhalechina/joyful-pandas
文件的读取和写入
import pandas as pdimport numpy as np# 加上这两行可以一次性输出多个变量而不用printfrom IPython.core.interactiveshell import InteractiveShellInteractiveShell.ast_node_interactivity = "all"# 查看版本pd.__version__pd.set_option('display.max_columns', None)
读取
Pandas常用的有以下三种文件:
csv文件
txt文件
xls/xlsx文件
读取文件时的注意事项:
文件路径是否正确,相对路径 ./data
编码方式 分隔符
列名
#读取csv文件df = pd.read_csv('./data./table.csv')df.head()#读取txt文件,直接读取可能会出现数据都挤在一列上df_txt = pd.read_table('./data./table.txt')#df_txt = pd.read_table('./data./table.csv', sep=",")df_txt.head()#读取xls/xlsx文件df_excel = pd.read_excel('./data./table.xlsx')df_excel.head()
写入
将结果输出到csx、txt、xls、xlsx文件中
df.to_csv('./new table.csv')df.to_excel('./new table.xlsx')
基本数据结构
Pandas处理的基本数据结构有 Series 和 DataFrame。两者的区别和联系见下表:
Series
1. 创建
Series常见属性有 values, index, name, dtype
s = pd.Series(np.random.randn(5), index=['a','b','c','d','e'], name='this is a series', dtype='float64')
2. 访问Series属性
s.values, s.index, s.name, s.dtype
3. 取出某元素
通过索引取数或通过位置取数
s['a'], s[2:], s[1]
4. 调用方法
s.mean(), s.sum(), s.hist()
DataFrame
1. 创建
DataFrame基本属性有 values、columns、index
df = pd.DataFrame({'col1':list('abcde'), 'col2':range(5,10), 'col3':[1.3,2.5,3.6,4.6,5.8]}, index=list('一二三四五'))
2. 取一列/取一行
df['col1'], df[:1]type(df), type(df['col1']), type(df[:1]
3. 修改行或列名
df.rename(index={'一':'one'}, columns={'col1':'new_col1'})
4. 调用属性和方法
df.index, df.columns, df.values, df.shape, df.mean()
5. 索引对齐特性
这是Pandas中非常强大的特性,在对多个DataFrame 进行合并或者加减乘除操作时,行和列的索引都重叠的时候才能进行相应操作,否则会使用NA值进行填充。
df1 = pd.DataFrame({'A':[1,2,3]},index=[1,2,3])df2 = pd.DataFrame({'A':[1,2,3]},index=[3,1,2])df1-df2 #由于索引对齐,因此结果不是0
6. 列的删除
对于删除而言,可以使用drop函数或del或pop。
方法1:直接drop不会影响原DataFrame,设置inplace=True后会直接在原DataFrame中改动;
df.drop(index='五', columns='col1')
方法2:del会直接改变原Dataframe;
df['col1']=[1,2,3,4,5]del df['col1']
方法3:pop方法直接在原来的DataFrame上操作,且返回被删除的列,与python中的pop函数类。
df['col1']=[1,2,3,4,5]df.pop('col1')
7. 列的添加
方法1:直接新增;
df1['B'] = list('abc')
方法2:用assign方法,不会改变原DataFrame;
df1.assign(C=pd.Series(list('def')))
方法3:df.assign 效果其实是左连接,之所以会出现NaN的情况,是因为C和df的索引不一致导致。打印一下可以看到,df的索引是1-3,而C默认的是0-4。
C=pd.Series(list('def'))
8. 根据类型选择列
df.select_dtypes(include=['number'])df.select_dtypes(include=['float'])
Series和DataFrame相互转换
1. DataFrame转换为Series
就是取某一列的操作
s = df.mean()s.name = 'to_DataFrame'
2. Series转换为DataFrame
使用to_frame() 方法
s.to_frame()# T符号可以进行转置操作s.to_frame().T
常用基本函数
首先,读取数据
df = pd.read_csv('./data/table.csv')
1. head & tail
用来显示数据头部或者尾部的几行数据,默认是5行。可以指定n参数显示多少行
df.head()df.tail()df.head(6)
2. unique & nunique
unique显示所有的唯一值是什么;nunique显示有多少个唯一值。需要注意的是:需要在具体列上操作,本身DataFrame并没有这两个方法
df['Physics'].unique()df['Physics'].nunique()
3. count & value_counts
count返回非缺失值元素个数;value_counts返回每个元素有多少个值,也是作用在具体某列上
df['Physics'].count()df['Physics'].value_counts()
4. describe & info
info() 函数返回有哪些列、有多少非缺失值、每列的类型;describe() 默认统计数值型数据的各个统计量,可以自行选择分位数位置。非数值型特征需要单独调用describe方法。
df.info()df.describe()# describe()可以自行选择分位数位置df.describe(percentiles=[.05, .25, .75, .95])# 非数值型特征需要单独调用describe方法df['Physics'].describe()
5. idxmax & nlargest
idxmax函数返回最大值对应的索引,在某些情况下特别适用,idxmin功能类似;nlargest函数返回前几个大的元素值,nsmallest功能类似,需要指定具体列
df['Math'].idxmax()df['Math'].max()df['Math'].nlargest(2)
6. clip & replace
clip和replace是两类替换函数:
clip是对超过或者低于某些值的数进行截断,numpy.clip(a, a_min, a_max, out=None)
replace是对某些值进行替换
df['Math'].head()
# 低于33的全都显示为33, 高于80的全都显示为80
df['Math'].clip(33,80).head()
df['Math'].mad()
df['Address'].head()
df['Address'].replace(['street_1','street_2'],['one','two']).head()
# 还可以通过字典方式修改
df.replace({'Address':{'street_1':'one','street_2':'two'}}).head(
7. apply
apply和匿名函数 lambda结合使用,可以很方便的进行一些数据处理。对于Series,它可以迭代每一列的值(行)操作;对于DataFrame,它可以迭代每一个列操作。
# 遍历Math列中的所有值,添加!df['Math'].apply(lambda x:str(x)+'!').head() # 先是遍历所有列,然后遍历每列的所有的值,添加!df.apply(lambda x:x.apply(lambda x:str(x)+'!')).head()
排序
1. 索引排序
#set_index函数可以设置索引,将在下一章详细介绍df.set_index('Math').head() #可以设置ascending参数,默认为升序,Truedf.set_index('Math').sort_index().head()
2. 值排序
df.sort_values(by='Class').head()df.sort_values(by=['Address','Height']).head()
问题及练习
问题
1. Series和DataFrame有哪些常见属性和方法?
Series
属性方法 | 说明 |
s.values | 访问s的内容 |
s.index | 获取s的索引 |
s.iteritems() | 获取索引和值对 |
s.dtype | 获取s的数据类型 |
s[‘a’] | 根据索引访问元素 |
DataFrame
属性方法 | 说明 |
df.index | 访问行索引 |
df.columns | 访问列索引 |
df.values | 访问数据 |
df.shape | 获取df的数据形状 |
2. value_counts会统计缺失值吗?
答:value_counts不会统计缺失值。
3. 与idxmax和nlargest功能相反的是哪两组函数?
答:idxmin和nsmallest。
4. 在常用函数一节中,由于一些函数的功能比较简单,因此没有列入,现在将它们列在下面,请分别说明它们的用途并尝试使用。
5. df.mean(axis=1)是什么意思?它与df.mean()的结果一样吗?第一问提到的函数也有axis参数吗?怎么使用?
答:df.mean(axis=1)意思是对df按列求均值;axis = 0表示保持列标签不变,对行进行操作;axis = 1表示保持行标签不变,对列进行操作。
练习
练习1:
现有一份关于美剧《权力的游戏》剧本的数据集,请解决以下问题:
(a)在所有的数据中,一共出现了多少人物?
(b)以单元格计数(即简单把一个单元格视作一句),谁说了最多的话?
(c)以单词计数,谁说了最多的单词?
import pandas as pddf = pd.read_csv('data/Game_of_Thrones_Script.csv')df.head()df['Name'].nunique()df['Name'].value_counts()
练习2:
现有一份关于科比的投篮数据集,请解决如下问题:
(a)哪种action_type和combined_shot_type的组合是最多的?
(b)在所有被记录的game_id中,遭遇到最多的opponent是一个支?
import pandas as pddf = pd.read_csv('data/Kobe_data.csv',index_col='shot_id')df.head()pd.Series(list(zip(df['action_type'],df['combined_shot_type']))).value_counts()df.groupby('game_id')['opponent'].unique().astype('str').value
标签:index,head,df,DataFrame,入门篇,快乐,pd,csv,Pandas 来源: https://blog.51cto.com/15080014/2619989
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。