码迷,mamicode.com
首页 > 其他好文 > 详细

Pandas的使用

时间:2020-01-04 20:32:49      阅读:87      评论:0      收藏:0      [点我收藏+]

标签:art   展开   imei   外连接   main   desc   dex   stop   数据集   

一、Pandas基础

Pandas是基于NumPy的一套数据分析工具,该工具是为了解决数据分析任务而创建的,所以它至少有以下特点或用途:

  • 基于NumPy,提供了矩阵运算
  • 强大的分析结构化数据的工具集
  • 提供数据清洗功能

(一)数据结构

1、Series

是带标签的一维数组,可存储整数、浮点数、字符串、Python 对象等类型的数据。轴标签统称为索引。调用 pd.Series 函数即可创建 Series,所以它有以下特点:

  • 类似一维数组的对象
  • 可通过list或者dict构建Series
  • 由数据和索引组成(索引在左,数据在右;索引是自动创建的)
#通过list创建Series数据核结构
>>> ser_obj = pd.Series(range(5))
>>> type(ser_obj)
<class pandas.core.series.Series>
>>> ser_obj
0    0
1    1
2    2
3    3
4    4
dtype: int64

>>> pd.Series([0,1,2,3,4])
0    0
1    1
2    2
3    3
4    4
dtype: int64

#通过values和index方法获取数据和索引
>>> ser_obj.index
RangeIndex(start=0, stop=5, step=1) #获取索引对象,可通过迭代获取每一个值
>>> index_obj = ser_obj.index
>>> index_obj[0]
0
>>> values_obj = ser_obj.values
>>> values_obj
array([0, 1, 2, 3, 4], dtype=int64) #获取值组成的数组
>>>

#通过head方法预览数据
>>> ser_obj.head() #所有数据
0    0
1    1
2    2
3    3
4    4
dtype: int64
>>> ser_obj.head(2) #前两行
0    0
1    1

#通过索引获取数据
>>> ser_obj[1]
1
>>>

#通过字典构建Series
>>> ser_obj = pd.Series({a:1,b:2})
>>> ser_obj
a    1
b    2

#Series支持name属性
>>> ser_obj = pd.Series(np.random.randn(5),name=he)
>>> ser_obj.name
he

 2、DataFrame

  DataFrame 是由多种类型的列构成的二维标签数据结构,类似于 Excel 、SQL 表,或 Series 对象构成的字典。DataFrame 是最常用的 Pandas 对象,与 Series 一样,DataFrame 支持多种类型的输入数据:

  • 一维 ndarray、列表、字典、Series 字典
  • 二维 numpy.ndarray
  • SeriesDataFrame

所以,总的来说它具有以下特点:

  • 类似多维数组/表格数据
  • 每列数据可以是不同的类型
  • 索引包括列索引和行索引

DataFrame 的构建:

#通过ndarray构建DataFrame
>>> array = np.arange(12).reshape(3,4)
>>> array
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> df_obj = pd.DataFrame(array)
>>> df_obj.head()
   0  1   2   3
0  0  1   2   3
1  4  5   6   7

#通过字典构建DataFrame
>>> d = {one:[1,2,3],two:[4,5,6]}
>>> df = pd.DataFrame(d)
>>> df
   one  two
0    1    4
1    2    5
2    3    6
>>>

>>> d = {one:[1,2,3],two:[4,5,6]}
>>> df = pd.DataFrame(d,index=[a,b,c])
>>> df
   one  two
a    1    4
b    2    5
c    3    6
>>>

#通过Series构建DataFrame
>>> d = {one:pd.Series([1,2,3],index=[a,b,c]),two:pd.Series([4,5,6],in
dex=[a,b,c])}
>>> df = pd.DataFrame(d)
>>> df
   one  two
a    1    4
b    2    5
c    3    6
>>>

操作DataFrame中的数据:

#通过列索引获取列数据(Series类型 ),df[col_idx] 或 df.col_idx
>>> d = {one:[1,2,3],two:[4,5,6]}
>>> df = pd.DataFrame(d)
>>> df
   one  two
0    1    4
1    2    5
2    3    6
>>> df[one]
0    1
1    2
2    3
Name: one, dtype: int64
>>> type(df[one])
<class pandas.core.series.Series>

#增加列数据,类似dict添加key-value,df[new_col_idx] = data
>>> df[three] = [7,8,9]
>>> df
   one  two  three
0    1    4      7
1    2    5      8
2    3    6      9


#删除列 del df[col_idx] 
>>> del df[three]
>>> df
   one  two
0    1    4
1    2    5
2    3    6
>>>

索引对象Index:

#构建DataFrame
>>> d = {one:[1,2,3],two:[4,5,6]}
>>> df = pd.DataFrame(d)
>>> df
   one  two
0    1    4
1    2    5
2    3    6
#取出索引对象
>>> df.index
RangeIndex(start=0, stop=3, step=1)
>>> type(df.index)
<class pandas.core.indexes.range.RangeIndex>
>>>

可以看出Pandas中的索引对象有以下特点:

  • Series和DataFrame中的索引都是Index对象
  • 不可变(immutable) (保证数据的安全性)
  • 常见的Index对象的种类(Index,Int64Index,MultiIndex,DatetimeIndex)

(二)数据操作

 1、索引操作

  Pandas的索引可归纳为3种,分别为:.loc,标签索引;.iloc,位置索引;.ix,标签与位置混合索引(先按标签索引操作,然后再按位置索引操作)。值得注意的是DataFrame中的索引操作可按照NumPy中的ndarray进行操作。

  位置索引不包含末尾的切片索引,但是标签索引包含末尾的切片索引。

  • Series索引操作
>>> import pandas as pd
>>> ser_obj = pd.Series(range(5),index=[a,b,c,d,e])
>>> ser_obj.head()
a    0
b    1
c    2
d    3
e    4
dtype: int64
#行索引
>>> ser_obj[b] #标签索引
1 
>>> ser_obj[1] #位置索引
1
#切片索引
>>> ser_obj[a:c] #标签索引
a    0
b    1
c    2
dtype: int64
>>> ser_obj[0:2]
a    0
b    1
dtype: int64
#不连续索引
>>> ser_obj[[0,2]]
a    0
c    2
dtype: int64
>>> ser_obj[[a,c]]
a    0
c    2
dtype: int64
>>>

#布尔索引,按照位置索引,将满足的位置的数据取出
>>> ser_bool = ser_obj > 2
>>> ser_bool
a    False
b    False
c    False
d     True
e     True
dtype: bool
>>> ser_obj[ser_bool]
d    3
e    4
dtype: int64
>>>
  • DataFrame索引操作
>>> df_obj = pd.DataFrame(np.random.rand(3,4))
>>> df_obj
          0         1         2         3
0  0.083639  0.773814  0.385009  0.067200
1  0.135069  0.286290  0.359994  0.204416
2  0.642119  0.830445  0.908530  0.483679
>>> df_obj = pd.DataFrame(np.random.rand(3,4),columns=[a,b,c,d])
>>> df_obj
          a         b         c         d
0  0.876338  0.753406  0.098060  0.896880
1  0.245380  0.769202  0.212327  0.296384
2  0.892388  0.739253  0.173457  0.996446

#列索引
>>> df_obj[a] # 返回Series类型
0    0.876338
1    0.245380
2    0.892388
Name: a, dtype: float64

#不连续列索引
>>> df_obj[[a,c]]
          a         c
0  0.876338  0.098060
1  0.245380  0.212327
2  0.892388  0.173457
>>>
  • 三种索引方式
##############1、Series#################
>>> ser_obj
a    0
b    1
c    2
d    3
e    4
dtype: int64
>>>
#(1)标签索引loc
>>> ser_obj[b:d]
b    1
c    2
d    3
dtype: int64

>>> ser_obj.loc[b:d]
b    1
c    2
d    3
dtype: int64

#(2)位置索引iloc
>>> ser_obj[1:3]
b    1
c    2
dtype: int64

>>> ser_obj.iloc[1:3]
b    1
c    2
dtype: int64
#(3)混合索引ix
>>> ser_obj.ix[1:3]
b    1
c    2
dtype: int64
>>> ser_obj.ix[b:c]
b    1
c    2
dtype: int64

##############2、DataFrame#################
>>> df_obj
          a         b         c         d
0  0.876338  0.753406  0.098060  0.896880
1  0.245380  0.769202  0.212327  0.296384
2  0.892388  0.739253  0.173457  0.996446
>>>
#(1)标签索引loc
>>> df_obj[a]
0    0.876338
1    0.245380
2    0.892388
Name: a, dtype: float64
>>> df_obj.loc[0:2,a]
0    0.876338
1    0.245380
2    0.892388
Name: a, dtype: float64
>>>
#(2)位置索引iloc
>>> df_obj.iloc[0:2,0]
0    0.876338
1    0.245380
Name: a, dtype: float64
#(3)混合索引ix 
>>> df_obj.ix[0:2,0]  #先按标签索引尝试操作,然后再按位置索引尝试操作
0    0.876338
1    0.245380
2    0.892388
Name: a, dtype: float64

2、运算与对齐

  • 按索引对齐运算,没对齐的位置补NaN(Series 按行索引对齐;DataFrame按行,列索引对齐)
  • 填充未对齐的数据进行运算(使用add, sub, div, mul;同时通过fill_value指定填充值)
  • 填充NaN(通过fillna进行填充)
###############按照索引对齐运算############
#Series对齐运算
>>> s1 = pd.Series(np.arange(10))
>>> s1
0    0
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int32
>>> s2 = pd.Series(range(5))
>>> s2
0    0
1    1
2    2
3    3
4    4
dtype: int64
>>> s1+s2 #进行求和运算
0    0.0
1    2.0
2    4.0
3    6.0
4    8.0
5    NaN
6    NaN
7    NaN
8    NaN
9    NaN
dtype: float64
>>>

#DataFrame对齐运算
>>> df1 = pd.DataFrame(np.random.rand(3,2),columns=[a,b])
>>> df1
          a         b
0  0.312066  0.913311
1  0.562698  0.055995
2  0.917202  0.876010

>>> df2 = pd.DataFrame(np.arange(12).reshape(2,6),columns=[a,b,c,d,e,f])
>>> df2
   a  b  c  d   e   f
0  0  1  2  3   4   5
1  6  7  8  9  10  11

>>> df1+df2 #进行求和运算
          a         b   c   d   e   f
0  0.010841  1.715210 NaN NaN NaN NaN
1  6.967361  7.151983 NaN NaN NaN NaN
2       NaN       NaN NaN NaN NaN NaN
>>>

###############填充未对齐的数据进行运算##
###Series运算
>>> s1
0    0
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int32
>>> s2
0    0
1    1
2    2
3    3
4    4
dtype: int64
>>> s1.add(s2,fill_value=1)
0     0.0
1     2.0
2     4.0
3     6.0
4     8.0
5     6.0
6     7.0
7     8.0
8     9.0
9    10.0
dtype: float64
>>>

##DataFrame运算
>>> df1
          a         b
0  0.010841  0.715210
1  0.967361  0.151983
2  0.652059  0.857662
>>> df2
   a  b  c  d   e   f
0  0  1  2  3   4   5
1  6  7  8  9  10  11
>>> df1.div(df2,fill_value=1)
          a         b      c         d     e         f
0       inf  0.715210  0.500  0.333333  0.25  0.200000
1  0.161227  0.021712  0.125  0.111111  0.10  0.090909
2  0.652059  0.857662    NaN       NaN   NaN       NaN

###############填充NaN##
>>> s3=s1+s2
>>> s3
0    0.0
1    2.0
2    4.0
3    6.0
4    8.0
5    NaN
6    NaN
7    NaN
8    NaN
9    NaN
dtype: float64
>>> s3.fillna(1)  #用1进行填充
0    0.0
1    2.0
2    4.0
3    6.0
4    8.0
5    1.0
6    1.0
7    1.0
8    1.0
9    1.0
dtype: float64
>>>

3、函数应用

  • 使用NumPy的ufunc函数
#使用NumPy的ufunc函数
>>> df = pd.DataFrame(np.arange(12).reshape(6,2))
>>> df
    0   1
0   0   1
1   2   3
2   4   5
3   6   7
4   8   9
5  10  11

>>> np.cos(df)
          0         1
0  1.000000  0.540302
1 -0.416147 -0.989992
2 -0.653644  0.283662
3  0.960170  0.753902
4 -0.145500 -0.911130
5 -0.839072  0.004426
>>>
  • 通过apply将函数应用到行或列上(注意指定轴的方向,默认axis=0)
>>> df
    0   1
0   0   1
1   2   3
2   4   5
3   6   7
4   8   9
5  10  11

>>> df.apply(lambda x : x.max())
0    10
1    11
dtype: int64
>>> df.apply(lambda x : x.max(),axis=1) #指定轴的方向
0     1
1     3
2     5
3     7
4     9
5    11
dtype: int64
>>>
  • 通过applymap将函数应用到每个数据上
>>> df
    0   1
0   0   1
1   2   3
2   4   5
3   6   7
4   8   9
5  10  11

>>> df.applymap(lambda x : x if x%2 ==0 else 0) #应用到每一个元素
    0  1
0   0  0
1   2  0
2   4  0
3   6  0
4   8  0
5  10  0
>>>

4、排序

  • 索引排序(sort_index)

在对DataFrame操作时注意轴的方向

########Series类型########
>>> ser_obj = pd.Series(np.arange(10),index=np.random.randint(10,size=10))
>>> ser_obj
5    0
0    1
1    2
5    3
8    4
6    5
5    6
3    7
6    8
6    9
dtype: int32
>>> ser_obj.sort_index()
0    1
1    2
3    7
5    0
5    3
5    6
6    5
6    8
6    9
8    4
dtype: int32
>>>
########DataFrame类型########
>>> df = pd.DataFrame(np.random.rand(5,6),index=np.random.randint(5,size=5),co
mns=np.random.randint(6,size=6))
>>> df
          1         3         5         4         2         1
1  0.606201  0.771622  0.883784  0.014313  0.841963  0.917798
1  0.532707  0.001340  0.098712  0.412165  0.593807  0.455049
0  0.920531  0.470740  0.735235  0.400583  0.440331  0.168443
1  0.823637  0.436724  0.180092  0.313742  0.979541  0.543043
0  0.905565  0.835106  0.802815  0.275947  0.051905  0.710654
>>> df.sort_index()
          1         3         5         4         2         1
0  0.920531  0.470740  0.735235  0.400583  0.440331  0.168443
0  0.905565  0.835106  0.802815  0.275947  0.051905  0.710654
1  0.606201  0.771622  0.883784  0.014313  0.841963  0.917798
1  0.532707  0.001340  0.098712  0.412165  0.593807  0.455049
1  0.823637  0.436724  0.180092  0.313742  0.979541  0.543043
>>> df.sort_index(axis=1) #指定轴方向
          1         1         2         3         4         5
1  0.606201  0.917798  0.841963  0.771622  0.014313  0.883784
1  0.532707  0.455049  0.593807  0.001340  0.412165  0.098712
0  0.920531  0.168443  0.440331  0.470740  0.400583  0.735235
1  0.823637  0.543043  0.979541  0.436724  0.313742  0.180092
0  0.905565  0.710654  0.051905  0.835106  0.275947  0.802815
>>>

>>> df.sort_index(axis=1,ascending=False) #索引降序
          5         4         3         2         1         1
1  0.883784  0.014313  0.771622  0.841963  0.606201  0.917798
1  0.098712  0.412165  0.001340  0.593807  0.532707  0.455049
0  0.735235  0.400583  0.470740  0.440331  0.920531  0.168443
1  0.180092  0.313742  0.436724  0.979541  0.823637  0.543043
0  0.802815  0.275947  0.835106  0.051905  0.905565  0.710654
>>>
  • 值排序(sort_values)

sort_values(by=‘label’),其中参数by是按照标签名进行排序

>>> df
          1         3         5         4         2         1
1  0.606201  0.771622  0.883784  0.014313  0.841963  0.917798
1  0.532707  0.001340  0.098712  0.412165  0.593807  0.455049
0  0.920531  0.470740  0.735235  0.400583  0.440331  0.168443
1  0.823637  0.436724  0.180092  0.313742  0.979541  0.543043
0  0.905565  0.835106  0.802815  0.275947  0.051905  0.710654

>>> df.sort_values(by=2)  #按照label为2进行排序
          1         3         5         4         2         1
0  0.905565  0.835106  0.802815  0.275947  0.051905  0.710654
0  0.920531  0.470740  0.735235  0.400583  0.440331  0.168443
1  0.532707  0.001340  0.098712  0.412165  0.593807  0.455049
1  0.606201  0.771622  0.883784  0.014313  0.841963  0.917798
1  0.823637  0.436724  0.180092  0.313742  0.979541  0.543043
>>>

5、处理缺失数据

  •  判断是否存在缺失值

可通过ser.isnull()、df.isnull()判断是否存在缺失数据

#判断Series中是否有缺失数据
>>> ser = pd.Series([1,np.nan,2,3])
>>> ser
0    1.0
1    NaN
2    2.0
3    3.0
dtype: float64
>>> ser.isnull()
0    False
1     True
2    False
3    False
dtype: bool
>>>

#判断DataFrame中是否有缺失数据
>>> df = pd.DataFrame([np.random.randint(3,size=3),[1,np.nan,2],[3,np.nan,7]],in
dex=[a,b,c])
>>> df
   0    1  2
a  0  1.0  1
b  1  NaN  2
c  3  NaN  7
>>> df.isnull()
       0      1      2
a  False  False  False
b  False   True  False
c  False   True  False
>>>
  • 丢弃缺失数据(dropna)
>>> df.dropna
<bound method DataFrame.dropna of    0    1  2
a  0  1.0  1
b  1  NaN  2
c  3  NaN  7>
>>> df.dropna()
   0    1  2
a  0  1.0  1
>>> df.dropna(axis=1) #凡是某一行中有缺失的数据的列丢弃
   0  2
a  0  1
b  1  2
c  3  7
>>> df.dropna(axis=0) #凡是某一列中有缺失的数据的行丢弃
   0    1  2
a  0  1.0  1
>>>
  • 填充缺失数据(fillna)
>>> df
   0    1  2
a  0  1.0  1
b  1  NaN  2
c  3  NaN  7
>>> df.fillna(10)
   0     1  2
a  0   1.0  1
b  1  10.0  2
c  3  10.0  7

二、Pandas进阶

(一)统计计算和描述

方法

说明

count

非NA值得数量

describe

针对Series或DataFrame列计算汇总统计

min、max

计算最小值和最大值

argmin、argmax

计算能够获取到的最小值和最大值的索引位置(整数)

idxmin、idmax

计算能够获取到的最小值和最大值的索引值

quantile

计算样本的分位数(0到1)

sum

值得总和

mean

值得平均数

median

值的算术中位数

mad

根据平均值计算平均绝对离差

var

样本值得方差

std

样本值得标准差

skew

样本值的偏度(三阶矩)

kurt

样本值的峰度(四阶矩)

cumsum

样本值得累计和

cummin、cummax

样本值得累计最大值和累积最小值

cumprod

样本值得累计积

diff

计算一阶差分(一般用于时间序列)

pct_change

计算百分数变化

1、常用的统计计算

  • sum, mean, max, min
  • axis=0 按列统计,axis=1按行统计
  • skipna 排除缺失值, 默认为True
  • idmax, idmin, cumsum
>>> df_obj = pd.DataFrame(np.random.rand(3,4),columns=[a,b,c,d])
>>> df_obj
          a         b         c         d
0  0.123562  0.201605  0.823654  0.419873
1  0.402363  0.431577  0.134377  0.898711
2  0.019123  0.728064  0.548855  0.035298
>>> df_obj.sum()
a    0.545049
b    1.361245
c    1.506887
d    1.353882
dtype: float64
>>> df_obj.max()
a    0.402363
b    0.728064
c    0.823654
d    0.898711
dtype: float64
>>> df_obj.min()
a    0.019123
b    0.201605
c    0.134377
d    0.035298
dtype: float64
>>> df_obj.mean()
a    0.181683
b    0.453748
c    0.502296
d    0.451294
dtype: float64
>>> df_obj.min(axis=1)
0    0.123562
1    0.134377
2    0.019123
dtype: float64
>>>

2、统计描述

  •  describe 产生多个统计数据
>>> df_obj = pd.DataFrame(np.random.rand(3,4),columns=[a,b,c,d])
>>> df_obj
          a         b         c         d
0  0.494064  0.188160  0.767935  0.939915
1  0.094445  0.183256  0.683518  0.058220
2  0.380939  0.350230  0.645671  0.190707
>>> df_obj.describe()
              a         b         c         d
count  3.000000  3.000000  3.000000  3.000000
mean   0.323149  0.240549  0.699041  0.396281
std    0.205982  0.095019  0.062593  0.475439
min    0.094445  0.183256  0.645671  0.058220
25%    0.237692  0.185708  0.664594  0.124464
50%    0.380939  0.188160  0.683518  0.190707
75%    0.437502  0.269195  0.725727  0.565311
max    0.494064  0.350230  0.767935  0.939915
>>>

(二)层级索引

 

 

0

1

A

one

3.000000

3.000000

two

0.240549

0.323149

B

one

0.205982

0.095019

two

0.094445

0.183256

  • MultiIndex对象
  • 选取子集(外层选取 ser_obj[‘outer_label’];内层选取 ser_obj[:, ‘inner_label’])
  • 常用于分组操作、透视表的生成等
  • 交换分层顺序(swaplevel())
  • 排序分层(sortlevel())
#创建MultiIndex对象
>>> ser_obj = pd.Series(np.random.randint(4,size=4),index=[[A,A,B,B],[o
ne,two,one,two]])
>>> ser_obj
A  one    2
   two    2
B  one    2
   two    2
dtype: int32

#选取子集
>>> ser_obj[A] #外层选取
one    2
two    2
dtype: int32
>>> ser_obj[:,two] #内层选取
A    2
B    2
dtype: int32
>>>

#交换分层
>>> ser_obj.swaplevel()
one  A    2
two  A    2
one  B    2
two  B    2
dtype: int32
>>>

#交换并排序分层
>>> ser_obj.swaplevel().sortlevel()
__main__:1: FutureWarning: sortlevel is deprecated, use sort_index(level=...)
one  A    2
     B    2
two  A    2
     B    2
dtype: int32

(三)分组(groupby)

对数据集进行分组,然后对每组进行统计分析,分组步骤如下:

  • 拆分(split):进行分组的根据
  • 应用(apply):每个分组运行的计算规则
  • 合并(combine):把每个分组的计算结果合并起来

                         技术图片

1、GroupBy对象属性

  • GroupBy对象:DataFrameGroupBy,SeriesGroupBy
  • GroupBy对象没有进行实际运算,只是包含分组的中间数据
  • GroupBy对象进行分组运算/多重分组运算,如mean(),sum();注意非数值数据不进行分组运算
  • size() 返回每个分组的元素个数

源数据:

>>> import pandas as pd
>>> import numpy as np
>>> dict_obj = {k1:[a,b,c,a,b],d1:np.random.randn(5)}
>>> df_obj = pd.DataFrame(dict_obj)
>>> df_obj
         d1 k1
0 -0.716924  a
1 -1.533428  b
2  1.452550  c
3  0.586476  a
4  0.586688  b
>>>

dataframe根据k1进行分组:

#DataFrameGroupBy 对象
>>> df_obj.groupby(k1)
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x0000000004CEFC18>
>>> df_obj.groupby(k1)
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x0000000004CEFD30>
>>> type(df_obj.groupby(k1))
<class pandas.core.groupby.groupby.DataFrameGroupBy>

dataframe某一列根据k1进行分组:

#SeriesGroupBy对象
>>> df_obj
         d1 k1
0 -0.716924  a
1 -1.533428  b
2  1.452550  c
3  0.586476  a
4  0.586688  b
>>> df_obj[d1].groupby(df_obj[k1])
<pandas.core.groupby.groupby.SeriesGroupBy object at 0x0000000004D01710>
>>> type(df_obj[d1].groupby(df_obj[k1]))
<class pandas.core.groupby.groupby.SeriesGroupBy>
>>>

分组运算:

>>> df_obj
         d1 k1
0 -0.716924  a
1 -1.533428  b
2  1.452550  c
3  0.586476  a
4  0.586688  b
>>> df_obj.groupby(k1)
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x0000000004CF94A8>
#分组求均值
>>> df_obj.groupby(k1).mean()
          d1
k1
a  -0.065224
b  -0.473370
c   1.452550
#分组求和
>>> df_obj.groupby(k1).sum()
          d1
k1
a  -0.130448
b  -0.946740
c   1.452550
>>>
#分组中的每一组元素个数
>>> df_obj.groupby(k1).size()
k1
a    2
b    2
c    1
dtype: int64
>>>

2、分组的依据

  • 按列名分组(obj.groupby(‘label’))
  • 按列名多层分组(obj.groupby([‘label1’, ‘label2’])->多层dataframe)
  • 按自定义的key分组(obj.groupby(self_def_key);自定义的key可为列表或多层列表)
  • unstack可以将多层索引的结果转换成单层的dataframe
  • 其它分组依据(按列分组、字典分组、函数分组,函数传入的参数为行索引或列索引、索引级别)
>>> df_obj
         d1 k1
0 -0.716924  a
1 -1.533428  b
2  1.452550  c
3  0.586476  a
4  0.586688  b

#按列名分组
>>> df_obj.groupby(k1)
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x0000000004CF94A8>

#按列分组
>>> df_obj.dtypes
d1    float64
k1     object
dtype: object
>>>

#按数据类型分组
>>> df_obj.dtypes
d1    float64
k1     object
dtype: object
>>> df_obj.groupby(df_obj.dtypes,axis=1)
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x0000000004CEF748>
>>> df_obj.groupby(df_obj.dtypes,axis=1).size()
float64    1
object     1
dtype: int64

3、GroupBy对象操作

  • GroupBy对象支持迭代操作

每次迭代返回一个元组 (group_name, group_data),可用于分组数据的具体运算。

>>> df_obj
         d1 k1
0 -0.716924  a
1 -1.533428  b
2  1.452550  c
3  0.586476  a
4  0.586688  b
>>> grouped1 = df_obj.groupby(k1)
>>> grouped1
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x0000000004CF9BE0>
>>> for group_name,group_data in grouped1:
...     print(group_name)
...     print(group_data)
...
a
         d1 k1
0 -0.716924  a
3  0.586476  a
b
         d1 k1
1 -1.533428  b
4  0.586688  b
c
        d1 k1
2  1.45255  c
>>>
  • GroupBy对象可以转换成列表或字典
>>> df_obj
         d1 k1
0 -0.716924  a
1 -1.533428  b
2  1.452550  c
3  0.586476  a
4  0.586688  b
>>> grouped1 = df_obj.groupby(k1)
>>> grouped1
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x0000000004CF9BE0>
>>> list(grouped1)  #转成列表
[(a,          d1 k1
0 -0.716924  a
3  0.586476  a), (b,          d1 k1
1 -1.533428  b
4  0.586688  b), (c,         d1 k1
2  1.45255  c)]
>>>
>>> dict(list(grouped1)) #转成字典
{b:          d1 k1
1 -1.533428  b
4  0.586688  b, c:         d1 k1
2  1.45255  c, a:          d1 k1
0 -0.716924  a
3  0.586476  a}
>>>

(四)聚合(aggregation)

1、常用聚合函数

聚合常用于对分组后的数据进行计算,常见的聚合函数如下:

函数名

说明

count

分组中非NA值得数量

sum

非NA值的和

mean

非NA值得平均值

median

非NA值得算术中位数

std、var

无偏(分母为n-1)标准差和方差

min、max

非NA值得最小值和最大值

Prod

非NA值得积

first、last

第一个和最后一个非NA值

#内置聚合函数
>>> import pandas as pd
>>> import numpy as np

>>> dict_obj = {k1:[a,b,c,a,b],d1:np.random.randn(5)}
>>> df_obj = pd.DataFrame(dict_obj)
>>> df_obj
         d1 k1
0  1.688729  a
1 -0.187755  b
2  0.900189  c
3 -0.105254  a
4  0.133984  b

>>> df_obj.groupby(k1) #以k1进行分组
<pandas.core.groupby.groupby.DataFrameGroupBy object at 0x000000000470C8D0>

>>> df_obj.groupby(k1).sum()  #求和
          d1
k1
a   1.583474
b  -0.053770
c   0.900189
>>> df_obj.groupby(k1).mean() #均值
          d1
k1
a   0.791737
b  -0.026885
c   0.900189

>>> df_obj.groupby(k1).describe()
      d1                        ...
   count      mean       std    ...          50%       75%       max
k1                              ...
a    2.0  0.791737  1.268538    ...     0.791737  1.240233  1.688729
b    2.0 -0.026885  0.227504    ...    -0.026885  0.053550  0.133984
c    1.0  0.900189       NaN    ...     0.900189  0.900189  0.900189

[3 rows x 8 columns]
>>> df_obj.groupby(k1).first()
          d1
k1
a   1.688729
b  -0.187755
c   0.900189
>>> df_obj.groupby(k1).last()
          d1
k1
a  -0.105254
b   0.133984
c   0.900189
>>> df_obj.groupby(k1).prod()
          d1
k1
a  -0.177746
b  -0.025156
c   0.900189
>>>

2、自定义聚合函数

当然还可以自定义聚合函数,传入agg方法中:

  • grouped.agg(func)
  • func的参数为groupby索引对应的记录
#源数据
>>> dict_obj = {k1:[a,b,c,a,b],d1:np.random.randn(5)}
>>> df_obj = pd.DataFrame(dict_obj)
>>> df_obj
         d1 k1
0  1.688729  a
1 -0.187755  b
2  0.900189  c
3 -0.105254  a
4  0.133984  b

#自定义聚合函数,对每一组中的数据进行处理,注意传入的是每一组数据

>>> def peak_range(df):     #对每一组数据中的最大值和最小值求差值,df为索引对应的记录
...     return df.max()-df.min()
...
>>> df_obj.groupby(k1).agg(peak_range)
          d1
k1
a   1.793983
b   0.321739
c   0.000000
>>>

#另一种直接使用lambda函数
>>> df_obj.groupby(k1).agg(lambda df : df.max() - df.min())

3、应用多个聚合函数

  • 同时应用多个函数进行聚合操作,使用函数列表
  • 对不同的列分别作用不同的聚合函数,使用dict
#使用函数列表
>>> df_obj
         d1 k1
0  1.688729  a
1 -0.187755  b
2  0.900189  c
3 -0.105254  a
4  0.133984  b

>>> df_obj.groupby(k1).agg([mean,count,peak_range])
          d1
        mean count peak_range
k1
a   0.791737     2   1.793983
b  -0.026885     2   0.321739
c   0.900189     1   0.000000
>>>

>>> df_obj.groupby(k1).agg([mean,count,(range,peak_range)]) #通过元祖提供别名
          d1
        mean count     range
k1
a   0.791737     2  1.793983
b  -0.026885     2  0.321739
c   0.900189     1  0.000000
>>>

#通过字典作用于不同列的函数
>>> dict_mapping = {d1:sum}
>>> df_obj.groupby(k1).agg(dict_mapping)
          d1
k1
a   1.583474
b  -0.053770
c   0.900189
>>>

>>> dict_mapping = {d1:[sum,max,min]}
>>> df_obj.groupby(k1).agg(dict_mapping)
          d1
         sum       max       min
k1
a   1.583474  1.688729 -0.105254
b  -0.053770  0.133984 -0.187755
c   0.900189  0.900189  0.900189
>>>

4、分组聚合运算后保持shape

  • 源数据
>>> df_obj
         d1 k1
0  1.688729  a
1 -0.187755  b
2  0.900189  c
3 -0.105254  a
4  0.133984  b
>>> df_obj.groupby(k1).agg(sum).add_prefix(func_)
     func_d1
k1
a   1.583474
b  -0.053770
c   0.900189
>>>
  • 方法一 merge外连接
>>> k1_func = df_obj.groupby(k1).agg(sum).add_prefix(func_)
>>> pd.merge(df_obj,k1_func,left_on=k1,right_index=True)
         d1 k1   func_d1
0  1.688729  a  1.583474
3 -0.105254  a  1.583474
1 -0.187755  b -0.053770
4  0.133984  b -0.053770
2  0.900189  c  0.900189
  • 方法二 transform
>>> k1_func = df_obj.groupby(k1).transform(np.sum).add_prefix(func_)
>>> df_obj[k1_func.columns] = k1_func
>>> df_obj
         d1 k1   func_d1
0  1.688729  a  1.583474
1 -0.187755  b -0.053770
2  0.900189  c  0.900189
3 -0.105254  a  1.583474
4  0.133984  b -0.053770
>>>

 另外,tansform也可以传入自定义函数:

>>> df_obj
         d1 k1   func_d1
0  1.688729  a  1.583474
1 -0.187755  b -0.053770
2  0.900189  c  0.900189
3 -0.105254  a  1.583474
4  0.133984  b -0.053770

#自定义函数
>>> def peak_range(df):
...     return df.max()-df.min()
...
>>> df_obj.groupby(k1).transform(peak_range)
         d1  func_d1
0  1.793983      0.0
1  0.321739      0.0
2  0.000000      0.0
3  1.793983      0.0
4  0.321739      0.0

三、Pandas高级

(一)数据清洗

数据清洗是将重复、多余的数据筛选清除,将缺失的数据补充完整,将错误的数据纠正或者删除,最后整理成为可以进一步加工、使用的数据。

数据清洗的步骤:

  • 分析数据
  • 缺失值处理
  • 异常值处理
  • 去重处理
  • 噪音数据处理

常见使用的方法:

  • 填充缺失值(pd.fillna())
  • 删除缺失值(pd.dropna())

(二)数据连接

根据单个或多个键将不同DataFrame的行连接起来,可使用pd.merge()方法来实现,该方法默认的是将不同DataFrame重叠列的列名作为”外键“进行连接:

  • on显示指定“外键”
  • left_on,左侧数据的“外键”
  • right_on,右侧数据的“外键”

该方法默认的是“内连接”(inner),即结果中的键是交集。

pd.merge()方法参数说明:

参数

说明

left

参与合并的左侧DataFrame

right

参与合并的右侧DataFrame

how

“inner”、”outer”、”left”、”right”,默认为”inner”

on

用于连接的列名。必须存在于左右两个DataFrame对象中,默认为left和right列名的交集作为连接键。

left_on

左侧DataFrame用作连接键的列

right_on

右侧DataFrame用作连接键的列

left_index

将左侧的行索引用作其连接键

right_index

将右侧的行索引用作其连接键

sort

根据连接键对合并后的数据进行排序,默认为True

suffixes

字符串值元祖,用于追加到重叠列名的末尾,默认为(”_x”,”_y”)。例如,如果左右两个DataFrame对象都有”data”,则结果就会出现”data_x”和“data_y”

copy

设置为False,可以避免将数据复制到结果数据结构中,默认是复制。

1、默认的方式重叠列连接

>>> import pandas as pd
>>> import numpy as np
>>> df_obj1 = pd.DataFrame({k:[a,b,a,c,a,b],d1:np.arange(10,16)}
)
>>> df_obj1
   d1  k
0  10  a
1  11  b
2  12  a
3  13  c
4  14  a
5  15  b

>>> df_obj2 = pd.DataFrame({k:[a,b,a,b],d1:np.random.randint(0,15,4)
})
>>> df_obj2
   d1  k
0  13  a
1  14  b
2   7  a
3  10  b

# 默认将重叠列的列名作为“外键”进行连接
>>> pd.merge(df_obj1,df_obj2)
   d1  k  d2
0  10  a  14
1  10  a   4
2  12  a  14
3  12  a   4
4  14  a  14
5  14  a   4
6  11  b  10
7  11  b   9
8  15  b  10
9  15  b   9

#指定连接的外键
>>> pd.merge(df_obj1,df_obj2,on=k)
   d1  k  d2
0  10  a  14
1  10  a   4
2  12  a  14
3  12  a   4
4  14  a  14
5  14  a   4
6  11  b  10
7  11  b   9
8  15  b  10
9  15  b   9

2、外连接、左连接、右连接

>>> df_obj1
   d1  k
0  10  a
1  11  b
2  12  a
3  13  c
4  14  a
5  15  b
>>> df_obj1=df_obj1.rename(columns={k:k1}) # 更改列名
>>> df_obj1
   d1 k1
0  10  a
1  11  b
2  12  a
3  13  c
4  14  a
5  15  b
>>> df_obj2
   d2  k
0  14  a
1  10  b
2   4  a
3   9  b
>>> df_obj2=df_obj2.rename(columns={k:k2}) # 更改列名
>>> df_obj2
   d2 k2
0  14  a
1  10  b
2   4  a
3   9  b


>>> pd.merge(df_obj1,df_obj2,left_on=k1,right_on=k2)
   d1 k1  d2 k2
0  10  a  14  a
1  10  a   4  a
2  12  a  14  a
3  12  a   4  a
4  14  a  14  a
5  14  a   4  a
6  11  b  10  b
7  11  b   9  b
8  15  b  10  b
9  15  b   9  b
>>>
#外连接
>>> pd.merge(df_obj1, df_obj2, left_on=k1, right_on=k2, how=outer)
    d1 k1    d2   k2
0   10  a  14.0    a
1   10  a   4.0    a
2   12  a  14.0    a
3   12  a   4.0    a
4   14  a  14.0    a
5   14  a   4.0    a
6   11  b  10.0    b
7   11  b   9.0    b
8   15  b  10.0    b
9   15  b   9.0    b
10  13  c   NaN  NaN
#左连接
>>> pd.merge(df_obj1, df_obj2, left_on=k1, right_on=k2, how=left)
    d1 k1    d2   k2
0   10  a  14.0    a
1   10  a   4.0    a
2   11  b  10.0    b
3   11  b   9.0    b
4   12  a  14.0    a
5   12  a   4.0    a
6   13  c   NaN  NaN
7   14  a  14.0    a
8   14  a   4.0    a
9   15  b  10.0    b
10  15  b   9.0    b
#右连接
>>> pd.merge(df_obj1, df_obj2, left_on=k1, right_on=k2, how=right)
   d1 k1  d2 k2
0  10  a  14  a
1  12  a  14  a
2  14  a  14  a
3  10  a   4  a
4  12  a   4  a
5  14  a   4  a
6  11  b  10  b
7  15  b  10  b
8  11  b   9  b
9  15  b   9  b
>>>

3、处理重复列名

>>> df_obj1 = pd.DataFrame({key: [b, b, a, c, a, a, b],
...                         data : np.random.randint(0,10,7)})
>>>
>>> df_obj1
   data key
0     1   b
1     5   b
2     8   a
3     3   c
4     3   a
5     0   a
6     9   b
>>> df_obj2 = pd.DataFrame({key: [a, b, d],
...                         data : np.random.randint(0,10,3)})
>>>
>>> df_obj2
   data key
0     1   a
1     4   b
2     4   d
#处理列名相同使用suffixes参数
>>> pd.merge(df_obj1,df_obj2,on=key,suffixes=(_left,_right))
   data_left key  data_right
0          1   b           4
1          5   b           4
2          9   b           4
3          8   a           1
4          3   a           1
5          0   a           1
>>>

(三)数据合并

 沿轴方向将多个对象合并到一起,使用pd.concat()方法:

  • 注意指定轴方向,默认axis=0
  • join指定合并方式,默认为outer
  • Series合并时查看行索引
  • DataFrame合并时同时查看行索引和列索引

1、NumPy中的concatenate

#numpy中的合并concatenate
>>> import numpy as np
>>> import pandas as pd
>>> arr1 = np.random.randint(0,10,(2,5))
>>> arr2 = np.random.randint(0,10,(3,5))
>>> arr1
array([[6, 4, 0, 5, 4],
       [8, 9, 4, 1, 9]])
>>> arr2
array([[0, 5, 5, 2, 5],
       [4, 2, 2, 5, 6],
       [9, 3, 3, 8, 4]])
>>> np.concatenate([arr1,arr2])
array([[6, 4, 0, 5, 4],
       [8, 9, 4, 1, 9],
       [0, 5, 5, 2, 5],
       [4, 2, 2, 5, 6],
       [9, 3, 3, 8, 4]])
>>>

2、Series中的concat

#1、索引不重复
>>> ser_obj1 = pd.Series(np.random.randint(0,10,5),index=range(5))
>>> ser_obj2 = pd.Series(np.random.randint(0,10,3),index=range(5,8))
>>> ser_obj1
0    0
1    1
2    2
3    9
4    5
dtype: int32
>>> ser_obj2
5    0
6    8
7    0
dtype: int32
#进行合并
>>> pd.concat([ser_obj1,ser_obj2])
0    0
1    1
2    2
3    9
4    5
5    0
6    8
7    0
dtype: int32
>>>
#axis=1
>>> pd.concat([ser_obj1,ser_obj2],axis=1)
     0    1
0  0.0  NaN
1  1.0  NaN
2  2.0  NaN
3  9.0  NaN
4  5.0  NaN
5  NaN  0.0
6  NaN  8.0
7  NaN  0.0
>>>

#2、索引有重复的
>>> ser_obj1 = pd.Series(np.random.randint(0,10,5),index=range(5))
>>> ser_obj2 = pd.Series(np.random.randint(0,10,3),index=range(3))
>>> ser_obj1
0    0
1    3
2    0
3    2
4    0
dtype: int32
>>> ser_obj2
0    2
1    0
2    1
dtype: int32
>>> pd.concat([ser_obj1,ser_obj2])
0    0
1    3
2    0
3    2
4    0
0    2
1    0
2    1
dtype: int32
>>>

>>> pd.concat([ser_obj1,ser_obj2],axis=1,join=inner) #axis方向
   0  1
0  0  2
1  3  0
2  0  1
>>>

3、DataFrame中的concat

>>> df_obj1 = pd.DataFrame(np.random.randint(0,10,(3,4)),index=[a,b,c],col
umns=[A,B,C,D])
>>> df_obj2 = pd.DataFrame(np.random.randint(0,10,(2,4)),index=[a,b],columns
=[E,F,G,H])
>>> df_obj1
   A  B  C  D
a  1  4  7  3
b  2  7  5  6
c  9  4  7  3
>>> df_obj2
   E  F  G  H
a  5  6  6  5
b  3  3  1  5

>>> pd.concat([df_obj1,df_obj2])

     A    B    C    D    E    F    G    H
a  1.0  4.0  7.0  3.0  NaN  NaN  NaN  NaN
b  2.0  7.0  5.0  6.0  NaN  NaN  NaN  NaN
c  9.0  4.0  7.0  3.0  NaN  NaN  NaN  NaN
a  NaN  NaN  NaN  NaN  5.0  6.0  6.0  5.0
b  NaN  NaN  NaN  NaN  3.0  3.0  1.0  5.0
>>>
>>> pd.concat([df_obj1,df_obj2],axis=1) #指定轴方向
   A  B  C  D    E    F    G    H
a  1  4  7  3  5.0  6.0  6.0  5.0
b  2  7  5  6  3.0  3.0  1.0  5.0
c  9  4  7  3  NaN  NaN  NaN  NaN
>>>

(四)数据重构

1、stack

  • 将列索引旋转为行索引
  • 完成层级索引
  • DataFrame->Series
#stack将DataFrame转成Series
>>> import numpy as np
>>> import pandas as pd
>>> df_obj = pd.DataFrame(np.random.randint(0,10,(3,4)),columns=[a,b,c,d
])
>>> df_obj
   a  b  c  d
0  1  5  8  8
1  5  5  0  1
2  6  5  5  3
>>> stacked = df_obj.stack()
>>> stacked
0  a    1
   b    5
   c    8
   d    8
1  a    5
   b    5
   c    0
   d    1
2  a    6
   b    5
   c    5
   d    3
dtype: int32
>>> type(stacked)
<class pandas.core.series.Series>
>>> type(stacked.index)
<class pandas.core.indexes.multi.MultiIndex>
>>>

2、unstack

  • 将层级索引展开
  • Series->DataFrame
  • 默认操作内层索引,即level=-1
>>> stacked
0  a    1
   b    5
   c    8
   d    8
1  a    5
   b    5
   c    0
   d    1
2  a    6
   b    5
   c    5
   d    3
dtype: int32
>>> stacked .unstack() ## 默认操作内层索引
   a  b  c  d
0  1  5  8  8
1  5  5  0  1
2  6  5  5  3
>>> stacked .unstack(level=0) # 通过level指定操作索引的级别
   0  1  2
a  1  5  6
b  5  5  5
c  8  0  5
d  8  1  3
>>>

(五)数据转换

1、处理重复数据

  • duplicated() 返回布尔型Series表示每行是否为重复行
  • drop_duplicates() 过滤重复行(默认判断全部列;可指定按某些列判断)
>>> df_obj = pd.DataFrame({d1:[a]*3+[b]*5,d2:np.random.randint(0,10,8)})

>>> df_obj
  d1  d2
0  a   1
1  a   1
2  a   6
3  b   0
4  b   6
5  b   3
6  b   4
7  b   3

>>> df_obj.duplicated() #判断重复行,重复行为True
0    False
1     True  
2    False
3    False
4    False
5    False
6    False
7     True
dtype: bool
>>> df_obj.drop_duplicates()  #将重复行去除
  d1  d2
0  a   1
2  a   6
3  b   0
4  b   6
5  b   3
6  b   4
>>>

>>> df_obj.drop_duplicates(d2)
  d1  d2
0  a   1
2  a   6
3  b   0
5  b   3
6  b   4
>>>

2、map

  • Series根据map传入的函数对每行或每列进行转换
>>> ser_obj = pd.Series(np.random.randint(0,15,10))
>>> ser_obj
0    10
1     8
2    13
3    14
4    12
5     7
6     6
7    14
8     4
9     8
dtype: int32
>>> ser_obj.map(lambda x:x**3)
0    1000
1     512
2    2197
3    2744
4    1728
5     343
6     216
7    2744
8      64
9     512
dtype: int64
>>> ser_obj.map(lambda x:x**3)

3、数据替换(replace)

#Series中的替换
>>> ser_obj = pd.Series(np.random.randint(0,15,10))
>>> ser_obj
0     1
1    10
2    10
3     9
4    12
5    11
6     8
7     7
8     8
9     2
dtype: int32
#单值替换
>>> ser_obj.replace(10,100) #将10这个数替换成100
0      1
1    100
2    100
3      9
4     12
5     11
6      8
7      7
8      8
9      2
dtype: int32

#多值替换
>>> ser_obj
0     1
1    10
2    10
3     9
4    12
5    11
6     8
7     7
8     8
9     2

>>> ser_obj.replace([1,9],-100) #将1和9替换成-100
0   -100
1     10
2     10
3   -100
4     12
5     11
6      8
7      7
8      8
9      2
dtype: int32


>>> ser_obj.replace([1,9],[-100,-200]) #将1替换成-100,将9替换成-200
0   -100
1     10
2     10
3   -200
4     12
5     11
6      8
7      7
8      8
9      2
dtype: int64
>>>

 

Pandas的使用

标签:art   展开   imei   外连接   main   desc   dex   stop   数据集   

原文地址:https://www.cnblogs.com/shenjianping/p/11971756.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!