资讯详情

python--pandas学习总结

一、Series和DataFrame

1. pandas.Series

2. pandas.DataFrame

二、Pandas常见用法

1. 访问数据

1.1 head()和tail()

1.2 describe()

1.3 T

1.4 sort_values()

1.5 nlargest()

1.6 sample()

2. 选择数据

标签选择-toc" style="margin-left:80px;">2.1 根据标签选择

2.2 根据位置选择

2.3 布尔索引

3. 处理缺失值

3.1 dropna()

3.2 fillna()

4. 操作方法

4.1 agg()

4.2 apply()

4.3 value_counts()

4.4 str

5. 合并

5.1 concat()

5.2 merge()

6. 分组GroupBy

6.1 单列分组

6.2 多列分组

6.3 采用多聚合法

6.4 不同列的聚合统计不同

6.5 更多

三、Pandas 进阶用法

1. reshape

1.1 stack() 和 unstack()

1.2 pivot_table()

2. 时间序列

3. 分类

4. IO

一、Series和DataFrame

Pandas特别适合处理表格数据，如SQL表格、EXCEL表格。时间序列有序或无序。任何具有行和列标签的矩阵数据。

打开Jupyter Notebook，导入numpy和pandas开始我们的教程：

importnumpyasnp importpandasaspd

1. pandas.Series

pd.Series([1,3,5,np.nan,6,8])

输出：

01.0 13.0 25.0 3NaN 46.0 58.0 dtype:float64

默认索引值为0、1、2、3、4、5。index属性，指定为‘c','a','i','yong','j','i'。

pd.Series([1,3,5,np.nan,6,8],index=['c','a','i','yong','j','i'])

输出如下，我们可以看到index可重复。

c1.0 a3.0 i5.0 yongNaN j&nsp; 6.0
i       8.0
dtype: float64

2. pandas.DataFrame

pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), index=['i','ii','iii'], columns=['A', 'B', 'C'])

输出表格如下，。

  A B C
i 1 2 3
ii 4 5 6
iii 7 8 9

二、Pandas常见用法

1. 访问数据

准备数据，随机生成6行4列的二维数组，行标签为从20210101到20210106的日期，列标签为A、B、C、D。

import numpy as np
import pandas as pd
np.random.seed(20201212)
df = pd.DataFrame(np.random.randn(6, 4), index=pd.date_range('20210101', periods=6), columns=list('ABCD'))
df

记住的用法。

展示表格如下：

  A B C D
2021-01-01 0.270961 -0.405463 0.348373 0.828572
2021-01-02 0.696541 0.136352 -1.64592 -0.69841
2021-01-03 0.325415 -0.602236 -0.134508 1.28121
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804
2021-01-05 0.348708 1.27175 0.626011 -0.253845
2021-01-06 -0.816064 1.30197 0.656281 -1.2718

1.1 head()和tail()

：

df.head(2)

展示表格如下：

  A B C D
2021-01-01 0.270961 -0.405463 0.348373 0.828572
2021-01-02 0.696541 0.136352 -1.64592 -0.69841 

df.tail(3)

展示表格如下：

  A B C D
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804
2021-01-05 0.348708 1.27175 0.626011 -0.253845
2021-01-06 -0.816064 1.30197 0.656281 -1.2718

1.2 describe()

df.describe()

展示如下：

  A B C D
count 6 6 6 6
mean 0.0825402 0.0497552 -0.181309 0.22896
std 0.551412 1.07834 0.933155 1.13114
min -0.816064 -1.40384 -1.64592 -1.2718
25% -0.18 -0.553043 -0.737194 -0.587269
50% 0.298188 -0.134555 0.106933 0.287363
75% 0.342885 0.987901 0.556601 1.16805
max 0.696541 1.30197 0.656281 1.48804

我们首先回顾一下我们掌握的数学公式。

：

:

:

我们解释一下pandas的describe统计信息各属性的意义。我们仅以 A 列为例。

  • 25%表示四分之一分位数。A列的四分之一分位数为-0.18。即，25%的数据比-0.18小。

  • 50%表示二分之一分位数。A列的四分之一分位数为0.298188。即，50%的数据比0.298188小。

  • 75%表示四分之三分位数。A列的四分之三分位数为0.342885。即，75%的数据比0.342885小。

  • max表示最大值。A列的最大值为0.696541。即，100%的数据比0.696541小。

1.3 T

df.T

展示表格如下：

  2021-01-01 2021-01-02 2021-01-03 2021-01-04 2021-01-05 2021-01-06
A 0.270961 0.696541 0.325415 -0.33032 0.348708 -0.816064
B -0.405463 0.136352 -0.602236 -1.40384 1.27175 1.30197
C 0.348373 -1.64592 -0.134508 -0.93809 0.626011 0.656281
D 0.828572 -0.69841 1.28121 1.48804 -0.253845 -1.2718

1.4 sort_values()

df.sort_values(by='C')

展示表格如下：

  A B C D
2021-01-02 0.696541 0.136352 -1.64592 -0.69841
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804
2021-01-03 0.325415 -0.602236 -0.134508 1.28121
2021-01-01 0.270961 -0.405463 0.348373 0.828572
2021-01-05 0.348708 1.27175 0.626011 -0.253845
2021-01-06 -0.816064 1.30197 0.656281 -1.2718

1.5 nlargest()

df.nlargest(2,'A')

展示表格如下：

  A B C D
2021-01-02 0.696541 0.136352 -1.64592 -0.69841
2021-01-05 0.348708 1.27175 0.626011 -0.253845

1.6 sample()

df.sample(5)


df.sample(frac=0.01)

2. 选择数据

2.1 根据标签选择

我们输入df['A']命令选取A列。

df['A']

输出A列数据，同时也是一个Series对象：

2021-01-01    0.270961
2021-01-02    0.696541
2021-01-03    0.325415
2021-01-04   -0.330320
2021-01-05    0.348708
2021-01-06   -0.816064
Name: A, dtype: float64

df[0:3]该代码与df.head(3)同理。但df[0:3]是NumPy的数组选择方式，这说明了Pandas对于NumPy具有良好的支持。

df[0:3]

展示表格如下：

  A B C D
2021-01-01 0.270961 -0.405463 0.348373 0.828572
2021-01-02 0.696541 0.136352 -1.64592 -0.69841
2021-01-03 0.325415 -0.602236 -0.134508 1.28121 

df.loc['2021-01-01':'2021-01-02', ['A', 'B']]

展示表格如下：

  A B
2021-01-01 0.270961 -0.405463
2021-01-02 0.696541 0.136352

2.2 根据位置选择

df.iloc[3:5, 0:3]
  A B C
2021-01-04 -0.33032 -1.40384 -0.93809
2021-01-05 0.348708 1.27175 0.626011 
df.iloc[:, 1:3]
  B C
2021-01-01 -0.405463 0.348373
2021-01-02 0.136352 -1.64592
2021-01-03 -0.602236 -0.134508
2021-01-04 -1.40384 -0.93809
2021-01-05 1.27175 0.626011
2021-01-06 1.30197 0.656281

2.3 布尔索引

DataFrame可根据条件进行筛选，当条件判断True时，返回。当条件判断为False时，过滤掉。

filter = df['A'] > 0
filter

输出结果如下，可以看到2021-01-04和2021-01-06的行为False。

2021-01-01     True
2021-01-02     True
2021-01-03     True
2021-01-04    False
2021-01-05     True
2021-01-06    False
Name: A, dtype: bool

我们通过过滤器查看数据集。

df[filter]
# df[df['A'] > 0]

查看表格我们可以发现，2021-01-04和2021-01-06的行被过滤掉了。

  A B C D
2021-01-01 0.270961 -0.405463 0.348373 0.828572
2021-01-02 0.696541 0.136352 -1.64592 -0.69841
2021-01-03 0.325415 -0.602236 -0.134508 1.28121
2021-01-05 0.348708 1.27175 0.626011 -0.253845

3. 处理缺失值

准备数据。

DataFrame添加一列

df3=df.copy()
df3.loc[:3,'E']=1.0
#f_series={'2021-01-02':1.0,'2021-01-03':2.0,'2021-01-04':3.0,'2021-01-05':4.0,'2021-01-06':5.0}
f_series=[9.0,1.0,2.0,3.0,4.0,5.0]
#df3['F']=pd.Series(f_series)
df3["F"] = ([0,1.0,2.0,3.0,4.0,5.0])
print(df3)

展示表格如下：

  A B C D F E
2021-01-01 0.270961 -0.405463 0.348373 0.828572 nan 1
2021-01-02 0.696541 0.136352 -1.64592 -0.69841 1 1
2021-01-03 0.325415 -0.602236 -0.134508 1.28121 2 1
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804 3 nan
2021-01-05 0.348708 1.27175 0.626011 -0.253845 4 nan
2021-01-06 -0.816064 1.30197 0.656281 -1.2718 5 nan

3.1 dropna()

df2.dropna(how='any')

  A B C D F E
2021-01-02 0.696541 0.136352 -1.64592 -0.69841 1 1
2021-01-03 0.325415 -0.602236 -0.134508 1.28121 2 1

3.2 fillna()

使用filna命令填补NaN值。

df2.fillna(df2.mean())

。

展示表格如下：

  A B C D F E
2021-01-01 0.270961 -0.405463 0.348373 0.828572 3 1
2021-01-02 0.696541 0.136352 -1.64592 -0.69841 1 1
2021-01-03 0.325415 -0.602236 -0.134508 1.28121 2 1
2021-01-04 -0.33032 -1.40384 -0.93809 1.48804 3 1
2021-01-05 0.348708 1.27175 0.626011 -0.253845 4 1
2021-01-06 -0.816064 1.30197 0.656281 -1.2718 5 1

4. 操作方法

4.1 agg()

agg是Aggregate的缩写，意为聚合。

常用聚合方法如下：

df.mean()


A    0.082540
B    0.049755
C   -0.181309
D    0.228960
dtype: float64


df.mean(axis=1)

输出：

2021-01-01    0.260611
2021-01-02   -0.377860
2021-01-03    0.217470
2021-01-04   -0.296053
2021-01-05    0.498156
2021-01-06   -0.032404
dtype: float64

如果我们想查看某一列的多项聚合统计怎么办？

df.agg(['std','mean'])['A']

返回结果显示标准差std和均值mean：

std     0.551412
mean    0.082540
Name: A, dtype: float64

：

df.agg({'A':['max','mean'],'B':['mean','std','var']})

返回结果如下：

  A B
max 0.696541 nan
mean 0.0825402 0.0497552
std nan 1.07834
var nan 1.16281

4.2 apply()

df.apply(np.sum)

输出结果为：

A    0.495241
B    0.298531
C   -1.087857
D    1.373762
dtype: float64

apply方法支持lambda表达式。

df.apply(lambda n: n*2)
  A B C D
2021-01-01 0.541923 -0.810925 0.696747 1.65714
2021-01-02 1.39308 0.272704 -3.29185 -1.39682
2021-01-03 0.65083 -1.20447 -0.269016 2.56242
2021-01-04 -0.66064 -2.80768 -1.87618 2.97607
2021-01-05 0.697417 2.5435 1.25202 -0.50769
2021-01-06 -1.63213 2.60393 1.31256 -2.5436

4.3 value_counts()

我们重新生成一些整数数据，来保证有一定的数据重复。

np.random.seed(101)
df3 = pd.DataFrame(np.random.randint(0,9,size = (6,4)),columns=list('ABCD'))
df3
  A B C D
0 1 6 7 8
1 4 8 5 0
2 5 8 1 3
3 8 3 3 2
4 8 3 7 0
5 7 8 4 3 

df3['A'].value_counts()

查看输出我们可以看到 A列的数字8有两个，其他数字的数量为1。

8    2
7    1
5    1
4    1
1    1
Name: A, dtype: int64

4.4 str

Pandas内置字符串处理方法。

names = pd.Series(['andrew','bobo','claire','david','4'])
names.str.upper()

通过以上代码我们将

0    ANDREW
1      BOBO
2    CLAIRE
3     DAVID
4         4
dtype: object


names.str.capitalize()

输出为：

0    Andrew
1      Bobo
2    Claire
3     David
4         4
dtype: object


names.str.isdigit()

输出为：

0    False
1    False
2    False
3    False
4     True
dtype: bool


tech_finance = ['GOOG,APPL,AMZN','JPM,BAC,GS']
tickers = pd.Series(tech_finance)
tickers.str.split(',').str[0:2]

以逗号分割字符串，结果为：

0    [GOOG, APPL]
1      [JPM, BAC]
dtype: object

5. 合并

5.1 concat()

concat用来将数据集串联起来。我们先准备数据。

data_one = {'Col1': ['A0', 'A1', 'A2', 'A3'],'Col2': ['B0', 'B1', 'B2', 'B3']}
data_two = {'Col1': ['C0', 'C1', 'C2', 'C3'], 'Col2': ['D0', 'D1', 'D2', 'D3']}
one = pd.DataFrame(data_one)
two = pd.DataFrame(data_two)


print(pd.concat([one,two]))

得到表格：

  Col1 Col2
0 A0 B0
1 A1 B1
2 A2 B2
3 A3 B3
0 C0 D0
1 C1 D1
2 C2 D2
3 C3 D3

5.2 merge()

registrations = pd.DataFrame({'reg_id':[1,2,3,4],'name':['Andrew','Bobo','Claire','David']})
logins = pd.DataFrame({'log_id':[1,2,3,4],'name':['Xavier','Andrew','Yolanda','Bobo']})

我们根据name来连接两个张表，连接方式为outer。

pd.merge(left=registrations, right=logins, how='outer',on='name')

返回结果为：

  reg_id name log_id
0 1 Andrew 2
1 2 Bobo 4
2 3 Claire nan
3 4 David nan
4 nan Xavier 1
5 nan Yolanda 3

我们注意， 有4种连接方式。

表示是否选取左右两侧表的nan值。如left表示保留左侧表中所有数据，

当遇到右侧表数据为nan值时，不显示右侧的数据。简单来说，把left表和right表看作两个集合。

6. 分组GroupBy

Pandas中的分组功能非常类似于SQL语句SELECT Column1, Column2, mean(Column3),

sum(Column4)FROM SomeTableGROUP BY Column1, Column2。

即使没有接触过SQL也没有关系，分组就相当于把表格数据按照某一列进行拆分、统计、合并的过程。

准备数据。

np.random.seed(20201212)
df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],
                   'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
                   'C': np.random.randn(8),
                   'D': np.random.randn(8)})
df

可以看到，我们的A列和B列有很多重复数据。这时我们可以根据foo/bar或者one/two进行分组。

  A B C D
0 foo one 0.270961 0.325415
1 bar one -0.405463 -0.602236
2 foo two 0.348373 -0.134508
3 bar three 0.828572 1.28121
4 foo two 0.696541 -0.33032
5 bar two 0.136352 -1.40384
6 foo one -1.64592 -0.93809
7 foo three -0.69841 1.48804

6.1 单列分组

df.groupby('A')

执行上方代码可以看到，groupby方法返回的是一个类型为DataFrameGroupBy的对象。我们无法直接查看，需要应用聚合函数。参考本文4.1节。

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000014C6742E248>

。

df.groupby('A').sum()

展示表格如下：

A C D
bar 0.559461 -0.724868
foo -1.02846 0.410533

6.2 多列分组

df.groupby(['A', 'B']).sum()

分组后显示结果如下：

A B C D
bar one -0.405463 -0.602236
  one -0.405463 -0.602236
  three 0.828572 1.28121
  two 0.136352 -1.40384
foo one -1.37496 -0.612675
  three -0.69841 1.48804
  two 1.04491 -0.464828

6.3 应用多聚合方法

下方代码根据A分类且只统计C列的数值。

df.groupby('A')['C'].agg([np.sum, np.mean, np.std])

可以看到bar组与foo组各聚合函数的结果如下：

A sum mean std
bar 0.559461 0.186487 0.618543
foo -1.02846 -0.205692 0.957242

6.4 不同列进行不同聚合统计

下方代码对C、D列分别进行不同的聚合统计，对C列进行求和，对D列进行标准差统计。

df.groupby('A').agg({'C': 'sum', 'D': lambda x: np.std(x, ddof=1)})

输出如下：

A C D
bar 0.559461 1.37837
foo -1.02846 0.907422

6.5 更多

更多关于Pandas的goupby方法请参考官网: Pandas User Guide - groupby

Pandas User Guide - groupby: https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html](https://pandas.pydata.org/pandas-docs/stable/user_guide/groupby.html

三、Pandas 进阶用法

1. reshape

对于复杂表格，我们需要将其转换成适合我们理解的样子，比如根据某些属性分组后进行单独统计。

1.1 stack() 和 unstack()

准备数据。

tuples = list(zip(*[['bar', 'bar', 'baz', 'baz','foo', 'foo', 'qux', 'qux'],
                    ['one', 'two', 'one', 'two','one', 'two', 'one', 'two']]))
index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])

根据上方代码，我们创建了一个复合索引。

MultiIndex([('bar', 'one'),
            ('bar', 'two'),
            ('baz', 'one'),
            ('baz', 'two'),
            ('foo', 'one'),
            ('foo', 'two'),
            ('qux', 'one'),
            ('qux', 'two')],
           names=['first', 'second'])

我们创建一个具备复合索引的DataFrame。

np.random.seed(20201212)
df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=['A', 'B'])
df

输出如下：

A B C D
bar one 0.270961 -0.405463
  two 0.348373 0.828572
baz one 0.696541 0.136352
  two -1.64592 -0.69841
foo one 0.325415 -0.602236
  two -0.134508 1.28121
qux one -0.33032 -1.40384
  two -0.93809 1.48804

我们执行stack方法。

stacked = df.stack()
stacked

输出堆叠（压缩）后的表格如下。注意：你使用Jupyter Notebook/Lab进行的输出可能和如下结果不太一样。下方输出的各位为了方便在Markdown中显示有一定的调整。

first  second   
bar    one     A  &nb

标签： 6431连接器

锐单商城拥有海量元器件数据手册、 IC替代型号，打造 电子元器件IC百科大全！

锐单商城 - 一站式电子元器件采购平台