Pandas数据分析从放弃到入门

目录

• 什么是Pandas
• 一、如何读取数据库-read_sql
• 二、如何筛选数据
• 三、如何连表-merge
• 四、如何删除一行或一列-drop
• 五、如何分组统计-groupyby
• 六、如何排序-sort_values/sort_index
• 七、如何重建索引-groupby(as_index=False)/reset_index
• 八、如何翻转dataframe-T
• 九、如何重命名列-rename
• 十、如何强制转换类型-astype
• 十一、如何在只有一列的情况下groupby并count-size
• 十二、如何操作时间-.dt.
• 十三、如何操作字符串-.str.
• 十四、如何进行数据透视-pivot/pivot_table
• 十五、如何进行可视化-plot
• 十六、如何应用函数和映射
• 十七、如何处理缺失数据
• 十八、如何使用多级索引
• 十九、如何删除重复数据-drop_duplicated
• 二十、如何替换值-replace
• 二十一、如何连接两个dataframe-concat
• 二十二、如何重新设置索引-reindex
• 二十二、如何重新采样-resample
• 二十三、如何打补丁-combine_first
• 二十四、如何进行排名-rank
• 二十五、如何应用函数修改原dataframe-指定参数inplace

什么是Pandas

Pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。
Pandas纳入了大量库和一些标准的数据模型，提供了大量能使我们快速便捷地处理数据的函数和方法。
主要包含两种数据类型：Series和DataFrame

• Series可以理解为dict的升级版本，主数组存放numpy数据类型，index数据存放索引
• DataFrame相当于多维的Series，有两个索引数组，分别是行索引和列索引，可以理解成Series组成的字典

相关帮助文档

• 十分钟入门教程
• DataFrame文档
• Series文档

一、如何读取数据库-read_sql

示例代码如下

from sqlalchemy import create_engine
import pandas as pd

username = '用户名'
password = '密码'
host = '连接地址'
db = '数据库'
port = 端口号

link = f'''mysql+pymysql://{username}:{password}@{host}:{port}/{db}?charset=utf8'''
engine = create_engine(link, pool_recycle=3600)

核心方法read_sql

log:pd.DataFrame = pd.read_sql("SELECT * FROM log ORDER BY id DESC ",engine)

执行结果如下

二、如何筛选数据

• 筛选创建时间大于某个时间点的记录

import datetime
log[log['create_time'] > '2020-01-15 16:14:22']

• 筛选指定列的DataFrame
  直接传递数组给给DataFrame

logs[['user_id','type']]

• 获取一列Series

logs['type']

• iloc和loc
  iloc[行，列]是根据行号和列号获取，loc[行索引 ,列索引]是根据索引名获取
  

三、如何连表-merge

现在我需要将user_id对应的用户名找出来，示例代码如下

#查询出所有的用户,以便将log和users做join
users:pd.DataFrame=pd.read_sql("SELECT * FROM users",engine)
users

*
users和log的字段太多，先做一下筛选

log=log[['type','user_id','project_id','create_time']]
users=users[['id','username','real_name']]

执行join，使用merge方法，how指定左连，left_on指定左表使用的字段， right_on指定右表使用的字段

log.merge(users,how='left',left_on='user_id',right_on='id')

四、如何删除一行或一列-drop

drop方法，axis为0代表行，1代表列

renameRes.drop('创建时间',axis=1)

五、如何分组统计-groupyby

dropRes.groupby(['type','real_name']).count()

groupby也可以可以传入一个能够访问索引上字段的函数

rng=pd.date_range('1/1/2020',periods=100,freq='D')
ts=pd.Series(np.random.randn(len(rng)),index=rng)

ts.groupby(lambda x:x.month).mean()
2020-01-31 0.182420
2020-02-29 0.200134
2020-03-31 -0.108818
2020-04-30 -0.187426
Freq: M, dtype: float64

六、如何排序-sort_values/sort_index

by指定字段，ascending指定升序还是降序

log.sort_values(by='user_id',ascending=False)

七、如何重建索引-groupby(as_index=False)/reset_index

默认groupby后的结果是行索引是groupby的字段

log.merge(users,how='left',left_on='user_id',right_on='id').groupby('type').count()

groupby指定参数as_index

log.merge(users,how='left',left_on='user_id',right_on='id').groupby('type',as_index=False).count()

另外，还可以count完后直接调用reset_index方法

log.merge(users,how='left',left_on='user_id',right_on='id').groupby('type').count().reset_index()

八、如何翻转dataframe-T

log.T

九、如何重命名列-rename

使用rename方法，传递一个字典即可，如下

pd.DataFrame = res[['type','username','real_name','create_time']].rename({'create_time':'创建时间'},axis=1)

十、如何强制转换类型-astype

log['create_time'].astype(str)

十一、如何在只有一列的情况下groupby并count-size

count是必须依赖其他列做统计的，当只有一列的时候如何还使用count，是看不出统计字段的，正确的方法应该是使用size

test4=pd.read_sql("SELECT `type` FROM log LIMIT 100",engine)
test4.groupby('type').size()

十二、如何操作时间-.dt.

例如，要将create_time转为YY-MM-DD格式，可以使用函数.dt.date

log['create_time'].dt.date

具体方法可以参考Series的API文档的Datetime操作

十三、如何操作字符串-.str.

例如，转为大写

log['type'].str.upper()

具体方法可以参考Series的API文档的字符串操作

十四、如何进行数据透视-pivot/pivot_table

简单的理解就是一个更高级的groupby功能

df = pd.DataFrame({'foo': ['one', 'one', 'one', 'two', 'two',
                            'two'],
                    'bar': ['A', 'B', 'C', 'A', 'B', 'C'],
                    'baz': [1, 2, 3, 4, 5, 6],
                    'zoo': ['x', 'y', 'z', 'q', 'w', 't']})
df.pivot(index='foo', columns='bar', values='baz')

pivot_table支持分组后再聚合操作

df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo",
                          "bar", "bar", "bar", "bar"],
                    "B": ["one", "one", "one", "two", "two",
                          "one", "one", "two", "two"],
                    "C": ["small", "large", "large", "small",
                          "small", "large", "small", "small",
                          "large"],
                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7],
                    "E": [2, 4, 5, 5, 6, 6, 8, 9, 9]}
                 )

根据ABC分组，计算D的值，AB为行索引，C为列索引再使用sum函数，如下

df.pivot_table(values='D', index=['A', 'B'], columns=['C'], aggfunc=np.sum, fill_value=0)

十五、如何进行可视化-plot

一般使用matplotlib进行绘图
例如，统计所有的操作日志最多的前10个绘制直方图
先取出这些数据，如下

#获取所有操作类型最多的10条数据
countRes=log.groupby('type',as_index=False).count().drop(['create_time','project_id'],axis=1).rename({'user_id':'count'},axis=1).sort_values(by='count',ascending=False).head(10)

为了让图是递增的状态，我们反转一下

countRes=countRes.iloc[::-1]

再使用matplotlib绘制直方图

import matplotlib.pyplot as plt
plt.barh(countRes['type'],countRes['count'])

十六、如何应用函数和映射

• apply（DataFrame）
  DataFrame的函数，apply将函数应用到由各列或行所形成的一维数组上，默认是传入列的Series，可以指定axis=1传入行
  

• applymap（DataFrame）
  DataFrame的函数，对每个元素应用函数
  

• map/apply（Series）
  对应Dataframe的applymap
  

十七、如何处理缺失数据

pands使用NaN（Not a Number）表示缺失数据，处理方法有

• dropna：对轴标签进行过滤
• fillna：用指定值或插值方法（如ffill或bfill）填充缺失数据
• isnull：返回一个含有布尔值的对象
• notnull：isnull的否定形式

十八、如何使用多级索引

• Series多级索引

data = pd.Series(np.random.randn(10),
    index=[
        ['a','a','a','b','b','b','c','c','d','d'],
        [1, 2, 3, 1, 2, 3, 1, 2, 2, 3]
    ]
)

选取一个子集

data['b']

选取多个子集

data['b':'c']

选取内层：,号后面添加行号

data[:,2]

• Series和DataFrame互转

#Series转换为DataFrame
data.unstack()

#将DataFrame转换为一个Series
data.unstack().stack()

• DataFrame的多级索引

frame=pd.DataFrame(np.arange(12).reshape((4,3)),
                index=[
                    ['a','a','b','b'],
                    [1,2,1,2]
                ],
                columns=[
                    ['Ohio','Ohio','Colorado'],
                    ['Green','Red','Green']
                ],
               )

• 给索引命名

frame.index.names=['key1','key2']
frame.columns.names=['state','color']

• swaplevel：重排分级顺序，互换级别的对象

frame.swaplevel('key1','key2')

• sort_index：根据单个级别中的值对数据进行反序

frame.sort_index(level=0,ascending=False)

• set_index：将其一个或多个列转换为行索引，并创建一个新的DataFrame

df=pd.DataFrame({
    'a':range(7),
    'b':range(7,0,-1),
    'c':['one','one','one','two','two','two','two'],
    'd':[0,1,2,0,1,2,3]
})
df.set_index(['c','d'])

• reset_index：功能和set_index相反，层次化索引的级别会被转移到列里面
  

十九、如何删除重复数据-drop_duplicated

data=pd.DataFrame({
    'k1':['one']*3 + ['two']*4,
    'kw':[1,1,2,3,3,4,4]
})

data.drop_duplicates()

二十、如何替换值-replace

df = pd.DataFrame({'foo': ['one', 'one', 'one', 'two', 'two',
                            'two'],
                    'bar': ['A', 'B', 'C', 'A', 'B', 'C'],
                    'baz': [1, 2, 3, 4, 5, 6],
                    'zoo': ['x', 'y', 'z', 'q', 'w', 't']})

替换A和B为chenqionghe，第一个参数为查找值，第二个参数为替换的值

df.replace(['A','B'],'chenqionghe')

也可以传入字典，替换多个值

df.replace({'A':'cqh','B':'chenqionghe'})

二十一、如何连接两个dataframe-concat

df1=DataFrame(np.arange(6).reshape(3,2),
              index=list('abc'),
              columns=['one','two']
             )
df2=DataFrame(5+np.arange(4).reshape(2,2),
              index=list('ac'),
              columns=['three','four']
             )

列拼接

pd.concat([df1,df2],sort=False)

行拼接

pd.concat([df1,df2],axis=1,sort=False)

二十二、如何重新设置索引-reindex

frame=pd.DataFrame(np.arange(9).reshape((3,3)),
                   index=['a','b','c'],
                   columns=['light','weight','baby']
                  )

#默认修改行索引 
frame2=frame.reindex(['a','b','c','d'])

#同时修改行索引和列索引
frame.reindex(index=['a','b','c','d'],columns=['light','gym','muscle'])

二十二、如何重新采样-resample

创建3个周三的时间序列

ts1=pd.Series(
    np.random.randn(3),
     index=pd.date_range('2020-6-13',periods=3,freq='W-WED')
)

升采样转为每个工作日

ts1.resample('B').asfreq()

指定为ffill的填充

ts1.resample('B').ffill()

二十三、如何打补丁-combine_first

combine_first相当于用参数对象中的数据为调用者对象的缺失数据”打补丁“

df1=pd.DataFrame({
    'a':[1,np.nan,5,np.nan],
    'b':[np.nan,2,np.nan,6],
    'c':range(2,18,4)
})
df2=pd.DataFrame({
    'a':[5,4,np.nan,3,7],
    'b':['chenqionghe',3,4,6,8]
})

然后我们可以用df2的值给d1打补丁，如下

df1.combine_first(df2)

二十四、如何进行排名-rank

a=pd.DataFrame(np.arange(60).reshape(10,6),columns=['a','b','c','d','e','f'])

默认是对行进行排序，如下

a.rank()

可以传axis=1对列进行排序

a.rank(axis=1)

默认是升序，可以传入ascending=False进行降序

a.rank(ascending=False)

二十五、如何应用函数修改原dataframe-指定参数inplace

pandas 中 inplace 参数在很多函数中都会有，它的作用是：是否在原对象基础上进行修改
-​ inplace = True：不创建新的对象，直接对原始对象进行修改；
​- inplace = False：对数据进行修改，创建并返回新的对象承载其修改结果。
默认是False，即创建新的对象进行修改，原对象不变，和深复制和浅复制有些类似。