Python-Pandas库-DataFrame处理excel/csv表格

#创建数据框DataFrame
s = pd.DataFrame(data='一组数据：ndarray/series/columns/lists/dict等类型',index='索引值，行标签',columns='列标签，默认0到n',dtype='数据类型',copy='拷贝数据，默认False')

#使用列表创建
data = [['Google', 10],['baidu', 20],['firefox', 30]]
df = pd.DataFrame(data)  #没有设置列名，默认0到n
print(df)
'''
执行结果：
         0   1
0   Google  10
1    baidu  20
2  firefox  30
'''
df1 = pd.DataFrame(data, index=['one', 'two', 'three'], columns=['name','age'],dtype=float)
print(df1)
'''
执行结果：
          name   age
one     Google  10.0
two      baidu  20.0
three  firefox  30.0
'''

#使用ndarray创建1:   ndarray对象是用于存放同类型元素的多维数组，ndarray对象的长度必须相同
data = {'Site': ['Google', 'baidu', 'firefox'], 'Age': [10, 20, 30]}
df = pd.DataFrame(data)
print(df)
'''
执行结果：
      Site  Age
0   Google   10
1    baidu   20
2  firefox   30
'''
#使用ndarray创建2
print(type(np.random.randn(5,4)))       #<class 'numpy.ndarray'>
df = pd.DataFrame(np.random.randn(5,4))    #创建5行4列的随机数组成的DataFrame对象

df.index = pd.date_range('1900/1/30',periods=df.shape[0])   #增加一个日期索引
print(df)
'''
执行结果：
                   0         1         2         3
1900-01-30  1.119676  0.000332 -0.221642  1.418424
1900-01-31  1.151577  0.317982  1.274081  1.143022
1900-02-01  0.000107 -0.903553 -0.236362 -0.531132
1900-02-02  0.187210 -1.580657  0.114724  1.263399
1900-02-03  1.309918  0.424695 -0.142463 -0.515486
'''


#使用字典创建：对应的key为列名
data = [{'a': 1, 'b': 2, 'c': 5, 'd': 8}, {'a': 3, 'b': 7, 'c': 5}]
df = pd.DataFrame(data)
print(df)    #没有对应的部分数据为NaN
'''
   a  b  c    d          
0  1  2  5  8.0
1  3  7  5  NaN
'''

data = {
    "calories": [24, 56, 89],
    "duration": [30, 10, 90]
}
df = pd.DataFrame(data)       #数据载入到Dataframe对象
print(df)
'''
   calories  duration       #key为列名
0        24        30
1        56        10
2        89        90
'''
print(type(df))      #<class 'pandas.core.frame.DataFrame'>
#返回第一行
print(df.loc[0])     #返回第一行的数据，并与列名对应
'''
执行结果： 
calories    24
duration    30
Name: 0, dtype: int64
'''
#返回第一行指定的值
print(df.loc[0]['calories'])        #执行结果： 24
#返回第一行和第二行
print(df.loc[[0,1]])
'''
执行结果：
   calories  duration
0        24        30
1        56        10
'''

查看、检查数据

df.head(n)：查看DataFrame对象的前n行
df.tail(n)：查看DataFrame对象的最后n行
df.shape：查看行数和列数
df.info()：查看索引、数据类型和内存信息
df.describe()：查看数值型列的汇总统计
s.value_counts(dropna=False)：查看Series对象的唯一值和计数
df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数

#查看、检查数据（Viewing Data）
print(df.to_string())   #用于返回Dataframe类型的数据,输出全部数据
print(type(df.to_string()))     #<class 'str'>
print(df.head())          #读取前五行
print(df.tail())          #读取后五行
print(df.info())       #查看索引、数据类型和内存信息
'''
执行结果：<class 'pandas.core.frame.DataFrame'>
RangeIndex: 35 entries, 0 to 34
Data columns (total 9 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   School   35 non-null     object 
 1   Class    35 non-null     object 
 2   ID       35 non-null     int64  
'''
print(df.shape)     #返回多少行多少列，执行结果： （35，9）
print(df.describe()) #查看<数值型>列的汇总统计
'''
执行结果：
               ID      Height      Weight       Math
count    35.00000   35.000000   35.000000  35.000000
mean   1803.00000  174.142857   74.657143  61.351429
std     536.87741   13.541098   12.895377  19.915164
min    1101.00000  155.000000   53.000000  31.500000
25%    1204.50000  161.000000   63.000000  47.400000
50%    2103.00000  173.000000   74.000000  61.700000
75%    2301.50000  187.500000   82.000000  77.100000
max    2405.00000  195.000000  100.000000  97.000000
'''

数据选取

df[col]：根据列名，并以Series的形式返回列
df[[col1, col2]]：以DataFrame形式返回多列
s.iloc[0]：按位置选取数据
s.loc['index_one']：按索引选取数据
df.iloc[0,:]：返回第一行
df.iloc[0,0]：返回第一列的第一个元素
df.values[:,:-1]:返回除了最后一列的其他列的所以数据
df.query('[1, 2] not in c'): 返回c列中不包含1，2的其他数据集

#数据选取
data = {'Site': ['Google', 'baidu', 'firefox'], 'Age': [10, 20, 30], 'Leader':['Eric', 'Lucky', 'Amily']}
df = pd.DataFrame(data)
print(df)
'''
执行结果：
      Site  Age Leader
0   Google   10   Eric
1    baidu   20  Lucky
2  firefox   30  Amily
'''
print(df['Site'])   #根据列名返回列
print(df[['Site','Leader']])    #以列表传入，以DataFrame形式返回多列
print(df.iloc[0])      #按位置选取数据，返回列名与数据
print(df.loc[1])     #按索引值返回第二行数据
print(df.iloc[1,1])   #返回第二列的第二个元素
print(df.values[:,:-1])   #返回除了最后一列的其他列所有数据
'''
执行结果：
[['Google' 10]
 ['baidu' 20]
 ['firefox' 30]]
'''

数据清理

df.columns = ['a','b','c']：重命名列名
pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组
pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组
df.dropna()：删除所有包含空值的行
df.dropna(axis=1)：删除所有包含空值的列
df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行
df.fillna(x)：用x替换DataFrame对象中所有的空值
s.astype(float)：将Series中的数据类型更改为float类型
s.replace(1,'one')：用‘one’代替所有等于1的值
s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3
df.rename(columns=lambda x: x + 1)：批量更改列名
df.rename(columns={'old_name': 'new_ name'})：选择性更改列名
df.set_index('column_one')：更改索引列
df.rename(index=lambda x: x + 1)：批量重命名索引

数据处理：Filter、Sort和GroupBy

df[df[col] > 0.5]：选择col列的值大于0.5的行
df.sort_values(col1)：按照列col1排序数据，默认升序排列
df.sort_values(col2, ascending=False)：按照列col1降序排列数据
df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
df.groupby(col)：返回一个按列col进行分组的Groupby对象
df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max

数据合并

df1.append(df2)：将df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
df1.join(df2,on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join

数据统计

df.describe()：查看数据值列的汇总统计
df.mean()：返回所有列的均值
df.corr()：返回列与列之间的相关系数
df.count()：返回每一列中的非空值的个数
df.max()：返回每一列的最大值
df.min()：返回每一列的最小值
df.median()：返回每一列的中位数
df.std()：返回每一列的标准差