python数据处理的常用操作

python数据处理

1.生成数据2.数据表检查3.数据表清洗4.数据预处理5.数据提取6.数据筛选7.数据汇总8.数据统计9.数据输出

1.生成数据

1.导入数据表

df = pd.read_excel('C:/Users/Admin/Desktop/types/output.xlsx')
df1 = pd.read_csv('C:/Users/Admin/Desktop/types/output.csv')

2.创建数据表

df = pd.DataFrame(({"id": [1001, 1002, 1003, 1004, 1005, 1006],
                    "date": pd.date_range('20130102', periods=6),
                    "city": ['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
                    "age": [23, 44, 54, 32, 34, 32],
                    "category": ['100-A', '100-B', '110-A', '110-C', '210-A', '130-F'],
                    "price": [1200, np.nan, 2133, 5433, np.nan, 4432]}))

2.数据表检查

1.查看维度（行列）

df.shape

(6, 6)

2.数据表信息

df.info()

3.查看数据格式

# 查看数据表各列格式
print(df.dtypes)
# 查看数据表单列格式
print(df['city'].dtype)

4.查看空值

# 检查数据是否为空值
print(df.isnull())
# 检查特定列是否为空值
print(df['price'].isnull())

5.查看唯一值

# 查看city列中的唯一值
print(df['city'].unique())

['Beijing ' 'SH' ' guangzhou ' 'Shenzhen' 'shanghai' 'BEIJING ']

6.查看数据表数据

print(df.values)

7.查看列名称

print(df.columns)

Index(['id', 'date', 'city', 'age', 'category', 'price'], dtype='object')

8.查看前多少行数据

# 不设置值时，默认为5行
print(df.head(3))

9.查看前多少行数据

# 不设置值时，默认为5行
print(df.tail(3))

3.数据表清洗

1.处理空值(删除或填充)

# 删除数据表中含有空值的行
print(df)
df.dropna(how='any')

# 使用数据0填空数据表中空值
df.fillna(value=0)

# 使用price均值对NA进行填充
print(df['price'].fillna(df['price'].mean()))

2.清理空格

# 清除city字段中的字符空格
df['city'] = df['city'].map(str.strip)

3.大小写转换

# city列大小写转换
df['city'] = df['city'].str.lower()

4.更改数据格式

# 更改数据格式
df['age'] = df['age'].astype(int)

5.更改列名称

df.rename(columns={'category': 'category-size'})

6.删除重复值

print(df['city'])

# 删除后出现的重复值（第一次的beijing被保留，最后出现的beijing被删除）
print(df['city'].drop_duplicates())

# 设置keep='list'参数后，与之前删除重复值的结果相反，第一位出现的beijing被删除，保留最后一位出现的beijing
print(df['city'].drop_duplicates(keep='last'))

7.数值修改及替换

# 数据替换
print(df['city'].replace('sh', 'shanghai'))

4.数据预处理

1.数据表合并

df1 = pd.DataFrame({'id': [1001, 1002, 1003, 1004, 1005, 1006, 1007, 1008],
                    'gender': ['male', 'female', 'male', 'female', 'male', 'female', 'male', 'female'],
                    'pay': ['Y', 'N', 'Y', 'Y', 'N', 'Y', 'N', 'Y'],
                    'm-point': [10, 12, 20, 40, 40, 40, 30, 20]})

# 数据表匹配合并
# 内连接
df_inner = pd.merge(df, df1, how='inner')

# 左连接
df_left = pd.merge(df, df1, how='left')

# 右连接
df_right = pd.merge(df, df1, how='right')

# 外连接
df_out = pd.merge(df, df1, how='outer')

2.设置索引列

print(df_inner.set_index('id'))

3.排序（按索引，按数值）

# 按特定列的值排序
print(df_inner.sort_values(by=['age']))  # 默认升序，降序ascending=False

# 按索引列排序
print(df_inner.set_index(keys='date'))  # 行索引进行排序

4.数据分组

# 如果price列的值>3000,group列显示high,否则显示为low
df_inner['group'] = np.where(df_inner['price'] > 3000, 'high', 'low')

# 对复合多个条件的数据进行分组标记
# 对city列等于beijing并且price列大于等于4000的数据标记为1
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign'] = 1

5.数据分列

# 对category字段的值依次进行分列，并创建数据表，索引值为df_inner的索引列，列名称为category和size
split = pd.DataFrame((x.split('-') for x in df_inner['category']), index=df_inner.index, columns=['category', 'size'])
print(split)

# 将完成分列后的数据表与原df_inner数据表进行匹配
df_inner = pd.merge(df_inner, split, right_index=True, left_index=True)
print(df_inner)

5.数据提取

1.按标签提取(loc)

# 按索引提取单行的数据
print(df_inner.loc[3])

# 按索引提取区域行数值
print(df_inner.loc[0:5]) # 提取0到5的数据行

# 设置日期为索引
df_inner = df_inner.set_index('date')

# 重设索引
print(df_inner.reset_index()) # 恢复索引

# 提取4日之前的所有数据
print(df_inner[:'2013-01-04']) # 从开始提取到这个日期

2.按位置提取(iloc)

# 使用iloc按位置区域提取数据
print(df_inner.iloc[:3, :2]) # 行列

# 使用iloc按位置单独提取数据
print(df_inner.iloc[[0, 2, 5], [4, 5]])

3.按标签和位置提取(ix)

# 使用ix按索引标签的位置混合提取数据
print(df_inner.ix[:'2013-01-03', :4])

4.按条件提取(区域和条件值)

# 判断city列的值是否为beijing
print(df_inner['city'].isin(['beijing']))

# 先判断city列里是否包含beijing和shanghai,然后将复合条件的数据提取出来
print(df_inner.loc[df_inner['city'].isin(['beijing', 'shanghai'])])
category = df_inner['category_x']
print(category)

# 提取前三个字符，并生成数据表
print(pd.DataFrame(category.str[:3]))

6.数据筛选

使用‘与’条件进行筛选

# 筛选大于25岁并且城市为北京的这些列['id', 'city', 'age', 'category_x', 'gender']的值
print(df_inner.loc[
(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category_x', 'gender']])

使用‘或’条件筛选

# 筛选大于25岁或城市为北京的这些列['id', 'city', 'age', 'category_x', 'gender']的值,并按照年龄对其进行排序
print(df_inner.loc[
(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category_x',
'gender']].sort_values(by='age'))
print(df_inner.loc[
(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category_x',
'gender']].sort_values(by='id').city.count())

使用query函数进行筛选

# 筛选出city列等于beijing或者shanghai的
print(df_inner.query('city == ["beijing","shanghai"]'))
print(df_inner.query('city == ["beijing","shanghai"]').price.sum())

7.数据汇总

1.分类汇总

# 对所有列进行计数汇总
print(df_inner.groupby('city').count())

# 按照城市对id字段进行汇总计数
print(df_inner.groupby('city')['id'].count())

# 对两个字段进行汇总计数
print(df_inner.groupby(['city', 'size'])['id'].count())

# 对city字段进行汇总并计算price的合计和均值
print(df_inner.groupby('city')['price'].agg([len, np.sum, np.mean]))

2.数据透视

# 数据透视表
# 设置city为行字段，size为列字段，price为值字段
print(pd.pivot_table(df_inner, index=["city"], values=["price"], columns=["size"],
aggfunc=[len, np.sum], fill_value=0, margins=True))

8.数据统计

1.数据采样

# 简单的数据采样（随机抽取3条数据）
print(df_inner.sample(n=3))

# 手动设置采样权重
weights = [0, 0, 0, 0, 0.5, 0.5]
print(df_inner.sample(n=2, weight=weights))

# sample函数中的参数replace,用于设置采样数是否放回
# 采样后不放回
print(df_inner.sample(n=6, replace=False))

# 采样后放回
print(df_inner.sample(n=6, replace=True))

2.描述统计

# 数据表描述性统计
print(df_inner.describe(),round(2).T)

3.标准差

print(df_inner['price'].std())

4.协方差

# 两个字段间的协方差
print(df_inner['price'].cov(df_inner['m-point']))

# 数据表中所有字段间的协方差
print(df_inner.cov())

5.相关分析

print(df_inner['price'].corr(df_inner['m-point']))

# 数据表相关性分析
print(df_inner.corr())

9.数据输出

1.写入Excel

# 输出到Excel格式
df_inner.to_Excel('excel_to_python.xlsx',sheet_name='bluewhale')

2.写入csv

# 输出到CSV格式
df_inner.to_csv('excel_to_python.csv')