Python——DataFrame基础操作

DataFrame理解

DataFrame可以看做是有序排列的若干Series对象，这里的“排列”是指这些Series都有共同的索引。

一、读取文件

dt = pd.read_csv(path)
dt = pd.read_excel(path)
dt = pd.read_table(path, sep=',')

二、索引

第一类索引是iloc属性，表示取值和切片都是显式的，dt.iloc[1:3] #注：从0开始的左闭右开区间

第二类索引是loc属性，表示索引是隐式的，如dt.loc[:'Illinois', :'pop']

第三种索引ix可实现一种混合效果，如dt.ix[:3, :'pop']

三、合并与连接

1、pd.concat()

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
                keys=None, levels=None)

其中，axis=0是按照行合并，axis=1是按列合并（也可写成axis='col'）。axis=1时是按照索引合并的。

ser1 = pd.Series(['A','B','C'])
ser2 = pd.Series(['D','E','F'])
ser3 = pd.Series(['G','H','I'])

a = pd.concat([ser1,ser2])

a的结果如下，如果直接按列合并ser3，就会报错。

0    A
1    B
2    C
0    D
1    E
2    F
dtype: object

pd.concat([a, ser3], axis=1)

InvalidIndexError: Reindexing only valid with uniquely valued Index objects 

因为此时a的索引是保留原本的两个Series的Index的，可通过设置ignore_index=True，重置索引，

2、 pd.append()

ser1.append(ser2)

Pandas的append()不直接更新原有对象的值，而是为合并后的数据创建一个新对象。

3、pd.merge()

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False,
　　　　 sort=False, suffixes=('_x', '_y'), copy=True, indicator=False)

详见help(pd.merge)

四、分组（Gruopby）

分组统计时需要使用到groupby方法，其原理是通过分割（split）、应用（apply）和组合（combine）得到结果。

Groupby是对数据按照指定列进行分割，返回一个DataFrameGroupBy对象。DataFrameGroupBy对象里面隐藏着若干组数据，但是没有应用累计函数之前不会计算。

import numpy as np

rng = np.random.RandomState(0)

df = pd.DataFrame({'key':['A','B','C','A','B','C'],

                  'data1':range(6),

                  'data2':rng.randint(0,10,6)},

                 columns=['key','data1','data2'])

print(df)

df.groupby('key')

 

  key  data1  data2
0   A      0      5
1   B      1      0
2   C      2      3
3   A      3      3
4   B      4      7
5   C      5      9

Out[15]:

<pandas.core.groupby.DataFrameGroupBy object at 0x000001D9BC42A860>

（1）聚合aggregate

应用函数后会对DataFrameGroupBy对象展开计算。

df.groupby('key').aggregate(['min',np.median,max])

data1			data2
	min	median	max	min	median	max
key
A	0	1.5	3	3	4.0	5
B	1	2.5	4	0	3.5	7
C	2	3.5	5	3	6.0	9

 还可以通过字典指定不同列需要的函数

df.groupby('key').aggregate({'data1':'min',
                            'data2':'max'})

data1	data2
key
A	0	5
B	1	7
C	2	9

 （2）过滤filter

def filter_func(x):
    return x['data2'].std() > 4

print(df.groupby('key').std())
print(df.groupby('key').filter(filter_func))

	data1	data2
key
A	2.12132	1.414214
B	2.12132	4.949747
C	2.12132	4.242641

	key	data1	data2
1	B	1	0
2	C	2	3
4	B	4	7
5	C	5	9

（3）转换transform

df.groupby('key').transform(lambda x:x-x.mean())

data1	data2
0	-1.5	1.0
1	-1.5	-3.5
2	-1.5	-3.0
3	1.5	-1.0
4	1.5	3.5
5	1.5	3.0

五、数据透视表

详见help(pd.pivot_table)

titanic.pivot_table('survived', index='sex', columns='class', aggfunc={'survived':sum, 'fare':'mean'})

六、其他操作（排序、去重、计算及按行列应用函数等）

1、排序

按照索引排序

df.sort_index(ascending=False)

	key	data1	data2
5	C	5	9
4	B	4	7
3	A	3	3
2	C	2	3
1	B	1	0
0	A	0	5

 按照值排序

df.sort_values(by=['key','data2'])

key	data1	data2
3	A	3	3
0	A	0	5
1	B	1	0
4	B	4	7
2	C	2	3
5	C	5	9

2、去重

df.drop_duplicates('data2', keep='first')

key	data1	data2
0	A	0	5
1	B	1	0
2	C	2	3
4	B	4	7
5	C	5	9

想要知道某一列有多少个不重复的元素可以用df['data1'].nunique()

3、删除Drop

按照行删除

先选出需要删除的行的index，再删除指定index

df.drop(df.loc[df['key']=='A'].index, axis=0)

key	data1	data2
1	B	1	0
2	C	2	3
4	B	4	7
5	C	5	9

按照列删除

df.drop(['key','data2'], axis=1) 

参考：《Python数据科学手册》