【Pandas-附件2】查询手册

一、导入数据

# 从 CSV 文件导入数据

pd.read_csv('file.csv', name=['列名','列名2'])

# 从限定分隔符的文本文件导入数据

pd.read_table(filename, header=0)

# Excel 导入，指定 sheet 和表头

pd.read_excel('file.xlsx', sheet_name=' 表1', header=0)

# 从 SQL 表/库导入数据

pd.read_sql(query, connection_object)

# 从 JSON 格式的字符串导入数据

pd.read_json(json_string)

# 解析 URL、字符串或者 HTML 文件，抽取其中的 tables 表格

pd.read_html(url)

# 从你的粘贴板获取内容，并传给 read_table()

pd.read_clipboard()

# 从字典对象导入数据，Key 是列名，Value是数据

pd.DataFrame(dict)

# 导入字符串

from io import StringIO

pd.read_csv(StringIO(web_data.text))

二、导出数据

# 导出数据到CSV文件

df.to_csv('filename.csv')

# 导出数据到Excel文件

df.to_excel('filename.xlsx', index=True)

# 导出数据到 SQL 表

df.to_sql(table_name, connection_object)

# 以Json格式导出数据到文本文件

df.to_json(filename)

# 其他

df.to_html() # 显示 HTML 代码

df.to_markdown() # 显示 markdown 代码

df.to_string() # 显示格式化字符

df.to_latex(index=False) # LaTeX tabular, longtable

df.to_dict('split') # 字典, 格式 list/series/records/index

df.to_clipboard(sep=',', index=False) # 存入系统剪贴板

   

# 将两个表格输出到一个excel文件里面,导出到多个 sheet

writer=pd.ExcelWriter('new.xlsx')

df_1.to_excel(writer,sheet_name='第一个', index=False)

df_2.to_excel(writer,sheet_name='第二个', index=False)

writer.save() # 必须运行writer.save()，不然不能输出到本地

   

# 写法2

with pd.ExcelWriter('new.xlsx') as writer:

df1.to_excel(writer, sheet_name='第一个')

df2.to_excel(writer, sheet_name='第二个')

三、创建测试对象

# 创建20行5列的随机数组成的 DataFrame 对象

pd.DataFrame(np.random.rand(20,5))

# 从可迭代对象 my_list 创建一个 Series 对象

pd.Series(my_list)

# 增加一个日期索引

df.index = pd.date_range('1900/1/30', periods=df.shape[0])

# 创建随机数据集

df = pd.util.testing.makeDataFrame()

# 创建随机日期索引数据集

df = pd.util.testing.makePeriodFrame()

df = pd.util.testing.makeTimeDataFrame()

# 创建随机混合类型数据集

df = pd.util.testing.makeMixedDataFrame()

四、查看、检查、统计、属性

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.sample(n) # 查看 n 个样本，随机

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

df.dtypes # 查看各字段类型

df.axes # 显示数据行和列名

df.mean() # 返回所有列的均值

df.mean(1) # 返回所有行的均值，下同

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

df.var() # 方差

s.mode() # 众数

s.prod() # 连乘

s.cumprod() # 累积连乘,累乘

df.cumsum(axis=0) # 累积连加,累加

s.nunique() # 去重数量，不同值的量

df.idxmax() # 每列最大的值的索引名

df.idxmin() # 最小

df.columns # 显示所有列名

df.team.unique() # 显示列中的不重复值

# 查看 Series 对象的唯一值和计数, 计数占比: normalize=True

s.value_counts(dropna=False)

# 查看 DataFrame 对象中每一列的唯一值和计数

df.apply(pd.Series.value_counts)

df.duplicated() # 重复行

df.drop_duplicates() # 删除重复行

# set_option、reset_option、describe_option 设置显示要求

pd.get_option()

# 设置行列最大显示数量，None 为不限制

pd.options.display.max_rows = None

pd.options.display.max_columns = None

df.col.argmin() # 最大值[最小值 .argmax()] 所在位置的自动索引

df.col.idxmin() # 最大值[最小值 .idxmax()] 所在位置的定义索引

# 累计统计

ds.cumsum() # 前边所有值之和

ds.cumprod() # 前边所有值之积

ds.cummax() # 前边所有值的最大值

ds.cummin() # 前边所有值的最小值

# 窗口计算(滚动计算)

ds.rolling(x).sum() #依次计算相邻x个元素的和

ds.rolling(x).mean() #依次计算相邻x个元素的算术平均

ds.rolling(x).var() #依次计算相邻x个元素的方差

ds.rolling(x).std() #依次计算相邻x个元素的标准差

ds.rolling(x).min() #依次计算相邻x个元素的最小值

ds.rolling(x).max() #依次计算相邻x个元素的最大值

五、数据清理

df.columns = ['a','b','c'] # 重命名列名

df.columns = df.columns.str.replace(' ', '_') # 列名空格换下划线

df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555 # 替换数据

df['pf'] = df.site_id.map({2: '小程序', 7:'M 站'}) # 将枚举换成名称

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.drop(['name'], axis=1) # 删除列

df.drop([0, 10], axis=0) # 删除行

del df['name'] # 删除列

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

df.fillna(value={'prov':'未知'}) # 指定列的空值替换为指定内容

s.astype(float) # 将Series中的数据类型更改为 float 类型

df.index.astype('datetime64[ns]') # 转化为时间格式

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

# 重新命名表头名称

df.columns = ['UID', '当前待打款金额', '认证姓名']

df['是否设置提现账号'] = df['状态'] # 复制一列

df.loc[:, ::-1] # 列顺序反转

df.loc[::-1] # 行顺序反转, 下方为重新定义索引

df.loc[::-1].reset_index(drop=True)

六、数据处理：Filter、Sort

# 保留小数位，四舍六入五成双

df.round(2) # 全部

df.round({'A': 1, 'C': 2}) # 指定列

df['Name'] = df.Name # 取列名的两个方法

df[df.index == 'Jude'] # 索引列的查询要用 .index

df[df[col] > 0.5] # 选择col列的值大于0.5的行

# 多条件查询

df[(df['team'] == 'A') & ( df['Q1'] > 80) & df.utype.isin(['老客', '老访客'])]

# 筛选为空的内容

df[df.order.isnull()]

# 类似 SQL where in

df[df.team.isin('A','B')]

df[(df.team=='B') & (df.Q1 == 17)]

df[~(df['team'] == 'A') | ( df['Q1'] > 80)] # 非，或

df[df.Name.str.contains('张')] # 包含字符

df.sort_values(col1) # 按照列col1排序数据，默认升序排列

df.col1.sort_values() # 同上, -> s

df.sort_values(col2, ascending=False) # 按照列 col1 降序排列数据

# 先按列col1升序排列，后按col2降序排列数据

df.sort_values([col1,col2], ascending=[True,False])

df2 = pd.get_dummies(df, prefix='t_') # 将枚举的那些列带枚举转到列上

s.set_index().plot()

# 多索引处理

dd.set_index(['utype', 'site_id', 'p_day'], inplace=True)

dd.sort_index(inplace=True) # 按索引排序

dd.loc['新访客', 2, '2019-06-22'].plot.barh() # loc 中按顺序指定索引内容

# 前100行, 不能指定行，如：df[100]

df[:100]

# 只取指定行

df1 = df.loc[0:, ['设计师ID', '姓名']]

# 将ages平分成5个区间并指定 labels

ages = np.array([1,5,10,40,36,12,58,62,77,89,100,18,20,25,30,32])

pd.cut(ages, [0,5,20,30,50,100],

labels=[u"婴儿",u"青年",u"中年",u"壮年",u"老年"])

   

daily_index.difference(df_work_day.index) # 取出差别

# 格式化

df.index.name # 索引的名称 str

df.columns.tolist()

df.values.tolist()

df.总人口.values.tolist()

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

df.insert(1, 'three', 12, allow_duplicates=False) # 插入列 (位置、列名、[值])

df.pop('class') # 删除列

# 增加一行

df.append(pd.DataFrame({'one':2,

'two':3,

'three': 4.4},

index=['f']),

sort=True)

# 指定新列

iris.assign(sepal_ratio=iris['SepalWidth'] / iris['SepalLength']).head()

df.assign(rate=lambda df: df.orders/df.uv)

# shift 函数是对数据进行平移动的操作

df['增幅'] = df['国内生产总值'] - df['国内生产总值'].shift(-1)

df.tshift(1) # 时间移动，按周期

# 和上相同，diff 函数是用来将数据进行移动之后与原数据差

# 异数据，等于 df.shift()-df

df['增幅'] = df['国内生产总值'].diff(-1)

# 留存数据，因为最大一般为数据池

df.apply(lambda x: x/x.max(), axis=1)

   

# 取 best 列中值为列名的值写到 name 行上

df['value'] = df.lookup(df['name'], df['best'])

   

s.where(s > 1, 10) # 满足条件下数据替换（10，空为 NaN）

s.mask(s > 0) # 留下满足条件的，其他的默认为 NaN

# 所有值加 1 (加减乘除等)

df + 1 / df.add(1)

# 管道方法，链式调用函数，f(df)=df.pipe(f)

def gb(df, by):

result = df.copy()

result = result.groupby(by).sum()

return result

# 调用

df.pipe(gb, by='team')

# 窗口计算 '2s' 为两秒

df.rolling(2).sum()

# 在窗口结果基础上的窗口计算

df.expanding(2).sum()

# 超出（大于、小于）的值替换成对应值

df.clip(-4, 6)

# AB 两列想加增加 C 列

df['C'] = df.eval('A+B')

# 和上相同效果

df.eval('C = A + B', inplace=True)

# 数列的变化百分比

s.pct_change(periods=2)

# 分位数, 可实现时间的中间点

df.quantile(.5)

# 排名 average, min,max,first，dense, 默认 average

s.rank()

# 数据爆炸，将本列的类列表数据和其他列的数据展开铺开

df.explode('A')

# 枚举更新

status = {0:'未执行', 1:'执行中', 2:'执行完毕', 3:'执行异常'}

df['taskStatus'] = df['taskStatus'].apply(status.get)

df.assign(金额=0) # 新增字段

df.loc[('bar', 'two'), 'A'] # 多索引查询

df.query('i0 == "b" & i1 == "b"') # 多索引查询方法 2

# 取多索引中指定级别的所有不重复值

df.index.get_level_values(2).unique()

# 去掉为零小数，12.00 -> 12

df.astype('str').applymap(lambda x: x.replace('.00', ''))

# 插入数据，在第三列加入「两倍」列

df.insert(3, '两倍', df['值']*2)

# 枚举转换

df['gender'] = df.gender.map({'male':'男', 'female':'女'})

# 增加本行之和列

df['Col_sum'] = df.apply(lambda x: x.sum(), axis=1)

# 对指定行进行加和

col_list= list(df)[2:] # 取请假范围日期

df['总天数'] = df[col_list].sum(axis=1) # 计算总请假天数

# 对列求和，汇总

df.loc['col_sum'] = df.apply(lambda x: x.sum())

# 按指定的列表顺序显示

df.reindex(order_list)

# 按指定的多列排序

df.reindex(['col_1', 'col_5'], axis="columns")

七、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

df.loc[df['team'] == 'B',['name']] # 按条件查询，只显示name 列

s.iloc[0] # 按位置选取数据

s.loc['index_one'] # 按索引选取数据

df.loc[0,'A':'B'] # A到 B 字段的第一行

df.loc[2018:1990, '第一产业增加值':'第三产业增加值']

df.loc[0,['A','B']] # d.loc[位置切片, 字段]

df.iloc[0,:] # 返回第一行, iloc 只能是数字

df.iloc[0,0] # 返回第一列的第一个元素

dc.query('site_id > 8 and utype=="老客"').head() # 可以 and or / & |

# 迭代器及使用

for idx,row in df.iterrows(): row['id']

# 迭代器对每个元素进行处理

df.loc[i,'链接'] = f'http://www.gairuo.com/p/{slug}.html'

for i in df.Name:print(i) # 迭代一个列

# 按列迭代，[列名, 列中的数据序列 S（索引名 值)]

for label, content in df.items():print(label, content)

# 按行迭代，迭代出整行包括索引的类似列表的内容，可row[2]取

for row in df.itertuples():print(row)

df.at[2018, '总人口'] # 按行列索引名取一个指定的单个元素

df.iat[1, 2] # 索引和列的编号取单个元素

s.nlargest(5).nsmallest(2) # 最大和最小的前几个值

df.nlargest(3, ['population', 'GDP'])

df.take([0, 3]) # 指定多个行列位置的内容

# 按行列截取掉部分内容，支持日期索引标签

ds.truncate(before=2, after=4)

# 将 dataframe 转成 series

df.iloc[:,0]

float(str(val).rstrip('%')) # 百分数转数字

df.reset_index(inplace=True) # 取消索引

八、数据处理 GroupBy 透视

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

# 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.pivot_table(index=col1,

values=[col2,col3],

aggfunc=max,

as_index=False)

# 同上

df.pivot_table(index=['site_id', 'utype'],

values=['uv_all', 'regist_num'],

aggfunc=['max', 'mean'])

df.groupby(col1).agg(np.mean) # 返回按列col1分组的所有列的均值

# 按列将其他列转行

pd.melt(df, id_vars=["day"], var_name='city', value_name='temperature')

# 交叉表是用于统计分组频率的特殊透视表

pd.crosstab(df.Nationality,df.Handedness)

# groupby 后排序，分组 agg 内的元素取固定个数

(

df[(df.p_day >= '20190101')]

.groupby(['p_day', 'name'])

.agg({'uv':sum})

.sort_values(['p_day','uv'], ascending=[False, False])

.groupby(level=0).head(5) # 每天取5个页面

.unstack()

.plot()

)

# 合并查询经第一个看（max, min, last, size:数量）

df.groupby('结算类型').first()

# 合并明细并分组统计加总（'max', `mean`, `median`,

# `prod`, `sum`, `std`,`var`, 'nunique'）,'nunique'为去重的列表

df1 = df.groupby(by='设计师ID').agg({'结算金额':sum})

df.groupby(by=df.pf).ip.nunique() # groupby distinct, 分组+去重数

df.groupby(by=df.pf).ip.value_counts() # groupby 分组+去重的值及数量

df.groupby('name').agg(['sum', 'median', 'count'])

九、数据合并

# 合并拼接行

# 将df2中的行添加到df1的尾部

df1.append(df2)

# 指定列合并成一个新表新列

ndf = (df['提名1']

.append(df['提名2'], ignore_index=True)

.append(df['提名3'], ignore_index=True))

ndf = pd.DataFrame(ndf, columns=(['姓名']))

# 将df2中的列添加到df1的尾部

df.concat([df1, df2], axis=1)

   

# 合并文件的各行

df1 = pd.read_csv('111.csv', sep=' ')

df2 = pd.read_csv('222.csv', sep=' ')

excel_list = [df1, df2]

# result = pd.concat(excel_list).fillna('')[:].astype('str')

result = pd.concat(excel_list)[]

result.to_excel('333.xlsx', index=False)

   

# 合并指定目录下所有的 excel (csv) 文件

import glob

files = glob.glob("data/cs/*.xls")

dflist = []

for i in files:

dflist.append(pd.read_excel(i, usecols=['ID', '时间', '名称']))

   

df = pd.concat(dflist)

   

# 合并增加列

# 对df1的列和df2的列执行SQL形式的join

df1.join(df2,on=col1,how='inner')

# 用 key 合并两个表

df_all = pd.merge(df_sku, df_spu,

how='left',

left_on=df_sku['product_id'],

right_on=df_spu['p.product_id'])

十、时间处理 时间序列

# 时间索引

df.index = pd.DatetimeIndex(df.index)

# 时间只保留日期

df['date'] = df['time'].dt.date

# 将指定字段格式化为时间类型

df["date"] = pd.to_datetime(df['时间'])

# 转化为北京时间

df['time'] = df['time'].dt.tz_convert('Asia/Shanghai')

# 转为指定格式，可能会失去秒以后的精度

df['time'] = df['time'].dt.strftime("%Y-%m-%d %H:%M:%S")

dc.index = pd.to_datetime(dc.index, format='%Y%m%d', errors='ignore')

# 时间，参与运算

pd.DateOffset(days=2)

# 当前时间

pd.Timestamp.now()

pd.to_datetime('today')

# 判断时间是否当天

pd.datetime.today().year == df.start_work.dt.year

df.time.astype('datetime64[ns]').dt.date == pd.to_datetime('today')

# 定义个天数

import datetime

days = lambda x: datetime.timedelta(days=x)

days(2)

# 同上，直接用 pd 包装的

pd.Timedelta(days=2)

# unix 时间戳

pd.to_datetime(ted.film_date, unit='ms')

# 按月（YMDHminS）采集合计数据

df.set_index('date').resample('M')['quantity'].sum()

df.set_index('date').groupby('name')['ext price'].resample("M").sum()

# 按天汇总，index 是 datetime 时间类型

df.groupby(by=df.index.date).agg({'uu':'count'})

# 按周汇总

df.groupby(by=df.index.weekday).uu.count()

# 按月进行汇总

df.groupby(['name', pd.Grouper(key='date', freq='M')])['ext price'].sum()

# 按月进行汇总

df.groupby(pd.Grouper(key='day', freq='1M')).sum()

# 按照年度，且截止到12月最后一天统计 ext price 的 sum 值

df.groupby(['name', pd.Grouper(key='date', freq='A-DEC')])['ext price'].sum()

# 按月的平均重新采样

df['Close'].resample('M').mean()

# 取时间范围，并取工作日

rng = pd.date_range(start="6/1/2016",end="6/30/2016",freq='B')

# 重新定时数据频度，按一定补充方法

df.asfreq('D', method='pad')

# 时区，df.tz_convert('Europe/Berlin')

df.time.tz_localize(tz='Asia/Shanghai')

# 转北京时间

df['Time'] = df['Time'].dt.tz_localize('UTC').dt.tz_convert('Asia/Shanghai')

# 查看所有时区

from pytz import all_timezones

print (all_timezones)

# 时长，多久，两个时间间隔时间，时差

df['duration'] = pd.to_datetime(df['end']) - pd.to_datetime(df['begin'])

# 指定时间进行对比

df.Time.astype('datetime64[ns]') < pd.to_datetime('2019-12-11 20:00:00', format='%Y-%m-%d %H:%M:%S')

十一、常用备忘

# 解决科学计数法问题

df = pd.read_csv('111.csv', sep=' ').fillna('')[:].astype('str')

# 和订单量相关性最大到小显示

dd.corr().total_order_num.sort_values(ascending=False)

   

# 解析列表、json 字符串

import ast

ast.literal_eval("[{'id': 7, 'name': 'Funny'}]")

   

# Series apply method applies a function to

# every element in a Series and returns a Series

ted.ratings.apply(str_to_list).head()

# lambda is a shorter alternative

ted.ratings.apply(lambda x: ast.literal_eval(x))

# an even shorter alternative is to apply the

# function directly (without lambda)

ted.ratings.apply(ast.literal_eval)

# 索引 index 使用 apply()

df.index.to_series().apply()

十二、样式显示

df['per_cost'] = df['per_cost'].map('{:,.2f}%'.format) # 显示%比形式

# 指定列表（值大于0）加背景色

df.style.applymap(lambda x: 'background-color: grey' if x>0 else '',

subset=pd.IndexSlice[:, ['B', 'C']])

   

# 最大值最小值加背景色

df.style.highlight_max(color='lightgreen').highlight_min(color='#cd4f39')

df.style.format('{:.2%}', subset=pd.IndexSlice[:, ['B']]) # 显示百分号

   

# 指定各列的样式

format_dict = {'sum':'${0:,.0f}',

'date': '{:%Y-%m}',

'pct_of_total': '{:.2%}'

'c': str.upper}

   

# 一次性样式设置

(df.style.format(format_dict) # 多种样式形式

.hide_index()

# 指定列按颜色深度表示值大小, cmap 为 matplotlib colormap

.background_gradient(subset=['sum_num'], cmap='BuGn')

# 表格内作横向 bar 代表值大小

.bar(color='#FFA07A', vmin=100_000, subset=['sum'], align='zero')

# 表格内作横向 bar 代表值大小

.bar(color='lightgreen', vmin=0, subset=['pct_of_total'], align='zero')

# 下降（小于0）为红色, 上升为绿色

.bar(color=['#ffe4e4','#bbf9ce'], vmin=0, vmax=1, subset=['增长率'], align='zero')

# 给样式表格起个名字

.set_caption('2018 Sales Performance')

.hide_index())

   

# 按条件给整行加背景色（样式）

def background_color(row):

if row.pv_num >= 10000:

return ['background-color: red'] * len(row)

elif row.pv_num >= 100:

return ['background-color: yellow'] * len(row)

return [''] * len(row)

# 使用

df.style.apply(background_color, axis=1)

十三、表格中的直方图，sparkline 图形

表格中的直方图，sparkline 图形

import sparklines

import numpy as np

def sparkline_str(x):

bins=np.histogram(x)[0]

sl = ''.join(sparklines.sparklines(bins))

return sl

sparkline_str.__name__ = "sparkline"

# 画出趋势图，保留两位小数

df.groupby('name')['quantity', 'ext price'].agg(['mean', sparkline_str]).round(2)

   

# sparkline 图形

   

def sparkline(data, figsize=(4, 0.25), **kwargs):

"""

creates a sparkline

"""

   

# Turn off the max column width so the images won't be truncated

pd.set_option('display.max_colwidth', -1)

   

# Turning off the max column will display all the data

# if gathering into sets / array we might want to restrict to a few items

pd.set_option('display.max_seq_items', 3)

   

#Monkey patch the dataframe so the sparklines are displayed

pd.DataFrame._repr_html_ = lambda self: self.to_html(escape=False)

   

from matplotlib import pyplot as plt

import base64

from io import BytesIO

   

data = list(data)

   

*_, ax = plt.subplots(1, 1, figsize=figsize, **kwargs)

ax.plot(data)

ax.fill_between(range(len(data)), data, len(data)*[min(data)], alpha=0.1)

ax.set_axis_off()

   

img = BytesIO()

plt.savefig(img)

plt.close()

return '<img src="data:image/png;base64, {}" />'.format(base64.b64encode(img.getvalue()).decode())

   

# 使用

df.groupby('name')['quantity', 'ext price'].agg(['mean', sparkline])

df.apply(sparkline, axis=1) # 仅支持横向数据画线，可做 T 转置

十四、可视化

kind : str

- 'line' : line plot (default)

- 'bar' : vertical bar plot

- 'barh' : horizontal bar plot

- 'hist' : histogram

- 'box' : boxplot

- 'kde' : Kernel Density Estimation plot

- 'density' : same as 'kde'

- 'area' : area plot

- 'pie' : pie plot

   

十五、常用方法

df88.plot.bar(y='rate', figsize=(20, 10)) # 图形大小，单位英寸

df_1[df_1.p_day > '2019-06-01'].plot.bar(x='p_day', y=['total_order_num','order_user'], figsize=(16, 6)) # 柱状图

# 每条线一个站点，各站点的 home_remain, stack的意思是堆叠，堆积

# unstack 即"不要堆叠"

(df[(df.p_day >= '2019-05-1') & (df.utype == '老客')].groupby(['p_day', 'site_id'])['home_remain'].sum().unstack().plot.line())

# 折线图，多条, x 轴默认为 index

dd.plot.line(x='p_day', y=['uv_all', 'home_remain'])

dd.loc['新访客', 2].plot.scatter(x='order_user', y='paid_order_user') # 散点图

dd.plot.bar(color='blue') # 柱状图, barh 为横向柱状图

sns.heatmap(dd.corr()) # 相关性可视化

# 刻度从0开始，指定范围 ylim=(0,100), x 轴相同

s.plot.line(ylim=0)

   

# 折线颜色 https://matplotlib.org/examples/color/named_colors.html

# 样式( '-','--','-.',':' )

# 折线标记 https://matplotlib.org/api/markers_api.html

# grid=True 显示刻度 etc: https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html

s.plot.line(color='green', linestyle='-', marker='o')

   

# 两个图绘在一起

[df['数量'].plot.kde(), df['数量'].plot.hist()]

   

# 对表中的数据按颜色可视化

import seaborn as sns

cm = sns.light_palette("green", as_cmap=True)

df.style.background_gradient(cmap=cm, axis=1)

   

# 将数据转化为二维数组

[i for i in zip([i.strftime('%Y-%m-%d') for i in s.index.to_list()], s.to_list())]

   

# 和 plot 用法一样 https://hvplot.pyviz.org/user_guide/Plotting.html

import hvplot.pandas

   

# 打印 Sqlite 建表语句

print(pd.io.sql.get_schema(fdf, 'table_name'))

   

十六、Jupyter notebooks 问题

# jupyter notebooks plt 图表配置

import matplotlib.pyplot as plt

plt.rcParams['figure.figsize'] = (15.0, 8.0) # 固定显示大小

plt.rcParams['font.family'] = ['sans-serif'] # 显示中文问题

plt.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文问题

   

# jupyter notebooks 页面自适应宽度

from IPython.core.display import display, HTML

display(HTML("<style>.container { 100% !important; }</style>"))

# 背景白色 <style>#notebook_panel {background: #ffffff;}</style>

   

# jupyter notebooks 嵌入页面内容

from IPython.display import IFrame

IFrame('https://arxiv.org/pdf/1406.2661.pdf', width=800, height=450)

   

# Markdown 一个 cell 不支持多张粘贴图片

# 一个文件打印打开只显示一张图片问题解决

# /site-packages/notebook/static/notebook/js/main.min.js var key 处

# 33502、33504 行

key = utils.uuid().slice(2,6)+encodeURIandParens(blob.name);

key = utils.uuid().slice(2,6)+Object.keys(that.attachments).length;

# https://github.com/ihnorton/notebook/commit/55687c2dc08817da587977cb6f19f8cc0103bab1

   

# 多行输出

from IPython.core.interactiveshell import InteractiveShell

InteractiveShell.ast_node_interactivity = 'all' #默认为'last'

   

# 执行 shell 命令: ! <命令语句>

   

# 在线可视化工具

https://plot.ly/create

   

十七、Slideshow 幻灯片

安装 RISE 库：pip install RISE

- [Alt+r] 播放/退出播放

-「,」逗号隐藏左侧两个大操作按钮，「t」总览 ppt，「/」黑屏

- Slide：主页面，通过按左右方向键进行切换。

- Sub-Slide：副页面，通过按上下方向键进行切换。全屏

- Fragment：一开始是隐藏的，按空格键或方向键后显示，实现动态效果。在一个页面

- Skip：在幻灯片中不显示的单元。

- Notes：作为演讲者的备忘笔记，也不在幻灯片中显示。

十八、数据类型 dtypes