python数据分析工具 | pandas

 

pandas是python下强大的数据分析和探索工具，是的python在处理数据时非常快速、简单。它是构建在numpy之上的，包含丰富的数据处理函数，支持时间序列分析功能，支持灵活处理缺失数据。

pandas基础

# 安装
pip install pandas

pandas 基本的数据结构是 Series 和 DataFrame 。Series 就是序列，类似一维数组；DataFrame 则是相当于一张二维的表格，类似二维数组，它的每一列都是一个 Series 。每个 Series 都会带有一个对应的 Index ，用来标记不同的元素，Index 的内容可以是字母、数字、中文等。

Series

import numpy as np
import pandas as pd

# 创建Series方法
方法1：s1 = pd.Series([1, 2, 3, 4])
方法2：s2 = pd.Series(np.arange(10)) # 通过numpy.arange创建
方法3：s3 = pd.Series({'1':1, '2':2, '3':3}) # 通过字典创建
方法4：s4 = pd.Series([1, 2, 3, 4], index=['A', 'B', 'C', 'D']) # 创建时设置索引

s1.values  # 查看值
s1.index   # 查看索引

DataFrame

from pandas import Series, DataFrame
s1 = s2 = s3 = Series([1, 2, 3])
df = DataFrame([s1, s2, s3], index=['A','B','C'], columns=[0, 1, 2])
print(df)  # DataFrame 包含 index 和 column，分别为行索引和列索引
out:
   0  1  2
A  1  2  3
B  1  2  3
C  1  2  3

df.index  # 查看行索引
df.column # 查看列索引

pandas实用操作

I/O操作（df1表示DataFrame格式数据）.

1、从粘贴板读取
df1.to_clipboard()         #写入粘贴板
pd.read_clipboard()  # 复制后执行命令，即可读取到粘贴板中信息

2、CSV文件
df1.to_csv('名字.csv',index=False)  # false则表示不添加索引号
pd.read_csv('df1.csv')        # 读取CSV文件

3、json
df1.to_json()               # 转化成json文件
pd.read_json(df1.to_json()) # 读取json文件

4、html
df1.to_html('df1_html') # 转换成HTML文件

5、excel
df1.to_excel('df1.xlsx') # 生成Excel文件

查看数据（df1表示DataFrame格式数据）

df1.head() # 返回前五行
df1.tail() # 返回后五行
# 返回更多的内容则在括号中写出来，不写则默认为五行

df1.iloc[:,:] # 索引切片，定位，基于index，与索引名无关
df1.loc[:,:]  # 根据索引名来，label来过滤

# 取列（column）
df1[]  # 直接写column名便取得对应列，若要取多列，中括号内可以写个列表，eg：['A', 'B']

df1.T  # 转置
df1.describe()  # 快速查看数据的统计概要，包括count、mean、std、min等

# 排序
df1.sort_index(axis=1, ascending=False)  # 按轴排序，axis表示轴(0为列，1为行)，ascending表示正反序
df1.sort_values(by='')  # by后写column，表示按该column值排序

数据运算

在 pandas 中运算会自动对齐 index 和 column 。下面举例说明。

在 Series 中，两个Series相加，会自动对齐索引，当索引没有时，则为NaN，NaN与任何数相加都为NaN，因此会出现图中【5】的结果，fill_value是将两个Series中的缺失项先填充，再进行相加运算。DataFrame数据同理，下面不加以赘述。

缺失值

缺失值可以用 numpy.nan 来表示，NaN 具有传染性，换句话说就是与 NaN 进行运算的结果都是 NaN 。对于含有 NaN 的普通函数计算结果均为 NaN，例如：

a = numpy.array([2, 3, 1, numpy.nan, 4])

numpy.sum(a)
umpy.min(a)
umpy.max(a)等均为NaN

# 但是其有安全模式，也就是忽略其中的 NaN 进行运算
numpy.nansum(a)
umpy.nanmin(a)
umpy.nanmax(a) 均会在已有数据中求相应的和，最大最小值

缺失值的发现

data.isnull()
data.notnull()
# 均返回布尔值

缺失值的去除

data.dropna(axis=0,how='any'，thresh=None)
# axis表示行和列0,1来表示
# how为any时表示有Nan就删掉，为all时表示全为nan时才删掉
# thresh表示一个界限，超过这个数字的nan则被删掉

缺失值的填充

data.fillna(axis=0, method=ffill)  # 或者参数只填一个数，即用该数字填充
axis 坐标轴，行或列
method 填充方式
  ffill：forward-fill 从前向后填充
  bfill：backward-fill 从后向前填充

合并（merge）

结合（concat）
pandas.concat(df1, df2, df3)

连接（join）
left = pd.DataFrame({'key': ['foo', 'foo'], 'lval':[1, 2]})
right = pd.DataFrame({'key': ['foo', 'foo'], 'rval':[1, 2]})
pd.merge(left, right, on="key")
out:
   key  lval  rval
0  foo     1     4
1  foo     1     5
2  foo     2     4
3  foo     2     5

追加（append）
data1.append(data2, ignore_index=True)

数据透视表（Pivot Tables）

当分析庞大的数据时，为了更好的发掘数据特征之间的关系，且不破坏原数据，就可以利用透视表 `pivot_table` 进行操作。

新建表将 `A, B, C` 列作为索引进行聚合。
df = pd.DataFrame({'A': ['one', 'one', 'two', 'three'] * 3,
                   'B': ['A', 'B', 'C'] * 4,
                   'C': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,
                   'D': np.random.randn(12),
                   'E': np.random.randn(12)})

pd.pivot_table(df, index=['A', 'B'])

1、透视表按指定行进行聚合
将该 DataFrame 的 `D` 列聚合，按照 `A, B` 列为索引进行聚合，聚合的方式为默认求均值。
pd.pivot_table(df, values=['D'], index=['A', 'B'])

2、透视表聚合方式定义
上一题中 `D` 列聚合时，采用默认求均值的方法，若想使用更多的方式可以在 `aggfunc` 中实现。
pd.pivot_table(df, values=['D'], index=['A', 'B'], aggfunc=[np.sum, len])

3、透视表利用额外列进行辅助分割
`D` 列按照 `A, B` 列进行聚合时，若关心 `C` 列对 `D` 列的影响，可以加入 `columns` 值进行分析。
pd.pivot_table(df, values=['D'], index=['A', 'B'],
               columns=['C'], aggfunc=np.sum)

4、透视表的缺省值处理
在透视表中由于不同的聚合方式，相应缺少的组合将为缺省值，可以加入 `fill_value` 对缺省值处理。
pd.pivot_table(df, values=['D'], index=['A', 'B'],
               columns=['C'], aggfunc=np.sum, fill_value=0)