python 之数据分析利器

这一部分主要学习 pandas 中基于前面两种数据结构的基本操作。

设有 DataFrame 结果的数据 a 如下所示：

一、查看数据（查看对象的方法对于 Series 来说同样适用）

1.查看 DataFrame 前 xx 行或后 xx 行 a=DataFrame(data); a.head(6)表示显示前 6 行数据，若 head()中不带参数则会显示全部数据。 a.tail(6)表示显示后 6 行数据，若 tail()中不带参数则也会显示全部数据。

import pandas as pd import numpy as np a=pd.DataFrame([[4,1,1],[6,2,0],[6,1,6]],index=['one','two','three'],columns=['a','b','c']) a 

a.head(2) 

a.tail(2) 

2.查看 DataFrame 的 index ， columns 以及 values a.index ; a.columns ; a.values 即可

a.index Index([u'one', u'two', u'three'], dtype='object') 

a.columns Index([u'a', u'b', u'c'], dtype='object') 

a.values array([[4, 1, 1], [6, 2, 0], [6, 1, 6]]) 

3.describe()函数对于数据的快速统计汇总

a.describe()对每一列数据进行统计，包括计数，均值， std ，各个分位数等。

a.describe <bound method DataFrame.describe of a b c one 4 1 1 two 6 2 0 three 6 1 6> 

4.对数据的转置

a.T 

5.对轴进行排序 a.sort_index(axis=1,ascending=False)；其中 axis=1 表示对所有的 columns 进行排序，下面的数也跟着发生移动。后面的 ascending=False 表示按降序排列，参数缺失时默认升序。

a.sort_index(axis=1,ascending=False); a 

6.对 DataFrame 中的值排序 a.sort(columns=’ x ’) 即对 a 中的 x 这一列，从小到大进行排序。注意仅仅是 x 这一列，而上面的按轴进行排序时会对所有的 columns 进行操作。

a.sort(columns='c') 

二、选择对象

1.选择特定列和行的数据 a[‘ x ’] 那么将会返回 columns 为 x 的列，注意这种方式一次只能返回一个列。 a.x 与 a[‘ x ’]意思一样。

取行数据，通过切片[]来选择 如： a[0:3] 则会返回前三行的数据。

a['a'] one 4 two 6 three 6 Name: a, dtype: int64 

a[0:2] 

2.通过标签来选择 a.loc[‘ one ’]则会默认表示选取行为’ one ’的行；

a.loc[:,[‘ a ’,’ b ’] ] 表示选取所有的行以及 columns 为 a,b 的列；

a.loc[[‘ one ’,’ two ’],[‘ a ’,’ b ’]] 表示选取’ one ’和’ two ’这两行以及 columns 为 a,b 的列；

a.loc[‘ one ’,’ a ’]与 a.loc[[‘ one ’],[‘ a ’]]作用是一样的，不过前者只显示对应的值，而后者会显示对应的行和列标签。

3.通过位置来选择

这与通过标签选择类似 a.iloc[1:2,1:2] 则会显示第一行第一列的数据;(切片后面的值取不到)

a.iloc[1:2] 即后面表示列的值没有时，默认选取行位置为 1 的数据;

a.iloc[[0,2],[1,2]] 即可以自由选取行位置，和列位置对应的数据。

a.iloc[1:2,1:2] 

4.使用条件来选择 使用单独的列来选择数据 a[a.c>0] 表示选择 c 列中大于 0 的数据

a[a.c>0] 

使用 where 来选择数据 a[a>0] 表直接选择 a 中所有大于 0 的数据

a[a>0] 

使用 isin()选出特定列中包含特定值的行 a1=a.copy() a1[a1[‘ one ’].isin([‘ 2 ′,’ 3 ′])] 表显示满足条件：列 one 中的值包含’ 2 ’,’ 3 ’的所有行。

a1=a.copy() a1[a1['a'].isin([4])] 

三、设置值（赋值）

赋值操作在上述选择操作的基础上直接赋值即可。 例 a.loc[:,[‘ a ’,’ c ’]]=9 即将 a 和 c 列的所有行中的值设置为 9 a.iloc[:,[1,3]]=9 也表示将 a 和 c 列的所有行中的值设置为 9

同时也依然可以用条件来直接赋值

a[a>0]=-a 表示将 a 中所有大于 0 的数转化为负值

a.loc[:,['a','c']]=9 a 

a.iloc[:,[0,1,2]]=7 a 

a[a>0]=-a a 

四、缺失值处理

在 pandas 中，使用 np.nan 来代替缺失值，这些值将默认不会包含在计算中。

1.reindex()方法 用来对指定轴上的索引进行改变 /增加 /删除操作，这将返回原始数据的一个拷贝。 a.reindex(index=list(a.index)+[‘ five ’],columns=list(b.columns)+[‘ d ’])

a.reindex(index=[‘ one ’,’ five ’],columns=list(b.columns)+[‘ d ’])

即用 index=[]表示对 index 进行操作， columns 表对列进行操作。

b=a.reindex(index=list(a.index)+['four'],columns=list(a.columns)+['d']) c=b.copy() c 

2.对缺失值进行填充 a.fillna(value=x) 表示用值为 x 的数来对缺失值进行填充

b.fillna(value=100)   
3.去掉包含缺失值的行 a.dropna(how=’ any ’) 表示去掉所有包含缺失值的行
 
c.dropna(how='any') 
  
五、合并
 
1.contact contact(a1,axis=0/1 ， keys=[‘ xx ’,’ xx ’,’ xx ’,…])，其中 a1 表示要进行连接的列表数据,axis=1 时表横着对数据进行连接。 axis=0 或不指定时，表将数据竖着进行连接。 a1 中要连接的数据有几个则对应几个 keys ，设置 keys 是为了在数据连接以后区分每一个原始 a1 中的数据。
 
例： a1=[b[‘ a ’],b[‘ c ’]] result=pd.concat(a1,axis=1 ， keys=[‘ 1 ′,’ 2 ’])
 
a1=[b['a'],b['c']] d=pd.concat(a1,axis=1,keys=['1','2']) d 
  
2.Append 将一行或多行数据连接到一个 DataFrame 上 a.append(a[2:],ignore_index=True) 表示将 a 中的第三行以后的数据全部添加到 a 中，若不指定 ignore_index 参数，则会把添加的数据的 index 保留下来，若 ignore_index=Ture 则会对所有的行重新自动建立索引。
 
a.append(a[2:],ignore_index=True) 
  
3.merge 类似于 SQL 中的 join 设 a1,a2 为两个 dataframe,二者中存在相同的键值，两个对象连接的方式有下面几种： (1)内连接， pd.merge(a1, a2, on=’ key ’) (2)左连接， pd.merge(a1, a2, on=’ key ’, how=’ left ’) (3)右连接， pd.merge(a1, a2, on=’ key ’, how=’ right ’) (4)外连接， pd.merge(a1, a2, on=’ key ’, how=’ outer ’) 至于四者的具体差别，具体学习参考 sql 中相应的语法。
 
pd.merge(b,c,on='a') 
  
六、分组（ groupby ）
 
用 pd.date_range 函数生成连续指定天数的的日期 pd.date_range(‘ 20000101 ’,periods=10)
 
def shuju():
 
data={
 
‘ date ’:pd.date_range(‘ 20000101 ’,periods=10),
 
‘ gender ’:np.random.randint(0,2,size=10),
 
‘ height ’:np.random.randint(40,50,size=10),
 
‘ weight ’:np.random.randint(150,180,size=10)
 
}
 
a=DataFrame(data)
 
print(a)
 
date gender height weight
 
0 2000-01-01 0 47 165
 
1 2000-01-02 0 46 179
 
2 2000-01-03 1 48 172
 
3 2000-01-04 0 45 173
 
4 2000-01-05 1 47 151
 
5 2000-01-06 0 45 172
 
6 2000-01-07 0 48 167
 
7 2000-01-08 0 45 157
 
8 2000-01-09 1 42 157
 
9 2000-01-10 1 42 164
 
用 a.groupby(‘ gender ’).sum()得到的结果为： #注意在 python 中 groupby(” xx)后要加 sum()，不然显示
 
不了数据对象。
 
gender height weight
 
0 256 989
 
1 170 643
 
此外用 a.groupby(‘ gender ’).size()可以对各个 gender 下的数目进行计数。
 
所以可以看到 groupby 的作用相当于： 按 gender 对 gender 进行分类，对应为数字的列会自动求和，而为字符串类型的列则不显示；当然也可以同时 groupby([‘ x1 ′,’ x2 ’,…])多个字段，其作用与上面类似。
 
a2=pd.DataFrame({ 'date':pd.date_range('20000101',periods=10), 'gender':np.random.randint(0,2,size=10), 'height':np.random.randint(40,50,size=10), 'weight':np.random.randint(150,180,size=10) }) print(a2) date gender height weight 0 2000-01-01 0 43 151 1 2000-01-02 1 40 171 2 2000-01-03 1 49 169 3 2000-01-04 1 48 165 4 2000-01-05 0 42 159 5 2000-01-06 1 48 152 6 2000-01-07 0 48 154 7 2000-01-08 1 40 151 8 2000-01-09 0 41 158 9 2000-01-10 0 44 175 
 
a2.groupby('gender').sum() 
  
七、 Categorical 按某一列重新编码分类
 
如六中要对 a 中的 gender 进行重新编码分类，将对应的 0 ， 1 转化为 male ， female ，过程如下：
 
a[‘ gender1 ’]=a[‘ gender ’].astype(‘ category ’)
 
a[‘ gender1 ’].cat.categories=[‘ male ’,’ female ’] #即将 0 ， 1 先转化为 category 类型再进行编码。
 
print(a)得到的结果为：
 
date gender height weight gender1
 
0 2000-01-01 1 40 163 female
 
1 2000-01-02 0 44 177 male
 
2 2000-01-03 1 40 167 female
 
3 2000-01-04 0 41 161 male
 
4 2000-01-05 0 48 177 male
 
5 2000-01-06 1 46 179 female
 
6 2000-01-07 1 42 154 female
 
7 2000-01-08 1 43 170 female
 
8 2000-01-09 0 46 158 male
 
9 2000-01-10 1 44 168 female
 
所以可以看出重新编码后的编码会自动增加到 dataframe 最后作为一列。
 
a2['gender1']=a2['gender'].astype('category') a2['gender1'].cat.categories=['male','female'] a2 
  
八、相关操作
 
描述性统计： 1.a.mean() 默认对每一列的数据求平均值；若加上参数 a.mean(1)则对每一行求平均值；
 
a2.mean() gender 0.5 height 44.3 weight 160.5 dtype: float64 
 
2.统计某一列 x 中各个值出现的次数： a[‘ x ’].value_counts()；
 
a2['height'].value_counts() 0 64.666667 1 70.666667 2 73.000000 3 71.333333 4 67.000000 5 67.000000 6 67.333333 7 64.000000 8 66.333333 9 73.000000 dtype: float64 
 
3.对数据应用函数 a.apply(lambda x:x.max()-x.min()) 表示返回所有列中最大值-最小值的差。
 
d.apply(lambda x:x.max()-x.min()) 1 0 2 0 dtype: float64 
 
4.字符串相关操作 a[‘ gender1 ’].str.lower() 将 gender1 中所有的英文大写转化为小写，注意 dataframe 没有 str 属性，只有 series 有，所以要选取 a 中的 gender1 字段。
 
a2['gender1'].str.lower() 0 male 1 female 2 female 3 female 4 male 5 female 6 male 7 female 8 male 9 male Name: gender1, dtype: object 
 
九、时间序列
 
在六中用 pd.date_range(‘ xxxx ’,periods=xx,freq=’ D/M/Y ….’)函数生成连续指定天数的的日期列表。 例如 pd.date_range(‘ 20000101 ’,periods=10),其中 periods 表示持续频数； pd.date_range(‘ 20000201 ′,’ 20000210 ′,freq=’ D ’)也可以不指定频数，只指定其实日期。
 
此外如果不指定 freq ，则默认从起始日期开始，频率为 day 。其他频率表示如下：
 
print(pd.date_range('20000201','20000210',freq='D')) DatetimeIndex(['2000-02-01', '2000-02-02', '2000-02-03', '2000-02-04', '2000-02-05', '2000-02-06', '2000-02-07', '2000-02-08', '2000-02-09', '2000-02-10'], dtype='datetime64[ns]', freq='D') 
 
print(pd.date_range('20000201',periods=5)) DatetimeIndex(['2000-02-01', '2000-02-02', '2000-02-03', '2000-02-04', '2000-02-05'], dtype='datetime64[ns]', freq='D') 
 
十、画图(plot)
 
在 pycharm 中首先要： import matplotlib.pyplot as plt
 
a=Series(np.random.randn(1000),index=pd.date_range(‘ 20100101 ’,periods=1000))
 
b=a.cumsum()
 
b.plot()
 
plt.show() #最后一定要加这个 plt.show()，不然不会显示出图来。
 
import matplotlib.pyplot as plt a=pd.Series(np.random.randn(1000),index=pd.date_range('20150101',periods=1000)) b=a.cumsum() b.plot() plt.show() 
  
也可以使用下面的代码来生成多条时间序列图：
 
a=DataFrame(np.random.randn(1000 ， 4),index=pd.date_range(‘ 20100101 ’,periods=1000),columns=list(‘ ABCD ’))
 
b=a.cumsum()
 
b.plot()
 
plt.show()
 
a=pd.DataFrame(np.random.randn(1000,4),index=pd.date_range('20150101',periods=1000),columns=list('ABCD')) b=a.cumsum() b.plot() plt.show() 
  
以上代码不想自己试一试吗？
 
镭矿raquant提供jupyter在线练习学习python的机会，无需安装python即可运行python程序。