数据分析05 /pandas的高级操作

数据分析05 /pandas的高级操作

1. 替换操作

替换操作可以同步作用于Series和DataFrame中

创建df表格数据：

import numpy as np

import pandas as pd

from pandas import DataFrame,Series

df = DataFrame(data=np.random.randint(0,100,size=(8,7)))

普通替换：替换所有符合要求的元素:to_replace=15,value='e'
```
df.replace(to_replace=0,value='zero')
```
按列指定单值替换： to_replace={列标签：替换值} value='value'
```
df.replace(to_replace={0:'aaa',22:222666})
```
指定行替换
```
df.iloc[2] = [0,0,0,0,0,0,0]

df
```

指定列替换

df.replace(to_replace={4:0},value=666)

# 将第4列中的0替换成666

2. 映射操作

概念：map是Series的一个方法，创建一个映射关系列表，把values元素和一个特定的标签或者字符串绑定（给一个元素值提供不同的表现形式）

需求：创建一个df，两列分别是姓名和薪资，然后给其名字起对应的英文名

1.创建一个df表格：

dic = {

    'name':['张三','李四','王老五'],

    'salary':[22222,7777,11111]

}

df = DataFrame(data=dic)

df

2.创建映射表：

# 映射关系表

dic = {

    '张三':'tom',

    '李四':'jay',

    '王老五':'jerry'

}

df['e_name'] = df['name'].map(dic)

df

3. 运算工具

map：map括号中放的是函数就是充当运算工具来使用

示例：超过3000部分的钱缴纳50%的税，计算每个人的税后薪资

def after_sal(s):   # 返回税后薪资，参数s就是税前薪资

    return s - (s-3000)*0.5

df['after_sal'] = df['salary'].map(after_sal)

df

apply：apply是df的一个方法/运算工具，可以将df中行或者列数据进行某种形式的运算操作。

def func(s):

    s = s.sum()

    print(s)

df.apply(func,axis=0)

# 结果：

张三李四王老五

41110

tomjayjerry

25055.0

4. 映射索引 / 更改之前索引

使用rename()函数替换行索引

参数介绍：index 替换行索引，columns 替换列索引

1.创建df4表格

df4 = DataFrame({'color':['white','gray','purple','blue','green'],'value':np.random.randint(10,size = 5)})

df4

2.映射行/列索引

# 映射关系表：映射行索引

new_index = {0:'first',1:'two',2:'three',3:'four',4:'five'}

# 映射关系表：映射列索引

new_col={'color':'cc','value':'vv'}

df4.rename(new_index,columns=new_col)

5. 排序实现的随机抽样/打乱表格数据

np.random.permutation()：指定数内随机排序

np.random.permutation(10)

# 结果：

array([8, 2, 6, 7, 3, 9, 1, 5, 0, 4])

take()：将df数据的行/列进行打乱操作

df = DataFrame(data=np.random.randint(0,100,size=(100,3)),columns=['A','B',"C"])

df.take(np.random.permutation(3),axis=1).take(np.random.permutation(100),axis=0)[:50]

6. 数据的分类处理 / 分组

数据分类处理的核心：groupby()函数，groups属性查看分组情况

1.创建表格

df = DataFrame({'item':['Apple','Banana','Orange','Banana','Orange','Apple'],

                'price':[4,3,3,2.5,4,2],

               'color':['red','yellow','yellow','green','green','green'],

               'weight':[12,20,50,30,20,44]})

df

示例1：计算每种水果的平均价格

# 分组

df.groupby(by='item')

# 结果：<pandas.core.groupby.DataFrameGroupBy object at 0x000001B6E3D4A0B8>

# 查看分组情况

df.groupby(by='item').groups

# 结果：

{'Apple': Int64Index([0, 5], dtype='int64'),

 'Banana': Int64Index([1, 3], dtype='int64'),

 'Orange': Int64Index([2, 4], dtype='int64')}

# 请平均价格

df.groupby(by='item').mean()['price']  # 不推荐

df.groupby(by='item')['price'].mean()  # 推荐

示例2：计算每种颜色水果的平均重量

df.groupby(by='color')['weight'].mean()

示例3：将每种水果的平均价格数据汇总到原数据中，通过映射实现

# 求每种水果的平均价格

mean_price_series = df.groupby(by='item')['price'].mean()

# 将mean_price_series转换成字典，mean_price_series是Series类型

dic = mean_price_series.to_dict()

# 建立item和平均价格的映射关系，并在表中创建mean_price列

df['mean_price'] = df['item'].map(dic)

7. 高级数据聚合

使用groupby分组后，也可以使用transform和apply提供自定义函数实现更多的运算

示例：
```
df.groupby('item')['price'].sum() <==> df.groupby('item')['price'].apply(sum)
```

transform和apply都会进行运算，在transform或者apply中传入函数即可，transform和apply也可以传入一个lambda表达式

transform应用示例1：

# 错误示例：

def abc(s):

    return s

df.groupby(by='item')['price'].abc()   # abc不是Series对象的方法

# 正确使用：

df.groupby(by='item')['price'].transform(abc)   #通过transform可以实现

transform应用示例2：自定义一个求均值的函数，作用到分组结果中

def my_mean(s):

    sum = 0

    for i in s:

        sum+=i

    return sum/s.size

df.groupby(by='item')['price'].transform(my_mean)

apply应用实例：自定义一个求均值的函数，为了防止混淆，可以忽略此方法

def my_mean(s):

    sum = 0

    for i in s:

        sum+=i

    return sum/s.size

df.groupby(by='item')['price'].apply(my_mean)

8. 数据加载

读取type-.txt文件数据

import pandas as pd

from pandas import DataFrame,Series

data=pd.read_csv('./data/type-.txt')

# data/type-.txt文件数据：

"""

你好-我好-他也好

也许-大概-有可能

然而-未必-不见得

"""

将文件中每一个词作为元素存放在DataFrame中

data=pd.read_csv('./data/type-.txt',sep='-',header=None)

# sep:通过sep指定的符号切割

# header=None，不以数据的第一行作为列的索引

读取数据库中的数据

# 连接数据库，获取连接对象

import sqlite3 as sqlite3

conn=sqlite3.connect('./data/weather_2012.sqlite')

# 读取库表中的数据值

sql_df=pd.read_sql('select * from weather_2012',conn)

sql_df

# 将一个df中的数据值写入存储到db

df.to_sql('fruit',conn)

# 此方法不适用mysql数据库的写入

9. 透视表

透视表概述：

透视表是一种可以对数据动态排布并且分类汇总的表格格式。或许大多数人都在Excel使用过数据透视表，也体会到它的强大功能，而在pandas中它被称作pivot_table。
透视表的优点：
- 灵活性高，可以随意定制你的分析计算要求
- 脉络清晰易于理解数据
- 操作性强，报表神器
透视表的参数：

pivot_table有四个最重要的参数index、values、columns、aggfunc

index参数：分类汇总的分类条件

values参数：需要对计算的数据进行筛选

Aggfunc参数：设置我们对数据聚合时进行的函数操作，当我们未设置aggfunc参数：默认aggfunc='mean'计算均值

Columns参数：可以设置列层次字段，对values字段进行分类

示例：分析NBA球星的比赛数据

数据分析05 /pandas的高级操作

将数据读取出来

import pandas as pd

import numpy as np

df = pd.read_csv('./data/basketball_game.csv')

df.head()

1.查看Harden对阵过球队的比赛数据

df.pivot_table(index='对手')  # 默认分类汇总使用的聚合函数是mean

2.对阵同一对手在不同主客场下的数据，分类条件为对手和主客场

df.pivot_table(index=['对手','主客场'])

3.只需要Harden在主客场和不同胜负情况下的得分、篮板与助攻三项数据

df.pivot_table(index=['主客场','胜负'],values=['得分','篮板','助攻'])

# values参数的使用

4.获取Harden在主客场和不同胜负情况下的总得分、总篮板、总助攻数

df.pivot_table(index=['主客场','胜负'],values=['得分','篮板','助攻'],aggfunc='sum')

# aggfunc参数的使用

5.获取Harden在主客场和不同胜负情况下的平均得分、总篮板、最小助攻数

df.pivot_table(index=['主客场','胜负'],aggfunc={'得分':'mean','篮板':'sum','助攻':'min'})

6.获取所有队主客场的总得分

df.pivot_table(index='主客场',values='得分',aggfunc='sum')

7.获取每个队主客场的总得分（在总得分的基础上又进行了对手的分类）

df.pivot_table(index='主客场',values='得分',aggfunc='sum',columns='对手').fillna(value=0)

# Columns参数的使用

数据分析05 /pandas的高级操作

10. 交叉表

交叉表概述：是一种用于计算分组的特殊透视图,对数据进行汇总，pd.crosstab(index,colums)
交叉表pd.crosstab(index,colums)的参数：

index参数：分组数据，交叉表的行索引

columns参数：交叉表的列索引

交叉表应用示例：

1.创建表

df = DataFrame({'sex':['man','man','women','women','man','women','man','women','women'],

               'age':[15,23,25,17,35,57,24,31,22],

               'smoke':[True,False,False,True,True,False,False,True,False],

               'height':[168,179,181,166,173,178,188,190,160]})

df

2.求出不同性别抽烟的人数

pd.crosstab(df.smoke,df.sex)

3.求出各个年龄段抽烟人情况

pd.crosstab(df.age,df.smoke)

秒客网

数据分析05 /pandas的高级操作