【转】Pandas常见用法总结

时间:2021-04-09 21:15:44

关键缩写和包导入

在这个速查手册中,我们使用如下缩写:

df:任意的Pandas DataFrame对象
s:任意的Pandas Series对象
raw:行标签
col:列标签

引入响应模块:

import pandas as pd
import numpy as np

导入数据

  • pd.read_csv(filename_path):从CSV文件导入数据
  • pd.read_table(filename_path):从限定分隔符的文本文件导入数据
  • pd.read_excel(filename_path):从Excel文件导入数据
  • pd.read_sql(query, connection_object):从SQL表/库导入数据
  • pd.read_json(json_string):从JSON格式的字符串导入数据
  • pd.read_html(url):解析URL、字符串或者HTML文件,抽取其中的tables表格
  • pd.read_clipboard():从你的粘贴板获取内容,并传给read_table()
  • pd.DataFrame(dict):从字典对象导入数据,Key是列名,Value是数据
pd.read_excel(io, sheetname=0, header=0, skiprows=None, skip_footer=0, index_col=None, names=None, parse_cols=None, parse_dates=False, date_parser=None, na_values=None, thousands=None, convert_float=True, has_index_names=None, converters=None, dtype=None, true_values=None, false_values=None, engine=None, squeeze=False, **kwds)
'''该函数主要的参数为:io、sheetname、header、names、encoding。
io:excel文件,可以是文件路径、文件网址、file-like对象、xlrd workbook;
sheetname:返回指定的sheet,参数可以是字符串(sheet名)、整型(sheet索引)、list(元素为字符串和整型,返回字典{'key':'sheet'})、none(返回字典,全部sheet);(如果一个excel含有多个表,如果你只想读入其中一个可以:df = pd.read_excel('log.xls', sheetname=1))
header:指定数据表的表头,参数可以是int、list of ints,即为索引行数为表头;
names:返回指定name的列,参数为array-like对象。
encoding:关键字参数,指定以何种编码读取。
该函数返回pandas中的DataFrame或dict of DataFrame对象,利用DataFrame的相关操作即可读取相应的数据。''' pd.read_table(r'E:\test.txt', sep=' ',index_col=0)
'''常用参数:
header=None:没有每列的column name,可以自己设定
encoding='gb2312':其他编码中文显示错误
index_col=0:设置第1列数据作为index
sep:设置分隔符'''

导出数据

  • df.to_csv(filename_path):导出数据到CSV文件
  • df.to_excel(filename_path):导出数据到Excel文件
  • df.to_sql(table_name, connection_object):导出数据到SQL表
  • df.to_json(filename_path):以Json格式导出数据到文本文件
DataFrame.to_excel(excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None)

该函数主要参数为:excel_writer。
excel_writer:写入的目标excel文件,可以是文件路径、ExcelWriter对象;
sheet_name:被写入的sheet名称,string类型,默认为'sheet1';
na_rep:缺失值表示,string类型;
header:是否写表头信息,布尔或list of string类型,默认为True;
index:是否写行号,布尔类型,默认为True;
encoding:指定写入编码,string类型。

创建测试对象

  • pd.DataFrame(np.random.rand(20,5)):创建20行5列的随机数组成的DataFrame对象
  • pd.Series(my_list):从可迭代对象my_list创建一个Series对象
  • df.index = pd.date_range('1900/1/30', periods=df.shape[0]):增加一个日期索引

查看、检查数据

  • df.head(n):查看DataFrame对象的前n行(不加参数,默认前10行)
  • df.tail(n):查看DataFrame对象的最后n行(不加参数,默认后10行)
  • df.shape():查看行数和列数(维度查看)
  • http://df.info()df.info-df.infodfdf.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
  • s.value_counts(dropna=False):查看Series对象的唯一值和计数
  • df.apply(pd.Series.value_counts):查看DataFrame对象中每一列的唯一值和计数
  • df.dtypes:查看每一列的数据类型(扩展:df['two'].dtypes,查看“two”列的类型)
  • df.isnull():查看空置(注:空置部分会用true显示,不是空置False显示)(扩展:df['two'].isnull,查看“two”这一列的空置)
  • df.values:查看数据表的值
  • df.columns:查看列名称

数据选取

  • df.isin([5]):判断全部数据值中是否有5
  • dr[col].isin([5]):判断列col中是否有5
  • 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
  • s.iloc[0]:按位置选取行数据
  • s.loc['index_one']:按索引选取行数据
  • df.iloc[0,:]:返回第一行
  • df.iloc[0,0]:返回第一列的第一个元素
  • df.ix[0] 或 df.ix[raw] :ix函数可以根据行位置或行标签选择行数据

 注:loc函数根据行标签进行行选择;

         iloc函数根据行位置进行行选择;

         ix函数可以根据行位置选择也可以根据行标签选择。

数据清理

  • df.columns = ['a','b','c']:重命名列名
  • 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.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(注:fillna()会填充nan数据,返回填充后的结果。如果希望在原DataFrame中修改,则把inplace设置为True。如,df.fillna(0,inplace=True))
  • s.astype(float):将Series中的数据类型更改为float类型
  • df[col].astype(float):将DataFrame某列数据类型改为float类型
  • s.replace(1,'first'):用‘first’代替所有等于1的值(替换的是值,不是列名也不是索引名)
  • s.replace([1,3],['one','three']):用'one'代替1,用'three'代替3
  • df[col].replace(1,1.0,inplace=True):列col中的值1用1.0替换
  • df.replace([1,3],['one','three'])
  • 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'):将column_one这一列变为索引列
  • df.rename(index=lambda x: x + 1):批量重命名索引
  • df[col]=df[col].str.upper()或df[col].str.lower():基于列的大小写转换
  • df[col]=df[col].map(str.strip):清楚某列的空格
  • df.drop_duplicates(subset=col,keep='fisrt',inplace=Flase):删除重复值

注:这个drop_duplicate方法是对DataFrame格式的数据,去除特定列下面的重复行。返回DataFrame格式的数据。

  • subset : column label or sequence of labels, optional      用来指定特定的列,默认所有列
  • keep : {‘first’, ‘last’, False}, default ‘first’      删除重复项并保留第一次出现的项
  • inplace : boolean, default False        是直接在原来数据上修改还是保留一个副本

数据处理:Filter、Sort和GroupBy

  • df[df[col] > 0.5]:选择col列的值大于0.5的行
  • df.sort_values(col1):按照列col1排序数据,默认升序排列
  • df.sort_values(col2, ascending=False):按照列col1降序排列数据
  • df.sort_values([col1,col2], ascending=[True,False]):先按列col1升序排列,后按col2降序排列数据
  • 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
  • df.pivot_table(index=col1, values=[col2,col3], aggfunc=max):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.groupby(col1).agg(np.mean):返回按列col1分组的所有列的均值
  • 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.isin

数据合并

  • df1.append(df2):将df2中的行添加到df1的尾部
  • df.concat([df1, df2],axis=1):将df2中的列添加到df1的尾部
  • df1.join(df2,on=col1,how='inner'):对df1的列和df2的列执行SQL形式的join

数据统计

  • df.describe():查看数据值列的汇总统计
  • df.mean():返回所有列的均值
  • 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(NaN)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.sum():返回所有行的和

 附加:

1.字典内嵌列表

import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data)
print df 输出:
Age Name
0 28 Tom
1 34 Jack
2 29 Steve
3 42 Ricky

2.列表内嵌字典

列表内嵌字典,字典的键默认为列名。

import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print df 输出:
a b c
0 1 2 NaN
1 5 10 20.0

原文链接