Python Pandas的使用 ！！！！！详解

 Pandas是一个基于python中Numpy模块的一个模块

Python在数据处理和准备⽅⾯⼀直做得很好，但在数据分析和建模⽅⾯就差⼀些。pandas帮助填补了这⼀空⽩，使您能够在Python中执⾏整个数据分析⼯作流程，⽽不必切换到更特定于领域的语⾔，如R。与出⾊的 jupyter⼯具包和其他库相结合，Python中⽤于进⾏数据分析的环境在性能、⽣产率和协作能⼒⽅⾯都是卓越的。

pandas是 Python 的核⼼数据分析⽀持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。pandas是Python进⾏数据分析的必备⾼级⼯具。

pandas的主要数据结构是 Series(⼀维数据)与 DataFrame (⼆维数据)，这两种数据结构⾜以处理⾦融、统计、社会科学、⼯程等领域⾥的⼤多数案例处理数据⼀般分为⼏个阶段：数据整理与清洗、数据分析与建模、数据可视化与制表，Pandas 是处理数据的理想⼯具。

环境介绍

代码工具：jupyternotebook

python版本：python3.8.6

系统版本：win10

一、Pands安装 

　　打开终端指令输入pip install -i https://pypi.doubanio.com/simple/ --trusted-host pypi.doubanio.com pandas

　　

第⼆部分 数据结构

　　第⼀节 Series

　　　　⽤列表⽣成 Series时，Pandas 默认⾃动⽣成整数索引，也可以指定索引

l = [0,1,7,9,np.NAN,None,1024,512]
# ⽆论是numpy中的NAN还是Python中的None在pandas中都以缺失数据NaN对待
s1 = pd.Series(data = l) # pandas⾃动添加索引
s2 = pd.Series(data = l,index = list(\'abcdefhi\'),dtype=\'float32\') # 指定⾏索引
# 传⼊字典创建，key⾏索引
s3 = pd.Series(data = {\'a\':99,\'b\':137,\'c\':149},name = \'Python_score\')
display(s1,s2,s3)

　　第二节 Dataframe　　　　

　　　　DataFrame是由多种类型的列构成的⼆维标签数据结构，类似于 Excel 、SQL 表，或 Series 对象构成的字典。

　　　　

import numpy as np
import pandas as pd
# index 作为⾏索引，字典中的key作为列索引，创建了3*3的DataFrame表格⼆维数组
df1 = pd.DataFrame(data = {\'Python\':[99,107,122],\'Math\':[111,137,88],\'En\': [68,108,43]},# key作为列索引
index = [\'张三\',\'李四\',\'Michael\']) # ⾏索引
df2 = pd.DataFrame(data = np.random.randint(0,151,size = (5,3)),
index = [\'Danial\',\'Brandon\',\'softpo\',\'Ella\',\'Cindy\'],# ⾏索引
columns=[\'Python\',\'Math\',\'En\'])# 列索引
display(df1,df2)

　　　　

第三部分 数据查看

　　查看DataFrame的常⽤属性和DataFrame的概览和统计信息

import numpy as np
import pandas as pd
df = pd.DataFrame(data = np.random.randint(0,151,size=(150,3)),
index = None， # 行索引默认
columns=[\'A\',\'B\',\'C\'])#列索引
df.head(10)#显示前十行  ！！默认是五行！！
df.tail(10)#显示后十行
df.shape#查看行数和列数
df.dtypes#查看数据类型
df.index#查看行索引
df.value# 对象值,二维数组
df.describe()#查看数据值列的汇总统计，计数，平均值，标准差，最小值，四分位数，最大值
df.info()#查看列索引，数据类型，非空计数和内存信息

第四部分 数据的输入输出

　　第一节csv

df = DataFrame(data = np.random.randint(0,50,size = [50,5]), # 薪资情况
 columns=[\'IT\',\'化⼯\',\'⽣物\',\'教师\',\'⼠兵\'])
#保存到相对路劲下文件命名为
df.to_csv(\'./salary.csv\',
sep = \';\',#分割符
header = True,#是否保存列索引
index = True)#是否保存行索引、
#加载
pd.read_csv(\'./salary.csv\',
 sep = \';\',# 默认是逗号
 header = [0],#指定列索引
 index_col=0) # 指定⾏索引
#加载
pd.read_table(\'./salary.csv\', # 和read_csv类似，读取限定分隔符的⽂本⽂件 sep = \';\', header = [0],#指定列索引 index_col=1) # 指定⾏索引,IT作为⾏索引

　　　第⼆节 Excel

　　　　　pip install xlrd -i https://pypi.tuna.tsinghua.edu.cn/simple

　　　　　pip install xlwt -i https://pypi.tuna.tsinghua.edu.cn/simple

import numpy as np
import pandas as pd
df1 = pd.DataFrame(data = np.random.randint(0,50,size = [50,5]), # 薪资情况
 columns=[\'IT\',\'化⼯\',\'⽣物\',\'教师\',\'⼠兵\'])
df2 = pd.DataFrame(data = np.random.randint(0,50,size = [150,3]),# 计算机科⽬的考试成绩
 columns=[\'Python\',\'Tensorflow\',\'Keras\'])
# 保存到当前路径下，⽂件命名是：salary.xls
df1.to_excel(\'./salary.xls\',
 sheet_name = \'salary\',# Excel中⼯作表的名字
 header = True,# 是否保存列索引
 index = False) # 是否保存⾏索引，保存⾏索引
pd.read_excel(\'./salary.xls\',
 sheet_name=0,# 读取哪⼀个Excel中⼯作表，默认第⼀个
 header = 0,# 使⽤第⼀⾏数据作为列索引
 names = list(\'ABCDE\'),# 替换⾏索引
 index_col=1)# 指定⾏索引，B作为⾏索引
# ⼀个Excel⽂件中保存多个⼯作表
with pd.ExcelWriter(\'./data.xlsx\') as writer:
 df1.to_excel(writer,sheet_name=\'salary\',index = False)
 df2.to_excel(writer,sheet_name=\'score\',index = False)
pd.read_excel(\'./data.xlsx\',
 sheet_name=\'salary\') # 读取Excel中指定名字的⼯作表

　　第三节 SQL

　　　　pip install sqlalchemy -i https://pypi.tuna.tsinghua.edu.cn/simple

　　　　pip install pymysql -i https://pypi.tuna.tsinghua.edu.cn/simple

import pandas as pd
# SQLAlchemy是Python编程语⾔下的⼀款开源软件。提供了SQL⼯具包及对象关系映射（ORM）⼯具
from sqlalchemy import create_engine
df = pd.DataFrame(data = np.random.randint(0,50,size = [150,3]),# 计算机科⽬的考试
成绩
 columns=[\'Python\',\'Tensorflow\',\'Keras\'])
# 数据库连接
conn = create_engine(\'mysql+pymysql://root:12345678@localhost/pandas?
charset=UTF8MB4\')
# 保存到数据库
df.to_sql(\'score\',#数据库中表名
 conn,# 数据库连接
　if_exists=\'append\')#如果表名存在，追加数据
# 从数据库中加载
pd.read_sql(\'select * from score limit 10\', # sql查询语句
 conn, # 数据库连接
 index_col=\'Python\') # 指定⾏索引名

 

---------------------------------------------！！！！！！！！！第一次更新！！！！！！！！！！！----------------------------------------------------------

 

第五部分 数据的选取

　　第一节 数据获取

！！！---先导入个数据---！！！
df = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]),# 计算机科⽬的考试成绩
index = list(\'ABCDEFGHIJ\'),# ⾏标签
columns=[\'Python\',\'Tensorflow\',\'Keras\'])

df.Python# 查看所在列数据
df[\'Python\']# 查看所在列数据
df[[\'Python\',\'Keras\']]#获取多列数据
df[1:3]#行切片操作 !!!--此处切片操作与数据的切片操作如出一辙--!!!

　　使用 loc[] 进行数据获取 loc通过行列标签进行索引取数操作

df.loc[[\'A\',\'B\']]#选取行标签
df.loc[[\'A\',\'B\'],[\'Python\',\'Keras\']]#根据行列标签选取对饮数据
df.loc[:,[\'Python\',\'Keras\']]#保留所有行
df.loc[::2,[\'Python\',\'Keras\']]#每隔2行取出一行数据
df.loc[\'A\',[\'Python\',\'Keras\']]#根据行标签选取出对应数据
#此处就不截图展示了

　　使用 iloc[] 进行数据获取 iloc通过行列整数标签进行索引取数操作

df.iloc[2:4]#利用整数行切片操作与Numpy相似 !!!--此处切片操作与数据的切片操作如出一辙--!!!
df.iloc[1:3,1:2]#利用整数对行和列进行切片
df.iloc[1:3:]#行切片
df.iloc[:,0:1]#列切片

　　Boolean索引

cond1 = df.Python > 100 # 判断Python分数是否⼤于100，返回值是boolean类型的Series
df[cond1] # 返回Python分数⼤于100分的⽤户所有考试科⽬数据
cond2 = (df.Python > 50) & (df[\'Keras\'] > 50) # &与运算
df[cond2] # 返回Python和Keras同时⼤于50分的⽤户的所有考试科⽬数据
df[df > 50]# 选择DataFrame中满⾜条件的值，如果满⾜返回值，不然返回空数据NaN
df[df.index.isin([\'A\',\'C\',\'F\'])] # isin判断是否在数组中，返回也是boolean类型值

第六部分 数据集成

　　第⼀节 concat数据串联

#再建立两个数据矩阵
df1 = pd.DataFrame(np.random.randint(1,151,size=10),
                   index = list(\'ABCDEFGHIJ\'),
                   columns=[\'Science\'])
df2 = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]),
index = list(\'KLMNOPQRST\'),
columns=[\'Python\',\'Tensorflow\',\'Keras\']) 

pd.concat([df,df2],axis=0)#df2串联拼接到df1下方
pd.concat([df,df1],axis=1)#df1串联拼接到df的左侧
df.append(df1) # 在df1后⾯追加df2

　　第二节 插入

　　　　 insert（）插入一列

　　　　注意：如果使用insert()插入一列时，那么插入的这一列的长度必须和被插入的行数长度相等

#插入一列c++
df.insert(loc=1,
          column=\'C++\',
          value=np.random.randint(0,151,size=(10)))

df.insert(loc = 1,column=\'Python3.8,value=2048)

　　第三节 数据的链接（join SQL风格）

　　　　数据集的合并（merge）或连接（join）运算是通过⼀个或者多个键将数据链接起来的。这些运算是关系型数据库的核⼼操作。pandas的merge函数是数据集进⾏join运算的主要切⼊点。

#先建立两组数据
df1 = pd.DataFrame(data = {\'sex\':np.random.randint(0,2,size=6),\'name\':[\'九州\',\'九周\',\'Nineweek\',\'Mrs佟\',\'小A\',\'小C\']})
df2 = pd.DataFrame(data = {\'score\':np.random.randint(90,151,size=6),\'name\':[\'九州\',\'九周\',\'Nineweek\',\'Mrs佟\',\'小A\',\'小Ming\']})

    

pd.merge(df1,df2)
#（内连接） 在使用merge()合并中merge自动去除了空数据
pd.merge(df1,df2,how=\'left\')#左链接
pd.merge(df1,df2,how=\'right\')#右链接

 

 ---------------------------------------------！！！！！！！！！第二次更新！！！！！！！！！！！----------------------------------------------------------

 第七部分 数据清洗

　　第⼀节 duplicated筛选重复数据

　　　　duplicated是以自上向下的顺序进行筛选如果行值相同就返回TRUE。

#创建一个分值数据
df2 = pd.DataFrame(data={\'Name\':[\'九州\',\'Mrs佟\',\'Nineweek\',None,np.NAN,\'Mrs佟\'],\'Sex\':[0,1,0,1,0,1],\'Score\':[89,100,67,90,98,100]})

df2.duplicated()#检查重复值 以Boolean形式进行输出展示
df2.duplicated().sum()#打印有多少重复值
df2[df2.duplicated()]#打印重复值
df2[df2.duplicated()==False]#打印非重复值
df2.drop_duplicates()#删除重复值(此操作并不是在数据源本身进行删除操作)
df2.drop_duplicates(inplace=True)#删除重复值(此操作是在数据源本身进行删除操作)

　　第二节 过滤空数据

df2.isnull()#检查是否存在空值(可以查到NAN值和None值)
df2.dropna(how = \'any\') # 删除空数据(此操作并不是在数据源本身进行删除操作) 
df2.dropna(how = \'any\',inplace=True)# 删除空数据(此操作是在数据源本身进行删除操作) 
df2.fillna(value=\'小A\')#填充空数据(此操作并不是在数据源本身进行删除操作) 
df2.fillna(value=\'小A\',inplace=True)#填充空数据(此操作是在数据源本身进行删除操作) 

　　第三节 过滤指定行或列

del df2[\'Sex\'] # 直接删除某列
df2.drop(labels = [\'price\'],axis = 1)# 删除指定列
df2.drop(labels = [0,1,5],axis = 0) # 删除指定⾏

　　filter函数：选取保留的数据过滤其他数据

df2.filter(items=[\'Name\', \'Score\'])#保留‘Name’,‘Score’两列
df2.filter(like=\'S\',axis = 1)# 保留列标签包含‘S’的列（axis=1表示列，axis=0表示行）
df.filter(regex=\'S$\', axis=1)#正则方式进行筛选

 第八部分 数据转换

　　第一节 rename和replace的转换标签个元素

#改变行列索引
df2.rename(index = {0:10,1:11},columns={\'Name\':\'StName\'})#将行索引0换为10，1换为11；列索引Name换为StName
#替换元素值
df2.replace(100,102)#将所有的100替换为102
df2.replace([89,67],78)#将所有的89和67替换为78
df2.replace({\'九州\':\'JZ\',None:\'九州\'})#根据字典的键值对进行替换
df2.replace({\'Sex\':1},1024)#将Sex列的1全部替换为1024

　　第二节 apply和Transform

　　　　相同点：都能针对Dataframe的特征的计算，常与groupby()分组聚合方式下节更新方法连用

　　　　不同点：aplly参数可以是自定义函数，包括简单的求和函数以及复制的特征间的差值函数等。apply不能直接使用python的内置函数，比如sum、max、min。

　　　　　　　　Transform参数不能是自定义的特征交互函数，因为transform是针对每一元素(即每一列特征操作)进行计算。

#先建立数组
df = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]),index = list(\'ABCDEFGHIJ\'),columns=[\'Python\',\'En\',\'Math\'])

df[\'Python\'].apply(lambda x:True if x >50 else False)#选取python学科中的大于50的数据

df.apply(lambda x : x.median(),axis = 0) # 列的中位数

#自定义函数算法
def avg(x):
    return (x.mean(),x.max(),x.min(),x.var().round(1))
df.apply(avg,axis=0)#输出列的平均值，最大值，最小值，方差保留一位小数

# ⼀列执⾏多项计算
df[\'Python\'].transform([np.sqrt,np.log10]) # 对单列数据处理做开平方和对数运算

#自定义函数算法
def convert(x):
    if x > 140:
        x -= 12
    else:
        x += 12
    return x

df.transform({\'Python\':np.sqrt,\'En\':np.log10,\'Math\':convert}).round(1)# 对多列数据处理做开不同运算

 ---------------------------------------------！！！！！！！！！第三次更新！！！！！！！！！！！----------------------------------------------------------

第九部分 数据重塑

df = pd.DataFrame(data = np.random.randint(0,150,size = [20,3]),
 index = pd.MultiIndex.from_product([list(\'ABCDEFHIJK\'),[\'一期\',\'二期\']]),# 多层索引
 columns=[\'Python\',\'En\',\'Math\'])

df.unstack(level=1)#行作列
df.stack()#列作行
df.mean(level=1)#各学科每期平均分
df.mean(level=0)#各学员平均分
df.mean()#各科平均分

第十部分 统计方法函数

　　pandas拥有多种常⽤的数学统计⽅法。可以满足大多半的数据处理，对Series和DataFrame行计算并返回Series形式的数组

#创建数据
df = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]),
 index = list(\'ABCDEFGHIJ\'),
 columns=[\'Python\',\'En\',\'Math\'])

df.count() # ⾮NA值的数量
df.max(axis = 0) #轴0最⼤值，即每⼀列最⼤值
df.min() #默认计算轴0最⼩值
df.median() # 中位数
df.sum() # 求和
df.mean(axis = 1) #计算每⼀⾏的平均值
df.quantile(q = [0.2,0.5,0.9]) # 分位数
df.describe() # 查看数值型列的汇总统计,计数、平均值、标准差、最⼩值、四分位数、最⼤值
df[\'Python\'].value_counts() # 统计元素出现次数
df[\'Math\'].unique() # 去重
df.cumsum() # 累加
df.cumprod() # 累乘
df.std() # 标准差
df.var() # ⽅差
df.cummin() # 累计最⼩值
df.cummax() # 累计最⼤值
df.diff() # 计算差分
df.pct_change() # 计算百分⽐变化
df.cov() # 属性的协⽅差
df[\'Python\'].cov(df[\'Math\']) # Python和Math的协⽅差
df.corr() # 所有属性相关性系数
df.corrwith(df[\'En\']) # 单⼀属性相关性系数

#标签索引计算方式
df[\'Python\'].argmin() # 计算Python列的最⼩值位置
df[\'Math\'].argmax() # 计算Math列的最⼤值位置
df.idxmax() # 最⼤值索引标签
df.idxmin() # 最⼩值索引标签

第十一部分 排序

#创建数据
df = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]),
 index = list(\'ABCDEFGHIJ\'),
 columns=[\'Python\',\'En\',\'Math\'])
ran = np.random.permutation(10)
df = df.take(ran)#随机排列行索引

df.sort_index(axis=0,ascending=True)#按照行索引降序排序
df.sort_index(axis=1,ascending=True)#按照列索引降序排序

df.sort_values(by=\'Python\')#根据Python列的值降序排序
df.sort_values(by=[\'Python\',\'Math\'])#先按找Python排序在按照Math排序

lage = df.nlargest(3,columns=\'Math\') # 根据属性Math排序,返回最⼤3个数据
samll = df.nsmallest(3,columns=\'Python\') # 根据属性Python排序，返回最⼩3个数据
display(lage,samll)

 第十二部分 cut与qcut的分箱处理

　　cut函数对数据进行分箱处理的操作， 也就是 把一段连续的值切分成若干段，每一段的值看成一个分类。这个把连续值转换成离散值的过程，我们叫做分箱处理cut会按照数据值由大到小的顺序将数据分割为若干分,并且使每组范围大致相等

 　　qcut是按变量的数量来对变量进行分割，并且尽量保证每个分组里变量的个数相同。

df[\'py_cut\'] = pd.cut(df.Python,bins=4)#按照数据范围分箱
df[\'en_cut\'] = pd.cut(df.En,bins=4)#按照数据个数分箱
df[\'q_评级\'] = pd.qcut(df.Python,q = 4,# 4等分
 labels=[\'差\',\'中\',\'良\',\'优\']) # 分箱后分类
df[\'c_评级\'] = pd.cut(df.En,#分箱数据
 bins = [0,60,90,120,150],#分箱断点
 right = False,# 左闭右开原则
 labels=[\'差\',\'中\',\'良\',\'优\'])# 分箱后分类

---------------------------------------------！！！！！！！！！第四次更新！！！！！！！！！！！----------------------------------------------------------

 第十三部分 分组聚合

　　分组Group（）函数，分组过程与sql的group by 函数的方式大致相同，主要处理多种类别的数据，例如一个的企业的员工数据可以按照性别，年龄，薪水，部门等纬度进行分组。

　　实在是找不到好的数据来进行演示索性使用之前爬取的*车之*的一段数据进行演示吧

 

df= pd.read_excel(\'C:/Users/admin/Desktop/home_car_allclean.xlsx\')#导入数据

　　第一节 分组

# 1、分组->可迭代对象
# 1.1 先分组再获取数据
g = df.groupby(by=\'汽车等级\')[[\'汽车类型\',\'汽车排量\']]#单分组
for name,data in g:
    print(name)
    print(data)

g = df.groupby(by = [\'汽车类型\',\'汽车等级\'])[[\'汽车排量\']] # 多分组
for name,data in g:
    print(name)
    print(data)

#1.2 对⼀列值进⾏分组
df[\'汽车等级\'].groupby(df[\'汽车类型\']) # 单分组df[\'汽车名称\'].groupby([df[\'汽车类型\'],df[\'汽车排量\']]) # 多分组

#键值对分组
m ={\'汽车名称\':\'Name\',\'汽车平均价格\':\'attribute\',\'汽车类型\':\'attribute\',\'汽车排量\':\'attribute\',\'汽车等级\':\'attribute\'}
for name,data in df.groupby(m,axis = 1):
    print(\'组名\',name)
    print(\'数据\',data)

    

 　　第二节 分组聚合

此句代码足以慰人心，不得不感叹Pandas的人性化

df.groupby(by=\'汽车类型\').mean().round(1)#按照汽车类型分组再计算其余列的平均值

df.groupby(by=[\'汽车类型\',\'汽车等级\'])[\'汽车平均价格\'].max()#按照汽车类型和汽车等级分组再计算汽车平均价格的最大值

　　第三节 分组聚合apply、transform

# 3、分组后调⽤apply，transform封装单⼀函数计算
# 返回分组结果
df.groupby(by = [\'汽车类型\',\'汽车等级\'])[[\'汽车平均价格\',\'汽车排量\']].apply(np.mean).round(1)
def normalization(x):
    return (x - x.min())/(x.max() - x.min()) # 最⼤值最⼩值归⼀化
# 返回全数据，返回DataFrame.shape和原DataFrame.shape⼀样。
df.groupby(by = [\'汽车等级\',\'汽车等级\'])[[\'汽车平均价格\',\'汽车排量\']].transform(normalization).round(1)

 

　　第四节 分组聚合agg

# 4、agg 多中统计汇总操作
# 分组后调⽤agg应⽤多种统计汇总
df.groupby(by=[\'汽车类型\',\'汽车等级\'])[[\'汽车平均价格\',\'汽车排量\']].agg([np.mean,np.max]).round(1)
# 分组后不同属性应⽤多种不同统计汇总
df.groupby(by=[\'汽车类型\',\'汽车等级\'])[[\'汽车平均价格\',\'汽车排量\']].agg({\'汽车平均价格\':[(\'最高价\',np.max),(\'最低价\',np.min)],
                                                       \'汽车排量\':[(\'最高排量\',np.max),(\'最低排量\',np.min)]})