Pandas 拼接操作 数据处理

时间:2023-12-20 11:32:44

数据分析

生成器 迭代器 装饰器 (两层传参) 单例模式() ios七层 io多路

数据分析:是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来,总结出所研究对象的内在规律

pandas的拼接操作

  • pandas的拼接分为两种:
    • 级联:pd.concat, pd.append
    • 合并:pd.merge, pd.join

使用pd.concat()级联

pandas使用pd.concat函数,与np.concatenate函数类似,只是多了一些参数:

  • objs

    axis=0

    join='outer' / 'inner':表示的是级联的方式,outer会将所有的项进行级联(忽略匹配和不匹配),而inner只会将匹配的项级联到一起,不匹配的不级联

    ignore_index=False
import pandas as pd
from pandas import Series,DataFrame
import numpy as np
  • 1)匹配级联

# 创建数据料
df1 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','b','c'],columns=['A','B','C'])
df2 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','b','d'],columns=['A','B','D'])
# 显示两张表
display(df1,df2)
A B C
a 67 93 7
b 84 67 70
c 85 93 7
A B D
a 0 61 32
b 23 44 55
d 99 25 76
# 将两张表连接在一起
pd.concat([df1,df1],axis=0,join='inner',ignore_index=True)
  • 2) 不匹配级联

  • 不匹配指的是级联的维度的索引不一致。例如纵向级联时列索引不一致,横向级联时行索引不一致

    有2种连接方式:

    • 外连接:补NaN(默认模式)
    • 内连接:只连接匹配的项
# 连接两张不同的表
# 纵向连接 不匹配的 补空
pd.concat([df1,df2],axis=0)
# 纵向连接 内连接 只显示可以比配到的 数据
pd.concat([df1,df2],axis=0,join='inner')
  • 3) 使用df.append()函数添加

由于在后面级联的使用非常普遍,因此有一个函数append专门用于在后面添加

df1.append(df2)

使用pd.merge()合并

  • merge与concat的区别在于,merge需要依据某一共同的列来进行合并

    使用pd.merge()合并时,会自动根据两者相同column名称的那一列,作为key来进行合并。

    注意每一列元素的顺序不要求一致

    参数:

    • how:out取并集 inner取交集

    • on:当有多列相同的时候,可以使用on来指定使用那一列进行合并,on的值为一个列表

  • 1) 一对一合并

df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
'group':['Accounting','Engineering','Engineering'],
})
df2 = DataFrame({'employee':['Lisa','Bob','Jake'],
'hire_date':[2004,2008,2012],
})
# 数据合并
pd.merge(df1,df2)
```{'employee':['Lisa','Bob','Jake'],
'hire_date':[2004,2008,2012],
'group':['Accounting','Engineering','Engineering'],
} ```
  • 2) 多对一合并

df3 = DataFrame({
'employee':['Lisa','Jake'],
'group':['Accounting','Engineering'],
'hire_date':[2004,2016]})
df4 = DataFrame({'group':['Accounting','Engineering','Engineering'],
'supervisor':['Carly','Guido','Steve']
})
# 合并
pd.merge(df3,df4)
{
'employee':['Lisa','Jake','Jake'],
'group':['Accounting','Engineering','Engineering'],
'hire_date':[2004,2016,2016],
'supervisor':['Carly','Guido','Steve']
}
  • 3) 多对多合并

df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
'group':['Accounting','Engineering','Engineering']}) df5 = DataFrame({'group':['Engineering','Engineering','HR'],
'supervisor':['Carly','Guido','Steve']
}) pd.merge(df1,df5,how='right') # how='right'/'lest' 以右 或 左 表的 内容为为准
  • 加载excl数据:pd.read_excel('excl_path',sheetname=1)

pd.read_excel('data.xlsx',sheet_name=1)  # sheet_name=1 指定读取哪张表
  • 4) key的规范化

  • 当列冲突时,即有多个列名称相同时,需要使用on=来指定哪一个列作为key,配合suffixes指定冲突列名

df1 = DataFrame({'employee':['Jack',"Summer","Steve"],
'group':['Accounting','Finance','Marketing']}) df2 = DataFrame({'employee':['Jack','Bob',"Jake"],
'hire_date':[2003,2009,2012],
'group':['Accounting','sell','ceo']})
# 指定那个字段来进行连接
pd.merge(df1,df2,on='group')
  • 当两张表没有可进行连接的列时,可使用left_on和right_on手动指定merge中左右两边的哪一列列作为连接的列
df1 = DataFrame({'employee':['Bobs','Linda','Bill'],
'group':['Accounting','Product','Marketing'],
'hire_date':[1998,2017,2018]})
df5 = DataFrame({'name':['Lisa','Bobs','Bill'],
'hire_dates':[1998,2016,2007]})
pd.merge(df1,df5,left_on='employee',right_on='name')
  1. 自行练习多对一,多对多的情况
  2. 自学left_index,right_index
  • 5) 内合并与外合并:out取并集 inner取交集

    • 内合并:只保留两者都有的key(默认模式)
df6 = DataFrame({'name':['Peter','Paul','Mary'],
'food':['fish','beans','bread']}
)
df7 = DataFrame({'name':['Mary','Joseph'],
'drink':['wine','beer']})
  • ​ 外合并 how='outer':补NaN
df6 = DataFrame({'name':['Peter','Paul','Mary'],
'food':['fish','beans','bread']}
)
df7 = DataFrame({'name':['Mary','Joseph'],
'drink':['wine','beer']})

pandas 数据处理-5

1. 删除重复元素

  • 使用duplicated()函数检测重复的行,返回元素为布尔类型的Series对象,每个元素对应一行,如果该行不是第一次出现,则元素为True

    • keep参数:指定保留哪一重复的行数据
  • 使用duplicated()

    import numpy as np
    import pandas as pd
    from pandas import DataFrame #创建一个df
    df = DataFrame(data=np.random.randint(0,100,size=(10,6)))
    df.iloc[1] = [6,6,6,6,6,6]
    df.iloc[3] = [6,6,6,6,6,6]
    df.iloc[4] = [6,6,6,6,6,6] # 使用duplicated查看所有重复元素行
    # 查找重复的行 first,last 保留第一个 或最后一个
    df.duplicated(keep='first') # 使用 drop() 删除
    d_index = df.loc[df.duplicated(keep='first')].index
    df.drop(labels=d_index,axis=0)
  • 使用 drop_duplicates(keep='last')

    # 使用drop_duplicates()函数删除重复的行
    df.drop_duplicates(keep='last')

2.映射

1) replace()函数:替换元素

  • 使用replace()函数,对values进行映射操作

    Series替换操作

    • 单值替换
      • 普通替换
      • 字典替换(推荐)
    • 多值替换
      • 列表替换
      • 字典替换(推荐)
    • 参数
      • to_replace:被替换的元素

    replace参数说明:

    • method:对指定的值使用相邻的值填充替换

    • limit:设定填充次数

    DataFrame替换操作

    • 单值替换
      • 普通替换: 替换所有符合要求的元素:to_replace=15,value='e'
      • 按列指定单值替换: to_replace={列标签:替换值} value='value'
    • 多值替换
      • 列表替换: to_replace=[] value=[]
      • 字典替换(推荐) to_replace={to_replace:value,to_replace:value}
    # 将数据中 所有的 6 替换为 333
    df.replace(to_replace=6,value=333) # 将数据中的 6, 9 替换为 333
    df.replace(to_replace=[6,9],value=333) # 将数据中的 0 替换为 zero
    df.replace(to_replace={0:'zero'}) # 指定列 替换 第 9 列的 3 替换为 666
    df.replace(to_replace={9:3},value=666)

    注意:DataFrame中,无法使用method和limit参数

2) map()函数:映射

​ 新建一列 , map函数并不是df的方法,而是series的方法

  • map() 可以映射新一列数据

  • map() 中可以使用lambd表达式

  • map() 中可以使用方法,可以是自定义的方法

    eg:map({to_replace:value})

  • 注意 map()中不能使用sum之类的函数,for循环

  • 新增一列:给df中,添加一列,该列的值为英文名对应的中文名

    # 数据
    dic = {
    'name':['Jay','Tom','Jay'],
    'salary':[7777,6666,7777]
    }
    df = DataFrame(data=dic) #指定一个映射关系表
    dic = {
    'Jay':'张三',
    'Tom':'李四'
    }
    df['c_name'] = df['name'].map(dic)
    map当做一种运算工具,至于执行何种运算,是由map函数的参数决定的(参数:lambda,函数)
    • 使用自定义函数
    #超过3000部分的钱缴纳50%的税
    def after_sal(s):
    if s <= 3000:
    return s
    else:
    return s - (s-3000)*0.5 df['after_sal'] = df['salary'].map(after_sal)

    注意:并不是任何形式的函数都可以作为map的参数。只有当一个函数具有一个参数且有返回值,那么该函数才可以作为map的参数

3.使用聚合操作

  • 使用聚合操作 对数据异常值检测和过滤

    使用df.std()函数可以求得DataFrame对象每一列的标准差

    • 创建一个1000行3列的df 范围(0-1),求其每一列的标准差
    df = DataFrame(np.random.random(size=(1000,3)),columns=['A','B','C'])
    df
    # 对df应用筛选条件,去除标准差太大的数据:假设过滤条件为 C列数据大于两倍的C列标准差
    # 获取 C 列数据标准差
    c_st = df['C'].std()
    # 获取所有 大于 C 列数据 两倍的标准差的 数据
    indexs = df.loc[df['C'] > c_st * 2].index
    # 删除操作
    df.drop(labels=indexs,axis=0)

4. 排序

  • 使用.take()函数排序

    • take()函数接受一个索引列表,用数字表示,使得df根据列表中索引的顺序进行排序
    • eg:df.take([1,3,4,2,5])

    np.random.permutation(x)可以生成x个从0-(x-1)的随机数列

    # 普通 排列  指定 隐式索引  对 A B C 排列
    df.take([2,0,1],axis=1)
    • 随机抽样

      当DataFrame规模足够大时,直接使用np.random.permutation(x)函数,就配合take()函数实现随机抽样

    df_ = df.take(np.random.permutation(1000),axis=0).take(np.random.permutation(3),axis=1)
    df_[0:100]

5. 数据分类处理【重点】

  • 数据聚合是数据处理的最后一步,通常是要使每一个数组生成一个单一的数值。

    数据分类处理:

    • 分组:先把数据分为几组
    • 用函数处理:为不同组的数据应用不同的函数以转换数据
    • 合并:把不同组得到的结果合并起来
    数据分类处理的核心:
    • groupby()函数
    • groups属性查看分组情况
    • eg: df.groupby(by='item').groups

1) 分组 groupby()

  • 使用groupby实现分组
# 数据
from pandas import DataFrame,Series
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]}) # 分组
df.groupby(by='item',axis=0)
  • 使用groups查看分组情况
#该函数可以进行数据的分组,但是不显示分组情况
df.groupby(by='item',axis=0).groups
  • 分组后的聚合操作:分组后的成员中可以被进行运算的值会进行运算,不能被运算的值不进行运算

  • 平均值 mean()

#给df创建一个新列,内容为各个水果的平均价格
# df.groupby(by='item').mean()
# df.groupby(by='item').mean()['price']
mean_price_s = df.groupby(by='item')['price'].mean() dic = mean_price_s.to_dict()
# 使用映射添加到原表中
df['mean_price'] = df['item'].map(dic) # 计算出苹果的平均价格
df.groupby(by='item')['price'].mean()['Apple']

6. 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

    • 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
def fun(s):
sum = 0
for i in s:
sum+=i
return sum/s.size #使用apply函数求出水果的平均价格
# 不显示重复行
df.groupby(by='item')['price'].apply(fun) #使用transform函数求出水果的平均价格
# 显示出每行的 平均值
df.groupby(by='item')['price'].transform(fun)