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')
- 自行练习多对一,多对多的情况
- 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
- 单值替换
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)