Pandas里面常用的一些数据分析函数总结

时间:2022-02-20 07:28:41

import pandas as pd
import numpy as np

pandas 有两个主要的数据结构:Series 和 DataFrame;
Series 是一个一维数组对象 ,它包含一组索引和一组数据,可以把它理解为一组带索引的数组。
DataFrame 是一个表格型的数据结构。它提供有序的列和不同类型的列值。

df:Pandas DataFrame对象
s: Pandas Series对象

数据导入:

  pd.read_csv(filename):从csv文件中导入数据;
  pd.read_table(filename):从限定分隔符的文本文件导入数据;
  pd.read_excel(filename):从Excel文件导入数据;
  pd.read_sql(query,connection_object):从SQL表/库中导入数据;
  pd.read_json(json_string):从JSON格式的字符串导入数据;
  pd.read_html(url):解析URLL,字符串或者HTML文件;
  pd.read_clipboard():从粘贴板获取内容;
  pd.DataFrame(dict):从字典对象导入数据;

数据导出:

  df.to_csv(filename):导出数据到CSV文件;
  df.excel(filename):导出数据到EXCEl文件;
  df.to_sql(table_nname,connection_object):导出数据到SQL表;
  df.json(filename):以json格式导出数据到文本文件;

创建对象:

  pd.DataFrame(np.random.rand(20,5)):创建20行5列的随即数组成的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;

  index和reindex联合使用很有用处,index可作为索引并且元素乱排序之后,所以跟着元素保持不变,因此,当重排元素时,只需要对index进行才重排即可:reindex。

数据查看:

  df.info():查看索引、数据类型和内存信息;
  df.tail():查看DataFrame对象的最后n行;
  df.shape():查看行数和列数;
  df.head():查看DataFrame对象的前n行;
  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.Seices.value_counts):查看DataFrame对象中每一列的唯一值和计数;

数据选取:

  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]:按位置选取数据;
  s.loc['index_one']:按索引选取数据;
  df.iloc[0,:]:返回第一行;

数据清洗:

  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.fillna(x):用x替换DataFrame对象中所有的空值;

  s.astype(float):将Series中的数据类型更改为float类型;

  s.replace(1,'one'):用‘one’代替所有等于1的值
  df.rename(columns=lambda x: x + 1):批量更改列名;

  df.set_index('column_one'):更改索引列;

数据处理:

  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.groupby(col):返回一个按列col进行分组的Groupby对象;

  df.groupby(col1).agg(np.mean):返回按列col1分组的所有列的均值;

  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;

  data.apply(np.mean):对DataFrame中的每一列应用函数np.mean

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

Pandas支持的数据类型:

  int 整型
  float 浮点型
  bool 布尔类型
  object 字符串类型
  category 种类
  datetime 时间类型

其他:

  df.astypes: 数据格式转换
  df.value_counts:相同数值的个数统计
  df.hist(): 画直方图
  df.get_dummies: one-hot编码,将类型格式的属性转换成矩阵型的属性。比如:三种颜色RGB,红色编码为[1 0 0];

后面会继续更新