numpy(数据计算)+pandas(数据提取)+matplotlib(可视化图表) 自学数据分析期间的学习笔记。

pandas基础

如果你想学习Pandas，建议先看两个网站。

（1）官网：Python Data Analysis Library

（2）十分钟入门Pandas：10 Minutes to pandas

在第一次学习Pandas的过程中，你会发现你需要记忆很多的函数和方法。所以在这里我们汇总一下Pandas官方文档中比较常用的函数和方法，以方便大家记忆。

Import pandas as pd
Import numpy as np
s = pd Series([1,3,6,np.nan,44,1])
s
dates = pd.date_range('20160101',periods=6)#随机生成六个日期
dates

df = pd.DateFrame(np.random.randn(6,4),index=dates,columns=['a','b','c','d'])
df1 = pd.DataFrame(np.arange(12).reshape((3,4)))#默认
df1
df2 = pd.DateFrame({'A':1.,
'B':pd.Timestamp('20130102'),
'C':pd.Series(1,index=list(range(4)),dtype='float32'),
'D':np.array([3] * 4,dtype='int32'),
'E':pd.Categorical(["test","train","test","train"]),
'F':'foo'})
df2
df2.dtypes#所有列的类型
df2.index#所有列的序号
df2.columns
df2.values
df2.describe() #运算数字形式
df2.T #转置
df2.sort_index(axis=1,ascending=False)#正排序
df2.sort_index(axis=0,ascending=False)#倒排序
df2.sort_values(by='E')#根据值排序

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

同时我们需要做如下的引入：

import pandas as pd import numpy as np

导入数据

  • pd.read_csv(filename)：从CSV文件导入数据
  • 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

导出数据

  • df.to_csv(filename)：导出数据到CSV文件
  • df.to_excel(filename)：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)：以Json格式导出数据到文本文件

生成对象

  • 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

索引

  • df.index #获取索引
  • df.index=[‘x’,‘y]#设置索引的值
  • df.set_index(“country”,drop=False)#指定某一列作为索引
  • df.set_index(“country”).index.unique#返回index的唯一值
  • s1 [“a”] [“b”]#从series复合索引中取值
  • s1[“a”,“b”]#从series复合索引中取值
  • df.loc[“a”].loc[“b”]#从dataframe复合索引中取值

查看检查数据

  • df.columns#列名

  • df.value#df中的值，二维数组

  • df.shape#形状,查看行数和列数

  • df.dtypes#数据类型

  • df.ndim#维度

  • df.T#转置

  • df.head(n)：查看DataFrame对象的前n行

  • df.tail(n)：查看DataFrame对象的最后n行

  • df.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,只展示数值型

  • unique = effective_data[“毕业学校”].unique()#某一列的唯一值

  • df.value_counts(dropna=False)：查看Series对象的计数

  • df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数

  • effective_data.isin([“北京林业大学”])#成员资格

  • DataFrame.to_numpy()

数据选取

取行取列的注意点：

[]写数组表示取行，对行进行操作，写字符串表示去列索引对列进行操作。

  • 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
  • df[0:3]：切片前三行
  • df[‘20130102’:‘20130104’]：按索引切片

按标签选择

都可以选中，比切片多选一行。

  • df.loc[dates[0]] #用标签提取一行数据
  • df.loc[‘index_one’]：按索引选取数据
  • df.loc[:, [‘A’, ‘B’]]#用标签选择多列数据
  • df.loc[ [‘A’, ‘B’],:]#用标签选择多行数据
  • df.loc[‘a’,‘z’]#a行z列的数据
  • df.loc[‘20130102’:‘20130104’, [‘A’, ‘B’]]#用标签切片，多行多列的值
  • df.loc[‘20130102’, [‘A’, ‘B’]]#返回对象降维
  • df.loc[dates[0], ‘A’]#提取标量值
  • df.at[dates[0], ‘A’]#提取标量值

按位置选择

  • df.iloc[0]：按位置选取数据

  • df.iloc[3:5, 0:2]#整数切片

  • df.iloc[[1, 2, 4], [0, 2]]#用整数列表按位置切片

  • df.iloc[1:3, :]#显式整行切片

  • df.iloc[:, 1:3]#显式整列切片

  • df.iat[1, 1]#显式提取值

  • df.iat[1, 1]#快速访问标量，与上述等效

  • df.iloc[0,:]：返回第一行

  • df.iloc[0,0]：返回第一列的第一个元素

布尔索引

df[df.A > 0]#用单列的值选择数据

df[df[‘clo].str.len()>4]&(df[“clo2”]>700)]#选择clo字符串长度>4并且

df[df > 0]#选择 DataFrame 里满足条件的值

赋值

s1 = pd.Series([1, 2, 3, 4, 5, 6], index=pd.date_range(‘20130102’, periods=6))#用索引自动对齐新增列的数据

df.at[dates[0], ‘A’] = 0#按标签赋值

df.iat[0, 1] = 0#按位置赋值

df.loc[:, ‘D’] = np.array([5] * len(df))#按 NumPy 数组赋值

df2[df2 > 0] = -df2#用 where 条件赋值

缺失值

df1.dropna(how=‘any’)#删除所有含缺失值的行 any只要有一行nan /all所有都为nan

df1.fillna(value=5)#填充缺失值

pd.isna(df1)#提取 nan 值的布尔掩码

pd.isnull(df1)#true为nan

df.fillna(100)#填充nan的值，不过一般填充中位数或者均值

df.filllna(t2.mean())#填充平均值

t2[“age”].fillna(t2[“age”].mean())#对age列进行填充

运算

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
  • 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
  • s.replace([1,3],[‘one’,‘three’])：用’one’代替1，用’three’代替3
  • 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’)：更改索引列
  • df.rename(index=lambda x: x + 1)：批量重命名索引

数据排序Sort

  • df[df[col] > 0.5]：选择col列的值大于0.5的行
  • df2.sort_index(axis=1,ascending=False)#正排序
  • df2.sort_index(axis=0,ascending=False)#倒排序
  • 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
  • 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

groupby分组

groupby对象能够遍历，能够调用聚合方法

  • df.groupby(by="")：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

数据合并与拼接

merge方法主要基于两个dataframe的共同列进行合并；

join方法主要基于两个dataframe的索引进行合并；

concat方法是对series或dataframe进行行拼接或列拼接。

  • 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
  • pd.merge()列合并

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.mean(1)：返回所有行的均值
  • 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()：返回每一列的标准差
  • df.value_counts()：统计值出现的次数

时间序列

datatime = pd.date_range(start=“20200701”,end=“20200731”,freq=“10D”)#freq控制频率 D每日历日。B工作日，H每小时，T或min每分，S每秒

datatime = pd.date_range(start=“20200701”,periods=10,freq=“10D”)#periods控制个数