python做資料分析pandas庫介紹之DataFrame基本操作

標籤：pycha   字元   定時   匯總   def   cat   har   資料結構   部分   

怎樣刪除list中Null 字元？

最簡單的方法：new_list = [ x for x in li if x != ‘‘ ]

 

這一部分主要學習pandas中基於前面兩種資料結構的基本操作。

設有DataFrame結果的資料a如下所示：           a  b  cone    4  1  1two    6  2  0three  6  1  6

一、查看資料（查看對象的方法對於Series來說同樣適用）

1.查看DataFrame前xx行或後xx行
a=DataFrame(data);
a.head(6)表示顯示前6行資料，若head()中不帶參數則會顯示全部資料。
a.tail(6)表示顯示後6行資料，若tail()中不帶參數則也會顯示全部資料。

2.查看DataFrame的index，columns以及values
a.index ; a.columns ; a.values 即可

3.describe()函數對於資料的快速統計匯總
a.describe()對每一列資料進行統計，包括計數，均值，std，各個分位元等。

4.對資料的轉置
a.T

5.對軸進行排序
a.sort_index(axis=1,ascending=False)；
其中axis=1表示對所有的columns進行排序，下面的數也跟著發生移動。後面的ascending=False表示按降序排列，參數缺失時預設升序。

6.對DataFrame中的值排序
a.sort(columns=‘x‘)
即對a中的x這一列，從小到大進行排序。注意僅僅是x這一列，而上面的按軸進行排序時會對所有的columns進行操作。

二、選擇對象

1.選擇特定列和行的資料
a[‘x‘] 那麼將會返回columns為x的列，注意這種方式一次只能返回一個列。a.x與a[‘x‘]意思一樣。

取行資料，通過切片[]來選擇
如：a[0:3] 則會返回前三行的資料。

2.loc是通過標籤來選擇資料
a.loc[‘one‘]則會預設表示選取行為‘one‘的行；

a.loc[:,[‘a‘,‘b‘] ] 表示選取所有的行以及columns為a,b的列；

a.loc[[‘one‘,‘two‘],[‘a‘,‘b‘]] 表示選取‘one‘和‘two‘這兩行以及columns為a,b的列；

a.loc[‘one‘,‘a‘]與a.loc[[‘one‘],[‘a‘]]作用是一樣的，不過前者只顯示對應的值，而後者會顯示對應的行和欄標籤。

3.iloc則是直接通過位置來選擇資料
這與通過標籤選擇類似
a.iloc[1:2,1:2] 則會顯示第一行第一列的資料;(切片後面的值取不到)

a.iloc[1:2] 即後面表示列的值沒有時，預設選取行位置為1的資料;

a.iloc[[0,2],[1,2]] 即可以自由選取行位置，和列位置對應的資料。

4.使用條件來選擇
使用單獨的列來選擇資料
a[a.c>0] 表示選擇c列中大於0的資料

使用where來選擇資料
a[a>0] 表直接選擇a中所有大於0的資料

使用isin()選出特定列中包含特定值的行
a1=a.copy()
a1[a1[‘one‘].isin([‘2‘,‘3‘])] 表顯示滿足條件：列one中的值包含‘2‘,‘3‘的所有行。

三、設定值（賦值）

賦值操作在上述選擇操作的基礎上直接賦值即可。
例a.loc[:,[‘a‘,‘c‘]]=9 即將a和c列的所有行中的值設定為9
a.iloc[:,[1,3]]=9 也表示將a和c列的所有行中的值設定為9

同時也依然可以用條件來直接賦值
a[a>0]=-a 表示將a中所有大於0的數轉化為負值

四、缺失值處理

在pandas中，使用np.nan來代替缺失值，這些值將預設不會包含在計算中。

1.reindex()方法
用來對指定軸上的索引進行改變/增加/刪除操作，這將返回未經處理資料的一個拷貝。
a.reindex(index=list(a.index)+[‘five‘],columns=list(a.columns)+[‘d‘])

a.reindex(index=[‘one‘,‘five‘],columns=list(a.columns)+[‘d‘])

即用index=[]表示對index進行操作，columns表對列進行操作。

2.對缺失值進行填充
a.fillna(value=x)
表示用值為x的數來對缺失值進行填充

3.去掉包含缺失值的行
a.dropna(how=‘any‘)
表示去掉所有包含缺失值的行

五、合并

1.contact
contact(a1,axis=0/1，keys=[‘xx‘,‘xx‘,‘xx‘,...])，其中a1表示要進行進行串連的列表資料,axis=1時表橫著對資料進行串連。axis=0或不指定時，表將資料豎著進行串連。a1中要串連的資料有幾個則對應幾個keys，設定keys是為了在資料連線以後區分每一個原始a1中的資料。

例：a1=[b[‘a‘],b[‘c‘]]
result=pd.concat(a1,axis=1，keys=[‘1‘,‘2‘])

2.Append 將一行或多行資料連線到一個DataFrame上
a.append(a[2:],ignore_index=True)
表示將a中的第三行以後的資料全部添加到a中，若不指定ignore_index參數，則會把添加的資料的index保留下來，若ignore_index=Ture則會對所有的行重新自動建立索引。

3.merge類似於SQL中的join
設a1,a2為兩個dataframe,二者中存在相同的索引值，兩個對象串連的方式有下面幾種：
(1)內串連，pd.merge(a1, a2, on=‘key‘)
(2)左串連，pd.merge(a1, a2, on=‘key‘, how=‘left‘)
(3)右串連，pd.merge(a1, a2, on=‘key‘, how=‘right‘)
(4)外串連， pd.merge(a1, a2, on=‘key‘, how=‘outer‘)
至於四者的具體差別，具體學習參考sql中相應的文法。

六、分組（groupby）

用pd.date_range函數產生連續指定天數的的日期
pd.date_range(‘20000101‘,periods=10)

1 def shuju():2     data={3         ‘date‘:pd.date_range(‘20000101‘,periods=10),4         ‘gender‘:np.random.randint(0,2,size=10),5         ‘height‘:np.random.randint(40,50,size=10),6         ‘weight‘:np.random.randint(150,180,size=10)7     }8 a=DataFrame(data)9 print(a)

結果為：        date  gender  height  weight0 2000-01-01       0      47     1651 2000-01-02       0      46     1792 2000-01-03       1      48     1723 2000-01-04       0      45     1734 2000-01-05       1      47     1515 2000-01-06       0      45     1726 2000-01-07       0      48     1677 2000-01-08       0      45     1578 2000-01-09       1      42     1579 2000-01-10       1      42     164用a.groupby(‘gender‘).sum()得到的結果為：  #注意在python中groupby(‘‘xx)後要加sum()，不然顯示不了資料對象。gender     height  weight               0           256     9891           170     643

此外用a.groupby(‘gender‘).size()可以對各個gender下的數目進行計數。

所以可以看到groupby的作用相當於：
按gender對gender進行分類，對應為數位列會自動加總，而為字串類型的列則不顯示；當然也可以同時groupby([‘x1‘,‘x2‘,...])多個欄位，其作用與上面類似。

七、Categorical按某一列重新編碼分類

如六中要對a中的gender進行重新編碼分類，將對應的0，1轉化為male，female，過程如下：

a[‘gender1‘]=a[‘gender‘].astype(‘category‘)a[‘gender1‘].cat.categories=[‘male‘,‘female‘]  #即將0，1先轉化為category類型再進行編碼。 print(a)得到的結果為：      date    gender  height  weight gender10 2000-01-01       1      40     163  female1 2000-01-02       0      44     177    male2 2000-01-03       1      40     167  female3 2000-01-04       0      41     161    male4 2000-01-05       0      48     177    male5 2000-01-06       1      46     179  female6 2000-01-07       1      42     154  female7 2000-01-08       1      43     170  female8 2000-01-09       0      46     158    male9 2000-01-10       1      44     168  female

所以可以看出重新編碼後的編碼會自動增加到dataframe最後作為一列。

八、相關操作

描述性統計：
1.a.mean() 預設對每一列的資料求平均值；若加上參數a.mean(1)則對每一行求平均值；

2.統計某一列x中各個值出現的次數：a[‘x‘].value_counts()；

3.對資料應用函數
a.apply(lambda x:x.max()-x.min())
表示返回所有列中最大值-最小值的差。

4.字串相關操作
a[‘gender1‘].str.lower() 將gender1中所有的英文大寫轉化為小寫，注意dataframe沒有str屬性，只有series有，所以要選取a中的gender1欄位。

九、時間序列

在六中用pd.date_range(‘xxxx‘,periods=xx,freq=‘D/M/Y....‘)函數產生連續指定天數的的日期列表。
例如pd.date_range(‘20000101‘,periods=10),其中periods表示持續頻數；
pd.date_range(‘20000201‘,‘20000210‘,freq=‘D‘)也可以不指定頻數，只指定起始日期。

此外如果不指定freq，則預設從起始日期開始，頻率為day。其他頻率表示如下：

1.png十、畫圖(plot)

在pycharm中首先要：import

1 import matplotlib.pyplot as plt2 a=Series(np.random.randn(1000),index=pd.date_range(‘20100101‘,periods=1000))3 b=a.cumsum()4 b.plot()5 plt.show()    #最後一定要加這個plt.show()，不然不會顯示出圖來。

 

2.PNG

也可以使用下面的代碼來產生多條時間順序圖表：

a=DataFrame(np.random.randn(1000，4),index=pd.date_range(‘20100101‘,periods=1000),columns=list(‘ABCD‘))b=a.cumsum()b.plot()plt.show()

3.png十一、匯入和匯出檔案

寫入和讀取excel檔案
雖然寫入excel表時有兩種寫入xls和csv，但建議少使用csv，不然在表中調整資料格式時，儲存時一直詢問你是否儲存新格式，很麻煩。而在讀取資料時，如果指定了哪一張sheet，則在pycharm又會出現格式不對齊。

還有將資料寫入表格中時，excel會自動給你在表格最前面增加一個欄位，對資料行進行編號。

a.to_excel(r‘C:\\Users\\guohuaiqi\\Desktop\\2.xls‘,sheet_name=‘Sheet1‘)    a=pd.read_excel(r‘C:\\Users\\guohuaiqi\\Desktop\\2.xls‘,‘Sheet1‘,na_values=[‘NA‘])注意sheet_name後面的Sheet1中的首字母大寫；讀取資料時，可以指定讀取哪一張表中的資料，而且對缺失值補上NA。最後再附上寫入和讀取csv格式的代碼：a.to_csv(r‘C:\\Users\\guohuaiqi\\Desktop\\1.csv‘，sheet_name=‘Sheet1‘)a=pd.read_csv(r‘C:\\Users\\guohuaiqi\\Desktop\\1.csv‘,na_values=[‘NA‘])

python做資料分析pandas庫介紹之DataFrame基本操作