一、生成数据表
1、首先导入pandas库，一般都会用到numpy库，所以我们先导入备用：
import numpy as np
import pandas as pd- 1
- 2
2、导入CSV或者xlsx文件：
df = pd.DataFrame(pd.read_csv(\'name.csv\',header=1))
df = pd.DataFrame(pd.read_excel(\'name.xlsx\'))
- 1
- 2
- 3
3、用pandas创建数据表：
df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
"date":pd.date_range(\'20130102\', periods=6),
"city":[\'Beijing \', \'SH\', \' guangzhou \', \'Shenzhen\', \'shanghai\', \'BEIJING \'],
"age":[23,44,54,32,34,32],
"category":[\'100-A\',\'100-B\',\'110-A\',\'110-C\',\'210-A\',\'130-F\'],
"price":[1200,np.nan,2133,5433,np.nan,4432]},
columns =[\'id\',\'date\',\'city\',\'category\',\'age\',\'price\'])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
2、数据表信息查看
1、维度查看：
df.shape
- 1
- 2
2、数据表基本信息（维度、列名称、数据格式、所占空间等）：
df.info()
- 1
- 2
3、每一列数据的格式：
df.dtypes
- 1
- 2
4、某一列格式：
df[\'B\'].dtype
- 1
- 2
5、空值：
df.isnull()
- 1
- 2
6、查看某一列空值：
df.isnull()
- 1
- 2
7、查看某一列的唯一值：
df[\'B\'].unique()
- 1
- 2
8、查看数据表的值：
df.values
9、查看列名称：
df.columns
- 1
- 2
10、查看前10行数据、后10行数据：
df.head() #默认前10行数据
df.tail() #默认后10 行数据
- 1
- 2
- 3
三、数据表清洗
1、用数字0填充空值：
df.fillna(value=0)
- 1
- 2
2、使用列prince的均值对NA进行填充：
df[\'prince\'].fillna(df[\'prince\'].mean())
- 1
- 2
3、清楚city字段的字符空格：
df[\'city\']=df[\'city\'].map(str.strip)
- 1
- 2
4、大小写转换：
df[\'city\']=df[\'city\'].str.lower()
- 1
- 2
5、更改数据格式：
df[\'price\'].astype(\'int\')
- 1
- 2
6、更改列名称：
df.rename(columns={\'category\': \'category-size\'})
- 1
- 2
7、删除后出现的重复值：
df[\'city\'].drop_duplicates()
- 1
- 2
8、删除先出现的重复值：
df[\'city\'].drop_duplicates(keep=\'last\')
- 1
- 2
9、数据替换：
df[\'city\'].replace(\'sh\', \'shanghai\')
- 1
- 2
四、数据预处理
df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],
"gender":[\'male\',\'female\',\'male\',\'female\',\'male\',\'female\',\'male\',\'female\'],
"pay":[\'Y\',\'N\',\'Y\',\'Y\',\'N\',\'Y\',\'N\',\'Y\',],
"m-point":[10,12,20,40,40,40,30,20]})
- 1
- 2
- 3
- 4
- 5
1、数据表合并
df_inner=pd.merge(df,df1,how=\'inner\') # 匹配合并，交集
df_left=pd.merge(df,df1,how=\'left\') #
df_right=pd.merge(df,df1,how=\'right\')
df_outer=pd.merge(df,df1,how=\'outer\') #并集
- 1
- 2
- 3
- 4
- 5
2、设置索引列
df_inner.set_index(\'id\')
- 1
- 2
3、按照特定列的值排序：
df_inner.sort_values(by=[\'age\'])
- 1
- 2
4、按照索引列排序：
df_inner.sort_index()
- 1
- 2
5、如果prince列的值>3000，group列显示high，否则显示low：
df_inner[\'group\'] = np.where(df_inner[\'price\'] > 3000,\'high\',\'low\')
- 1
- 2
6、对复合多个条件的数据进行分组标记
df_inner.loc[(df_inner[\'city\'] == \'beijing\') & (df_inner[\'price\'] >= 4000), \'sign\']=1
- 1
- 2
7、对category字段的值依次进行分列，并创建数据表，索引值为df_inner的索引列，列名称为category和size
pd.DataFrame((x.split(\'-\') for x in df_inner[\'category\']),index=df_inner.index,columns=[\'category\',\'size\']))
- 1
- 2
8、将完成分裂后的数据表和原df_inner数据表进行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
- 1
- 2
五、数据提取
主要用到的三个函数：loc,iloc和ix，loc函数按标签值进行提取，iloc按位置进行提取，ix可以同时按标签和位置进行提取。
1、按索引提取单行的数值
df_inner.loc[3]
- 1
- 2
2、按索引提取区域行数值
df_inner.iloc[0:5]
- 1
- 2
3、重设索引
df_inner.reset_index()
- 1
- 2
4、设置日期为索引
df_inner=df_inner.set_index(\'date\')
- 1
- 2
5、提取4日之前的所有数据
df_inner[:\'2013-01-04\']
- 1
- 2
6、使用iloc按位置区域提取数据
df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。
- 1
- 2
7、适应iloc按位置单独提起数据
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列
- 1
- 2
8、使用ix按索引标签和位置混合提取数据
df_inner.ix[:\'2013-01-03\',:4] #2013-01-03号之前，前四列数据
- 1
- 2
9、判断city列的值是否为北京
df_inner[\'city\'].isin([\'beijing\'])
- 1
- 2
10、判断city列里是否包含beijing和shanghai，然后将符合条件的数据提取出来
df_inner.loc[df_inner[\'city\'].isin([\'beijing\',\'shanghai\'])]
- 1
- 2
11、提取前三个字符，并生成数据表
pd.DataFrame(category.str[:3])
- 1
- 2
六、数据筛选
使用与、或、非三个条件配合大于、小于、等于对数据进行筛选，并进行计数和求和。
1、使用“与”进行筛选
df_inner.loc[(df_inner[\'age\'] > 25) & (df_inner[\'city\'] == \'beijing\'), [\'id\',\'city\',\'age\',\'category\',\'gender\']]
- 1
- 2
2、使用“或”进行筛选
df_inner.loc[(df_inner[\'age\'] > 25) | (df_inner[\'city\'] == \'beijing\'), [\'id\',\'city\',\'age\',\'category\',\'gender\']].sort([\'age\'])
- 1
- 2
3、使用“非”条件进行筛选
df_inner.loc[(df_inner[\'city\'] != \'beijing\'), [\'id\',\'city\',\'age\',\'category\',\'gender\']].sort([\'id\'])
- 1
- 2
4、对筛选后的数据按city列进行计数
df_inner.loc[(df_inner[\'city\'] != \'beijing\'), [\'id\',\'city\',\'age\',\'category\',\'gender\']].sort([\'id\']).city.count()
- 1
- 2
5、使用query函数进行筛选
df_inner.query(\'city == ["beijing", "shanghai"]\')
- 1
- 2
6、对筛选后的结果按prince进行求和
df_inner.query(\'city == ["beijing", "shanghai"]\').price.sum()
- 1
- 2
七、数据汇总
主要函数是groupby和pivote_table
1、对所有的列进行计数汇总
df_inner.groupby(\'city\').count()
- 1
- 2
2、按城市对id字段进行计数
df_inner.groupby(\'city\')[\'id\'].count()
- 1
- 2
3、对两个字段进行汇总计数
df_inner.groupby([\'city\',\'size\'])[\'id\'].count()
- 1
- 2
4、对city字段进行汇总，并分别计算prince的合计和均值
df_inner.groupby(\'city\')[\'price\'].agg([len,np.sum, np.mean])
- 1
- 2
八、数据统计
数据采样，计算标准差，协方差和相关系数
1、简单的数据采样
df_inner.sample(n=3)
- 1
- 2
2、手动设置采样权重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
- 1
- 2
- 3
3、采样后不放回
df_inner.sample(n=6, replace=False)
- 1
- 2
4、采样后放回
df_inner.sample(n=6, replace=True)
- 1
- 2
5、 数据表描述性统计
df_inner.describe().round(2).T #round函数设置显示小数位，T表示转置
- 1
- 2
6、计算列的标准差
df_inner[\'price\'].std()
- 1
- 2
7、计算两个字段间的协方差
df_inner[\'price\'].cov(df_inner[\'m-point\'])
- 1
- 2
8、数据表中所有字段间的协方差
df_inner.cov()
- 1
- 2
9、两个字段的相关性分析
df_inner[\'price\'].corr(df_inner[\'m-point\']) #相关系数在-1到1之间，接近1为正相关，接近-1为负相关，0为不相关
- 1
- 2
10、数据表的相关性分析
df_inner.corr()
- 1
- 2
九、数据输出
分析后的数据可以输出为xlsx格式和csv格式
1、写入Excel
df_inner.to_excel(\'excel_to_python.xlsx\', sheet_name=\'bluewhale_cc\')
- 1
- 2
2、写入到CSV
df_inner.to_csv(\'excel_to_python.csv\')