pandas如何使用-創(chuàng)新互聯(lián)
小編給大家分享一下pandas如何使用，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！
一、生成數(shù)據(jù)表
1、首先導(dǎo)入pandas庫(kù)，一般都會(huì)用到numpy庫(kù)，所以我們先導(dǎo)入備用：
import numpy as npimport pandas as pd12
2、導(dǎo)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'))1233、用pandas創(chuàng)建數(shù)據(jù)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'])123456782、數(shù)據(jù)表信息查看
1、維度查看：
df.shape12
2、數(shù)據(jù)表基本信息（維度、列名稱、數(shù)據(jù)格式、所占空間等）：
df.info()12
3、每一列數(shù)據(jù)的格式：
df.dtypes12
4、某一列格式：
df['B'].dtype12
5、空值：
df.isnull()12
6、查看某一列空值：
df.isnull()12
7、查看某一列的唯一值：
df['B'].unique()12
8、查看數(shù)據(jù)表的值：
df.values
9、查看列名稱：
df.columns12
10、查看前10行數(shù)據(jù)、后10行數(shù)據(jù)：
df.head() #默認(rèn)前10行數(shù)據(jù) df.tail() #默認(rèn)后10 行數(shù)據(jù)123
三、數(shù)據(jù)表清洗
1、用數(shù)字0填充空值：
df.fillna(value=0)12
2、使用列prince的均值對(duì)NA進(jìn)行填充：
df['prince'].fillna(df['prince'].mean())12
3、清楚city字段的字符空格：
df['city']=df['city'].map(str.strip)12
4、大小寫(xiě)轉(zhuǎn)換：
df['city']=df['city'].str.lower()12
5、更改數(shù)據(jù)格式：
df['price'].astype('int')
126、更改列名稱：
df.rename(columns={'category': 'category-size'})
127、刪除后出現(xiàn)的重復(fù)值：
df['city'].drop_duplicates()12
8、刪除先出現(xiàn)的重復(fù)值：
df['city'].drop_duplicates(keep='last')12
9、數(shù)據(jù)替換：
df['city'].replace('sh', 'shanghai')12四、數(shù)據(jù)預(yù)處理
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]})123451、數(shù)據(jù)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12345
2、設(shè)置索引列
df_inner.set_index('id')123、按照特定列的值排序：
df_inner.sort_values(by=['age'])12
4、按照索引列排序：
df_inner.sort_index()12
5、如果prince列的值>3000，group列顯示high，否則顯示low：
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')12
6、對(duì)復(fù)合多個(gè)條件的數(shù)據(jù)進(jìn)行分組標(biāo)記
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=112
7、對(duì)category字段的值依次進(jìn)行分列，并創(chuàng)建數(shù)據(jù)表，索引值為df_inner的索引列，列名稱為category和size
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))128、將完成分裂后的數(shù)據(jù)表和原df_inner數(shù)據(jù)表進(jìn)行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)12
五、數(shù)據(jù)提取
主要用到的三個(gè)函數(shù)：loc,iloc和ix，loc函數(shù)按標(biāo)簽值進(jìn)行提取，iloc按位置進(jìn)行提取，ix可以同時(shí)按標(biāo)簽和位置進(jìn)行提取。
1、按索引提取單行的數(shù)值
df_inner.loc[3]12
2、按索引提取區(qū)域行數(shù)值
df_inner.iloc[0:5]12
3、重設(shè)索引
df_inner.reset_index()12
4、設(shè)置日期為索引
df_inner=df_inner.set_index('date')
125、提取4日之前的所有數(shù)據(jù)
df_inner[:'2013-01-04']12
6、使用iloc按位置區(qū)域提取數(shù)據(jù)
df_inner.iloc[:3,:2] #冒號(hào)前后的數(shù)字不再是索引的標(biāo)簽名稱，而是數(shù)據(jù)所在的位置，從0開(kāi)始，前三行，前兩列。12
7、適應(yīng)iloc按位置單獨(dú)提起數(shù)據(jù)
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列12
8、使用ix按索引標(biāo)簽和位置混合提取數(shù)據(jù)
df_inner.ix[:'2013-01-03',:4] #2013-01-03號(hào)之前，前四列數(shù)據(jù)12
9、判斷city列的值是否為北京
df_inner['city'].isin(['beijing'])12
10、判斷city列里是否包含beijing和shanghai，然后將符合條件的數(shù)據(jù)提取出來(lái)
df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])] 12
11、提取前三個(gè)字符，并生成數(shù)據(jù)表
pd.DataFrame(category.str[:3])12
六、數(shù)據(jù)篩選
使用與、或、非三個(gè)條件配合大于、小于、等于對(duì)數(shù)據(jù)進(jìn)行篩選，并進(jìn)行計(jì)數(shù)和求和。
1、使用“與”進(jìn)行篩選
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]12
2、使用“或”進(jìn)行篩選
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age']) 12
3、使用“非”條件進(jìn)行篩選
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 12
4、對(duì)篩選后的數(shù)據(jù)按city列進(jìn)行計(jì)數(shù)
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()12
5、使用query函數(shù)進(jìn)行篩選
df_inner.query('city == ["beijing", "shanghai"]')126、對(duì)篩選后的結(jié)果按prince進(jìn)行求和
df_inner.query('city == ["beijing", "shanghai"]').price.sum()12七、數(shù)據(jù)匯總
主要函數(shù)是groupby和pivote_table
1、對(duì)所有的列進(jìn)行計(jì)數(shù)匯總
df_inner.groupby('city').count()122、按城市對(duì)id字段進(jìn)行計(jì)數(shù)
df_inner.groupby('city')['id'].count()123、對(duì)兩個(gè)字段進(jìn)行匯總計(jì)數(shù)
df_inner.groupby(['city','size'])['id'].count()12
4、對(duì)city字段進(jìn)行匯總，并分別計(jì)算prince的合計(jì)和均值
df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])
12八、數(shù)據(jù)統(tǒng)計(jì)
數(shù)據(jù)采樣，計(jì)算標(biāo)準(zhǔn)差，協(xié)方差和相關(guān)系數(shù)
1、簡(jiǎn)單的數(shù)據(jù)采樣
df_inner.sample(n=3) 12
2、手動(dòng)設(shè)置采樣權(quán)重
weights = [0, 0, 0, 0, 0.5, 0.5] df_inner.sample(n=2, weights=weights) 123
3、采樣后不放回
df_inner.sample(n=6, replace=False) 12
4、采樣后放回
df_inner.sample(n=6, replace=True)12
5、 數(shù)據(jù)表描述性統(tǒng)計(jì)
df_inner.describe().round(2).T #round函數(shù)設(shè)置顯示小數(shù)位，T表示轉(zhuǎn)置12
6、計(jì)算列的標(biāo)準(zhǔn)差
df_inner['price'].std()12
7、計(jì)算兩個(gè)字段間的協(xié)方差
df_inner['price'].cov(df_inner['m-point']) 12
8、數(shù)據(jù)表中所有字段間的協(xié)方差
df_inner.cov()12
9、兩個(gè)字段的相關(guān)性分析
df_inner['price'].corr(df_inner['m-point']) #相關(guān)系數(shù)在-1到1之間，接近1為正相關(guān)，接近-1為負(fù)相關(guān)，0為不相關(guān)12
10、數(shù)據(jù)表的相關(guān)性分析
df_inner.corr()12
九、數(shù)據(jù)輸出
分析后的數(shù)據(jù)可以輸出為xlsx格式和csv格式
1、寫(xiě)入Excel
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
122、寫(xiě)入到CSV
df_inner.to_csv('excel_to_python.csv')以上是“pandas如何使用”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)-成都網(wǎng)站建設(shè)公司行業(yè)資訊頻道！
當(dāng)前名稱：pandas如何使用-創(chuàng)新互聯(lián)
標(biāo)題路徑：http://muchs.cn/article32/dhgipc.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供標(biāo)簽優(yōu)化、外貿(mào)建站、定制網(wǎng)站、云服務(wù)器、網(wǎng)站建設(shè)、企業(yè)網(wǎng)站制作
聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)
猜你還喜歡下面的內(nèi)容
- Windows7自動(dòng)更新失敗導(dǎo)致無(wú)法進(jìn)系統(tǒng)解決方案-創(chuàng)新互聯(lián)
- 打字從零學(xué)起該怎么學(xué)php零基礎(chǔ)可以學(xué)嗎，需要注意些什么？-創(chuàng)新互聯(lián)
- 怎么在python中使用Drag與Drop控件-創(chuàng)新互聯(lián)
- jquery的安裝和使用-創(chuàng)新互聯(lián)
- 怎樣爬取通過(guò)ajax加載數(shù)據(jù)的網(wǎng)站-創(chuàng)新互聯(lián)
- PHP如何使用fopen與file_get_contents讀取文件-創(chuàng)新互聯(lián)
- 自己創(chuàng)作的春聯(lián)很多人出上聯(lián)、求下聯(lián)，對(duì)下聯(lián)有什么好處？-創(chuàng)新互聯(lián)
- 成都網(wǎng)站制作生成純靜態(tài)的好處 2016-10-31
- 靜態(tài)網(wǎng)頁(yè)設(shè)計(jì)的時(shí)候一般有哪些特點(diǎn)？ 2016-11-02
- 談?wù)劸W(wǎng)站優(yōu)化當(dāng)中的偽靜態(tài)優(yōu)化技術(shù) 2016-05-11
- 靜態(tài)HTML真的非常有利于SEO嗎？ 2016-07-10
- 純靜態(tài)頁(yè)適合企業(yè)營(yíng)銷展示型網(wǎng)站嗎？ 2014-06-03
- 營(yíng)銷型網(wǎng)站建設(shè)中什么是動(dòng)態(tài)網(wǎng)站、靜態(tài)網(wǎng)站 2022-11-17
- URL偽靜態(tài)的優(yōu)勢(shì)和對(duì)網(wǎng)站的影響 2016-11-22
- 網(wǎng)站生成靜態(tài)的好處 2016-10-30
- 什么是偽靜態(tài)頁(yè)面設(shè)置、網(wǎng)站地圖設(shè)置？ 2014-07-18
- 喜歡靜態(tài)頁(yè)的站長(zhǎng)們福利來(lái)了！ 2016-11-09
- 靜態(tài)網(wǎng)頁(yè)的設(shè)計(jì)及發(fā)展 2016-11-10
- 網(wǎng)站建設(shè)是靜態(tài)網(wǎng)站好還是動(dòng)態(tài)網(wǎng)站好？ 2020-04-22