【Pandas】基础操作

最新推荐文章于 2025-04-18 08:30:03 发布

原创最新推荐文章于 2025-04-18 08:30:03 发布 · 843 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#python #pandas

AI 专栏收录该内容

4 篇文章

订阅专栏

📝本文介绍
本文为作者观看pandas入门课后整理的基础操作笔记

👋作者简介：一个正在积极探索的本科生
📱联系方式：943641266(QQ)
🚪Github地址：https://github.com/sankexilianhua
🔑Gitee地址：https://gitee.com/Java_Ryson
由于本人的知识所限，如果文章有问题，欢迎大家联系并指出，博主会在第一时间修正。

📕前言

Pandas处理的是dataframe的数据。datafram可以理解为键值对，一个键（列名）和其对应底下的多个值的二维数组.

练手数据集：vincentarelbundock.github.io/Rdatasets/datasets.html

本次所使用的数据集为第一个数据集。（并不会全文都使用）

📘1. 读取与写入表格

📖1.1 读取文件

（1）打开CSV文件：变量名 = pd.read_csv（”路径/文件.csv“）

路径使用左斜杠/
（若使用右斜杠）路径前加一个r来表示不要转义
（若使用右斜杠）可以使用两个右斜杠来表示\

（2）存储Excel文件：变量名.to_excel（“文件名.xlsx”，sheet_name=”passengers“，index=False）

通过设置行索引标签不会保存在电子表格中
除文件名外，都是可选项

（3）打开excel文件：变量名 = pd.read_excel（”路径/文件.xslx“，sheetname=”passengers“）

sheetname是可选项

📖1.2 数据类型

使用type(变量)来查看变量对应的数据类型。最常用的数据类型即为：pandas.core.frame.dataframe
使用变量.dtypes可以查看其中每一列名对应的数据类型
使用变量.info可以查看更详细的信息
使用head（）方法可以选择查看前几行
使用tail（）方法可以选择查看倒数几行

📙2. DataFrame数据选择

📖2.1 选择列

#选择单列
age = affairs['age']; #可以选出对应的列的值来，此时的数据类型为pandas.core.series.Series
age.shape	#是一个一维数据


#选择多列
gender_age = affairs[['gender','age']] #取出对应的两列数值来
gender_age.shape #是一个二维数据


gender_age_children = affairs[['gender','age','children']] #取出对应的三列数值来
gender_age.shape #是一个三维数据

📖2.2 数据筛选

一个表的变量创建之后，对于数据的筛选可以这样理解：[]中包含了所要筛选的条件。如果是一个列名，那么筛选出来的是一列。如果是一个或多个不等式，则可以表示去掉不符合条件的数据。

单条件选择

例：筛选出23岁以上的数据

age_above23 = affairs[affairs['age']>23]

# 这里[]里面将age拿出来后进行判断，是否大于23

多条件

筛选出23岁以上45岁以下的数据

age_above23_below45 = affairs[(affairs['age']>23)&(affairs['age']<45)]

#注意：多条件时，每一个条件要使用（）括起来，条件中间使用& | ！等符号来连接

筛选出无缺失值的数据

age_no_na = affairs[affairs['age'].notna()]

# 使用.notna()可以判断该列对应的数值中是否有缺失值的行存在

复合型

age_above23 = affairs[affairs['age']>23]['gender']

#通过单条件的方式筛选出年龄大于23的数据，再从这些数据中只取性别那一列

可以复合多种筛选方式，来筛选出自己想要的方式。

切片

即筛选出数据中的某些行，列。如：10-25行，2-3列

affair = affairs.iloc[9:25,1:3]

#取出第10行到第25行，第2列到3列的数据
iloc[行，列]

📗3. 创建图表

创建图表时，除了使用pandas还需要使用到matplotlib.pyplot

import pandas
import matplotlib.pyplot

air_quality.plot() #默认为line方法 
air_quality.plot.area(figsize= (12,4),subplots=True)
plot.show()

plot方法可以实现对数据快速可视化。

它也适用于Serial类变量，也就是可以单独对列变量进行可视化
默认每一列单独作为不同元素绘制
plot中有多种图可以实现，包括line，scatter，box等等。
area方法可以将每列的变量单独做一个图。
pandas创建的任何绘图对象，都是一个matplotlib对象

📕4. 创建新列

📖4.1 创建新的一列

affairs["新列"] = affais["age"]*2

#创建新列直接写即可，但创建完之后需要赋值，后面的赋值可以是表达式也可以是一个简单的值
#其会默认加再DataFrame原数据的最后一列

📖4.2 更改列标签名

特定列标签名更改

affairs_renamed = affairs.rename(
	columns={
        "age":"年龄"
        "gender":"性别"
    }
)

# 在columns中使用字典的方式将想要改变的列名更改。
# 即：“原列名”:“新列名”

📘 5. 统计

📖5.1 求平均值，中位数等

求单列的平均值：affairs[“列名”].mean()
求多列的平均值：affairs[“列名1”,“列名2”].mean()
聚合统计信息：describe()

显示的数据包含：总数，平均值，标准差，最小值，25%，50%，75%，max

函数	作用
mean（）	求平均值
sum（）	求和
count（）	计数
median（）	求中位数
quantile（）	求分位数
max（）/min（）	求最大/小值
var（）/std（）	求方差/标准差

agg函数可以对数据进行聚合处理，可以一次性对多个数据的统计

titanic.agg(
	{
		"Age": ["min","max","median","skew"],
		"Fare": ["min","max","median","mean"]
	}
)

📖5.2 分组统计

单分组

例：

affairs[['age','gender']].groupby("gender").mean()
affairs.groupby("gender")["age"].mean()

#两种方法都可以求得：按性别分组的年龄平均值

多分组

例：

affairs.groupby(["gender","education"])["age"].mean()

affairs.groupby(["gender","education"])["age"].count()

#先通过gender来分组，再通过education来分组，分完组后，求各个组的年龄的平均值/总数

📙6. 重塑表格布局

📖6.1 排序

索引排列：sort_index（）

值排列：sort_values（by=“列名”）

默认为升序排列
多排序参数时，需要使用[]将参数括起来

titanic.sort_values(by="Age").head()

#降序排列，需要在参数中将ascending=False
titanic.sort_values(by="Age", ascending=False).head()

#多参数
titanic.sort_values(by=["Pclass","Age"], ascending=False).head()

📖6.2 透视表

可以理解为：取出数据创建自己子集

pivot和pivot_table

DataFrame.pivot_table(data,
                     values=None,
                     index=None,
                     columns=None,
                     aggfunc='mean',
                     fill_value=None,
                     margins=False,
                     dropna=True,
                     margins_name='All',
                     observed=False,
                     sort=True)
                     
data -- DataFrame格式数据
values -- 需要汇总计算的列，多个需要使用[]括起来
index -- 行分组键，多个需要使用[]括起来
columns -- 列分组键，多个需要使用[]括起来
aggfunc -- 聚合函数，或函数列表，默认为平均值
fill_value -- 缺失值填充，默认值填充
margins -- 是否添加行列的总计
dropna -- 如果列的值都为NaN则不计算
margins_name -- 汇总行列名称
observed -- 是否显示观测值

pivot()函数，取出图集中的部分数据，并将其绘制成子表

Pandas.pivot(data, index=None, columns=None, values=None)

no2_subset.pivot(columns="location", values="value")

#此时，新表的列名将会使用location中的类别
#每个列对应下来的值是原表中value列的值

注意：pandas.pivot 的重点在于 reshape，合并同类项，所以在行与列的交叉点值的索引应该是唯一值，如果不是唯一，则会报错

reset_index（）可以实现对数据行标签的重新设定

📖6.3 列变行

melt函数默认情况下会将所有其他列（除了 id_vars 中指定的列）转换为行。

df_wide.melt( 
    id_vars=[], #要保留的列
    value_vars=[], #需要被转换的列名
    var_name='', #自定义设置对应的列名
    value_name='' #自定义设置对应的列名
)

melt是pivot的反向

📗7. 合并表

📖7.1 拼接表 concat

使用concat可以沿着一个轴方向将两个表拼接起来，默认情况下是沿着行垂直向下方向，这就要求两个表要有相似的结构

concat([表1，表2，...]，axis=0/1)

轴axis0沿着行垂直向下方向
轴axis1沿着列水平方向

其还有level，key，names参数

实例数据：

df1 = pd.DataFrame({'sales': [100, 200, 300], 'month': ['January', 'February', 'March']})
df2 = pd.DataFrame({'profits': [10, 20, 30], 'month': ['January', 'February', 'March']})

‘levels’ 参数是指在合并多个 DataFrame 时，指定它们的 MultiIndex 层级。具体来说，如果您要将两个具有相同的 MultiIndex 层的DataFrame 进行合并，则需要指定 ‘levels’ 参数。

如：
```
df_concat = pd.concat([df1, df2], levels=['month'], sort=False)
合并完后：
         sales  profits
month                 
January    100       10
February   200       20
March      300       30
```

‘keys’ 参数可以用于向合并后的 DataFrame 添加一层 MultiIndex。当合并多个 DataFrame 时，’keys’ 参数用于识别每个 DataFrame 的来源。

df_concat = pd.concat([df1, df2], keys=['2018', '2019'], sort=False)
		 sales    month
2018 0    100  January
     1    200  February
     2    300    March
2019 0    500  January
     1    600  February
     2    700    March

‘names’ 参数用于为 MultiIndex 层级命名。具体来说，’names’ 参数可以为 ‘levels’ 参数中指定的每个层级命名，也可以为使用 ‘keys’ 参数添加的每个层级命名。

df_concat = pd.concat([df1, df2], keys=['sales', 'profits'], levels=[['sales', 'profits'], ['month']], names=['indicator', 'period'], sort=False)

                      sales  profits
indicator period                   
sales     January      100      NaN
          February     200      NaN
          March        300      NaN
profits   January      NaN     10.0
          February     NaN     20.0
          March        NaN     30.0

📖7.2 使用共有/相似列连接 merge

merge，使用公共标识符连接表。

在有两个表的情况下:

使用两个表共有的列来连接两个表

merge([表1,表2,...],how="",on="")

#how有left和right，即左连接和右连接，按左/右标签作为标准，右/左边有的才能连接
#on则是使用哪个共同列

使用两个表相似列来连接（列名可能不同）

merge([表1,表2,...],how="",left_on="",right_on=“”)

#how有left和right，即左连接和右连接，按左/右标签作为标准，右/左边有的才能连接
#left_on、right_on是指使用两个表各自的哪个列来合并（列名可能不同）

📕8. 时间序列数据处理

📖8.1 文本数据转为时间对象

pd.to_datatime()可以将数据表中的某一列对应转成时间对象

air_quality["datatime"]=pd.to_datatime(air_quality["datatime"])

转换成时间对象之后，可以使用对应的时间函数，最大值，最小值，排序等等。
计算两者相差多少小时时，可以直接进行加减运算。
通过.dt.month/year/day等可以直接获得年月日信息，通过weekday可以直接分出每个数据是星期几。这些都需要通过dt来访问
转为时间对象之后，可以直接使用时间来进行切片
```
no_2["2019-05-20":"2019-05-21"]
```

📖8.2 重采样

resample（）函数可以将时间序列重采样到另一个频率（如：将秒级数据转换为5分钟数据）

使用方法类似与groupby

通过使用一个字符串，如M，SH等来定义目标频率
需要一个聚合函数

📘9. 文本数据操作

str访问器中有很多专门用于字符串的方法。

将所有姓名转换成小写：str.lower（）
分割：str.split（）
获取：str.get（）
是否包含：str.contains（），该函数支持正则表达式
长度：str.len（）
替换：str.replace（）