Pandas进阶修炼120题-优快云博客

作者：刘早起

来源：早起python，禁止二次转载

这篇文章是『Pandas进阶修炼120题』的汇总，我们对Pandas中常用的操作以习题的形式发布。从读取数据到高级操作全部包含，希望可以通过刷题的方式来完整学习pandas中数据处理的各种方法，当然如果你是高手，也欢迎尝试给出与答案不同的解法。

创建DataFrame

题目：将下面的字典创建为DataFrame

data = {"grammer":["Python","C","Java","GO","R","SQL","PHP","Python"],
       "score":[1,2,np.nan,4,5,6,7,10]}

难度：⭐

期望结果

答案：

df = pd.DataFrame(data)

本期所有题目均基于该数据框给出

数据提取

题目：提取含有字符串"Python"的行

难度：⭐⭐

期望结果

grammer  score
0 Python    1.0
7 Python   10.0

答案：

result=df[df['grammer'].str.contains("Python")]

提取列名

题目：输出df的所有列名

难度：⭐

期望结果

Index(['grammer', 'score'], dtype='object')

答案

df.columns

修改列名

题目：修改第二列列名为'popularity'

难度：⭐⭐

答案

df.rename(columns={'score':'popularity'}, inplace = True)

字符统计

题目：统计grammer列中每种编程语言出现的次数

难度：⭐⭐

答案

df['grammer'].value_counts()

缺失值处理

题目：将空值用上下值的平均值填充

难度：⭐⭐⭐

答案

df['popularity'] = df['popularity'].fillna(df['popularity'].interpolate())

数据提取

题目：提取popularity列中值大于3的行

难度：⭐⭐

答案

df[df['popularity'] > 3]

数据去重

题目：按照grammer列进行去重

难度：⭐⭐

答案

df.drop_duplicates(['grammer'])

数据计算

题目：计算popularity列平均值

难度：⭐⭐

答案

df['popularity'].mean()

格式转换

题目：将grammer列转换为list

难度：⭐⭐

答案

df['grammer'].to_list()

数据保存

题目：将DataFrame保存为EXCEL

难度：⭐⭐

答案

df.to_excel('filename.xlsx')

数据查看

题目：查看数据行列数

难度：⭐

答案

df.shape

数据提取

题目：提取popularity列值大于3小于7的行

难度：⭐⭐

答案

df[(df['popularity'] > 3) & (df['popularity'] < 7)]

位置处理

题目：交换两列位置

难度：⭐⭐⭐

答案

'''
方法1
'''
temp = df['popularity']
df.drop(labels=['popularity'], axis=1,inplace = True)
df.insert(0, 'popularity', temp)
df
'''
方法2
cols = df.columns[[1,0]]
df = df[cols]
df
'''

数据提取

题目：提取popularity列最大值所在行

难度：⭐⭐

答案

df[df['popularity'] == df['popularity'].max()]

数据查看

题目：查看最后5行数据

难度：⭐

答案

df.tail()

数据修改

题目：删除最后一行数据

难度：⭐

答案

df.drop([len(df)-1],inplace=True)

数据修改

题目：添加一行数据['Perl',6.6]

难度：⭐⭐

答案

row={'grammer':'Perl','popularity':6.6}
df = df.append(row,ignore_index=True)

数据整理

题目：对数据按照"popularity"列值的大小进行排序

难度：⭐⭐

答案

df.sort_values("popularity",inplace=True)

字符统计

题目：统计grammer列每个字符串的长度

难度：⭐⭐⭐

答案

df['grammer'].map(lambda x: len(x))

第二期：数据处理基础

数据读取

题目：读取本地EXCEL数据

难度：⭐

答案

df = pd.read_excel('pandas120.xlsx')

本期部分习题与该数据相关

数据查看

题目：查看df数据前5行

难度：⭐

期望输出

答案

df.head()

数据计算

题目：将salary列数据转换为最大值与最小值的平均值

难度：⭐⭐⭐⭐

期望输出

答案

#备注，在某些版本pandas中.ix方法可能失效，可使用.iloc，参考https://mp.weixin.qq.com/s/5xJ-VLaHCV9qX2AMNOLRtw
#为什么不能直接使用max，min函数，因为我们的数据中是20k-35k这种字符串，所以需要先用正则表达式提取数字
import re
for i in range(len(df)):
    str1 = df.ix[i,2]
    k = re.findall(r"\d+\.?\d*",str1)
    salary = ((int(k[0]) + int(k[1]))/2)*1000
    df.ix[i,2] = salary
df

数据分组

题目：将数据根据学历进行分组并计算平均薪资

难度：⭐⭐⭐

期望输出

education salary            
不限 19600.000000
大专 10000.000000
本科 19361.344538
硕士 20642.857143

答案

df.groupby('education').mean()

时间转换

题目：将createTime列时间转换为月-日

难度：⭐⭐⭐

期望输出

答案

#备注，在某些版本pandas中.ix方法可能失效，可使用.iloc，参考https://mp.weixin.qq.com/s/5xJ-VLaHCV9qX2AMNOLRtw
for i in range(len(df)):
    df.ix[i,0] = df.ix[i,0].to_pydatetime().strftime("%m-%d")
df.head()

数据查看

题目：查看索引、数据类型和内存信息

难度：⭐

期望输出

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 135 entries, 0 to 134
Data columns (total 4 columns):
createTime 135 non-null object
education 135 non-null object
salary 135 non-null int64
categories 135 non-null category
dtypes: category(1), int64(1), object(2)
memory usage: 3.5+ KB

答案

df.info()

数据查看

题目：查看数值型列的汇总统计

难度：⭐

答案

df.describe()

数据整理

题目：新增一列根据salary将数据分为三组

难度：⭐⭐⭐⭐

输入

期望输出

答案

bins = [0,5000, 20000, 50000]
group_names = ['低', '中', '高']
df['categories'] = pd.cut(df['salary'], bins, labels=group_names)

数据整理

题目：按照salary列对数据降序排列

难度：⭐⭐

答案

df.sort_values('salary', ascending=False)

数据提取

题目：取出第33行数据

难度：⭐⭐

答案

df.loc[32]

数据计算

题目：计算salary列的中位数

难度：⭐⭐

答案

np.median(df['salary'])

数据可视化

题目：绘制薪资水平频率分布直方图

难度：⭐⭐⭐

期望输出

答案

df.salary.plot(kind='hist')

数据可视化

题目：绘制薪资水平密度曲线

难度：⭐⭐⭐

期望输出

答案

df.salary.plot(kind='kde',xlim=(0,80000))

数据删除

题目：删除最后一列categories

难度：⭐

答案

del df['categories']

数据处理

题目：将df的第一列与第二列合并为新的一列

难度：⭐⭐

答案

df['test'] = df['education']+df['createTime']

数据处理

题目：将education列与salary列合并为新的一列

难度：⭐⭐⭐

备注：salary为int类型，操作与35题有所不同

答案

df["test1"] = df["salary"].map(str) + df['education']

数据计算

题目：计算salary最大值与最小值之差

难度：⭐⭐⭐

答案

df[['salary']].apply(lambda x: x.max() - x.min())

数据处理

题目：将第一行与最后一行拼接

难度：⭐⭐

答案

pd.concat([df[:1], df[-2:-1]])

数据处理

题目：将第8行数据添加至末尾

难度：⭐⭐

答案

df.append(df.iloc[7])

数据查看

题目：查看每列的数据类型

难度：⭐

期望结果

createTime object
education object
salary int64
test object
test1 object
dtype: object

答案

df.dtypes

数据处理

题目：将createTime列设置为索引

难度：⭐⭐

答案

df.set_index("createTime")

数据创建

题目：生成一个和df长度相同的随机数dataframe

难度：⭐⭐

答案

df1 = pd.DataFrame(pd.Series(np.random.randint(1, 10, 135)))

数据处理

题目：将上一题生成的dataframe与df合并

难度：⭐⭐

答案

df= pd.concat([df,df1],axis=1)

数据计算

题目：生成新的一列new为salary列减去之前生成随机数列

难度：⭐⭐

答案

df["new"] = df["salary"] - df[0]

缺失值处理

题目：检查数据中是否含有任何缺失值

难度：⭐⭐⭐

答案

df.isnull().values.any()

数据转换

题目：将salary列类型转换为浮点数

难度：⭐⭐⭐

答案

df['salary'].astype(np.float64)

数据计算

题目：计算salary大于10000的次数

难度：⭐⭐

答案

len(df[df['salary']>10000])

数据统计

题目：查看每种学历出现的次数

难度：⭐⭐⭐

期望输出

本科 119
硕士 7
不限 5
大专 4
Name: education, dtype: int64

答案

df.education.value_counts()

数据查看

题目：查看education列共有几种学历

难度：⭐⭐

答案

df['education'].nunique()

数据提取

题目：提取salary与new列的和大于60000的最后3行

难度：⭐⭐⭐⭐

期望输出

答案

df1 = df[['salary','new']]
rowsums = df1.apply(np.sum, axis=1)
res = df.iloc[np.where(rowsums > 60000)[0][-3:], :]

第三期：金融数据处理

数据读取

题目：使用绝对路径读取本地Excel数据

难度：⭐

答案

data = pd.read_excel('/Users/Desktop/600000.SH.xls')

备注

请将答案中路径替换为自己机器存储数据的绝对路径，本期相关习题与该数据有关

数据查看

题目：查看数据前三行

难度：⭐

期望结果

答案

data.head(3)

缺失值处理

题目：查看每列数据缺失值情况

难度：⭐⭐

期望结果

代码 1
简称 2
日期 2
前收盘价(元) 2
开盘价(元) 2
最高价(元) 2
最低价(元) 2
收盘价(元) 2
成交量(股) 2
成交金额(元) 2
.................

答案

data.isnull().sum()

缺失值处理

题目：提取日期列含有空值的行

难度：⭐⭐

期望结果

答案

data[data['日期'].isnull()]

缺失值处理

题目：输出每列缺失值具体行数

难度：⭐⭐⭐

期望结果

列名："代码", 第[327]行位置有缺失值
列名："简称", 第[327, 328]行位置有缺失值
列名："日期", 第[327, 328]行位置有缺失值
列名："前收盘价(元)", 第[327, 328]行位置有缺失值
列名："开盘价(元)", 第[327, 328]行位置有缺失值
列名："最高价(元)", 第[327, 328]行位置有缺失值
列名："最低价(元)", 第[327, 328]行位置有缺失值
列名："收盘价(元)", 第[327, 328]行位置有缺失值
................

答案

for columname in data.columns:
    if data[columname].count() != len(data):
        loc = data[columname][data[columname].isnull().values==True].index.tolist()
        print('列名："{}", 第{}行位置有缺失值'.format(columname,loc))

缺失值处理

题目：删除所有存在缺失值的行

难度：⭐⭐

答案

data.dropna(axis=0, how='any', inplace=True)

备注

axis：0-行操作（默认），1-列操作
how：any-只要有空值就删除（默认），all-全部为空值才删除
inplace：False-返回新的数据集（默认），True-在原数据集上操作

数据可视化

题目：绘制收盘价的折线图

难度：⭐⭐

期望结果

答案

data['收盘价(元)'].plot()

数据可视化

题目：同时绘制开盘价与收盘价

难度：⭐⭐⭐

期望结果

答案

data[['收盘价(元)','开盘价(元)']].plot()

备注

中文显示请自己设置，我的字体乱了

数据可视化

题目：绘制涨跌幅的直方图

难度：⭐⭐

期望结果

答案

data['涨跌幅(%)'].hist()

数据可视化

题目：让直方图更细致

难度：⭐⭐

期望结果

答案

data['涨跌幅(%)'].hist(bins = 30)

数据创建

题目：以data的列名创建一个dataframe

难度：⭐⭐

答案

temp = pd.DataFrame(columns = data.columns.to_list())

异常值处理

题目：打印所有换手率不是数字的行

难度：⭐⭐⭐

期望结果

答案

for i in range(len(data)):
    if type(data.iloc[i,13]) != float:
        temp = temp.append(data.loc[i])

temp

异常值处理

题目：打印所有换手率为--的行

难度：⭐⭐⭐

答案

data[data['换手率(%)'].isin(['--'])]

备注

通过上一题我们发现换手率的异常值只有--

数据处理

题目：重置data的行号

难度：⭐

答案

data = data.reset_index()

备注

有时我们修改数据会导致索引混乱

异常值处理

题目：删除所有换手率为非数字的行

难度：⭐⭐⭐

答案

k =[]
for i in range(len(data)):
    if type(data.iloc[i,13]) != float:
        k.append(i)
data.drop(labels=k,inplace=True)

数据可视化

题目：绘制换手率的密度曲线

难度：⭐⭐⭐

期望结果

答案

data['换手率(%)'].plot(kind='kde')

数据计算

题目：计算前一天与后一天收盘价的差值

难度：⭐⭐

答案

data['收盘价(元)'].diff()

数据计算

题目：计算前一天与后一天收盘价变化率

难度：⭐⭐

答案

data['收盘价(元)'].pct_change()

数据处理

题目：设置日期为索引

难度：⭐

答案

data.set_index('日期')

指标计算

题目：以5个数据作为一个数据滑动窗口，在这个5个数据上取均值(收盘价)

难度：⭐⭐⭐

答案

data['收盘价(元)'].rolling(5).mean()

指标计算

题目：以5个数据作为一个数据滑动窗口，计算这五个数据总和(收盘价)

难度：⭐⭐⭐

答案

data['收盘价(元)'].rolling(5).sum()

数据可视化

题目：将收盘价5日均线、20日均线与原始数据绘制在同一个图上

难度：⭐⭐⭐

期望结果

答案

data['收盘价(元)'].plot()
data['收盘价(元)'].rolling(5).mean().plot()
data['收盘价(元)'].rolling(20).mean().plot()

数据重采样

题目：按周为采样规则，取一周收盘价最大值

难度：⭐⭐⭐

答案

data['收盘价(元)'].resample('W').max()

Spyder——Python编程的“热带雨林”

题目：绘制重采样数据与原始数据

难度：⭐⭐⭐

期望结果

答案

data['收盘价(元)'].plot()
data['收盘价(元)'].resample('7D').max().plot()

数据处理

题目：将数据往后移动5天

难度：⭐⭐

答案

data.shift(5)

数据处理

题目：将数据向前移动5天

难度：⭐⭐

答案

data.shift(-5)

数据计算

题目：使用expending函数计算开盘价的移动窗口均值

难度：⭐⭐

答案

data['开盘价(元)'].expanding(min_periods=1).mean()

数据可视化

题目：绘制上一题的移动均值与原始数据折线图

难度：⭐⭐⭐

期望结果

答案

data[' expanding Open mean']=data['开盘价(元)'].expanding(min_periods=1).mean()
data[['开盘价(元)', 'expanding Open mean']].plot(figsize=(16, 6))

数据计算

题目：计算布林指标

难度：⭐⭐⭐⭐

答案

data['former 30 days rolling Close mean']=data['收盘价(元)'].rolling(20).mean()
data['upper bound']=data['former 30 days rolling Close mean']+2*data['收盘价(元)'].rolling(20).std()#在这里我们取20天内的标准差
data['lower bound']=data['former 30 days rolling Close mean']-2*data['收盘价(元)'].rolling(20).std()

数据可视化

题目：计算布林线并绘制

难度：⭐⭐⭐

期望结果

答案

data[['收盘价(元)', 'former 30 days rolling Close mean','upper bound','lower bound' ]].plot(figsize=(16, 6))

第四期：当Pandas遇上NumPy

数据查看

题目：导入并查看pandas与numpy版本

难度：⭐

答案

import pandas as pd
import numpy as np
print(np.__version__)
print(pd.__version__)

数据创建

题目：从NumPy数组创建DataFrame

难度：⭐

备注

使用numpy生成20个0-100随机数

答案

tem = np.random.randint(1,100,20)
df1 = pd.DataFrame(tem)

数据创建

题目：从NumPy数组创建DataFrame

难度：⭐

备注

使用numpy生成20个0-100固定步长的数

答案

tem = np.arange(0,100,5)
df2 = pd.DataFrame(tem)

数据创建

题目：从NumPy数组创建DataFrame

难度：⭐

备注

使用numpy生成20个指定分布(如标准正态分布)的数

答案

tem = np.random.normal(0, 1, 20)
df3 = pd.DataFrame(tem)

数据创建

题目：将df1，df2，df3按照行合并为新DataFrame

难度：⭐⭐

答案

df = pd.concat([df1,df2,df3],axis=0,ignore_index=True)

数据创建

题目：将df1，df2，df3按照列合并为新DataFrame

难度：⭐⭐

期望结果

0 1 2
0 95 0 0.022492
1 22 5 -1.209494
2 3 10 0.876127
3 21 15 -0.162149
4 51 20 -0.815424
5 30 25 -0.303792
...............

答案

df = pd.concat([df1,df2,df3],axis=1,ignore_index=True)
df

数据查看

题目：查看df所有数据的最小值、25%分位数、中位数、75%分位数、最大值

难度：⭐⭐

答案

print(np.percentile(df, q=[0, 25, 50, 75, 100]))

数据修改

题目：修改列名为col1,col2,col3

难度：⭐

答案

df.columns = ['col1','col2','col3']

数据提取

题目：提取第一列中不在第二列出现的数字

难度：⭐⭐⭐

答案

df['col1'][~df['col1'].isin(df['col2'])]

数据提取

题目：提取第一列和第二列出现频率最高的三个数字

难度：⭐⭐⭐

答案

temp = df['col1'].append(df['col2'])
temp.value_counts().index[:3]

数据提取

题目：提取第一列中可以整除5的数字位置

难度：⭐⭐⭐

答案

np.argwhere(df['col1'] % 5==0)

数据计算

题目：计算第一列数字前一个与后一个的差值

难度：⭐⭐

答案

df['col1'].diff().tolist()

数据处理

题目：将col1,col2,clo3三列顺序颠倒

难度：⭐⭐

答案

df.ix[:, ::-1]

数据提取

题目：提取第一列位置在1,10,15的数字

难度：⭐⭐

答案

df['col1'].take([1,10,15])

数据查找

题目：查找第一列的局部最大值位置

难度：⭐⭐⭐⭐

备注

即比它前一个与后一个数字的都大的数字

答案

tem = np.diff(np.sign(np.diff(df['col1'])))
np.where(tem == -2)[0] + 1

数据计算

题目：按行计算df的每一行均值

难度：⭐⭐

答案

df[['col1','col2','col3']].mean(axis=1)

数据计算

题目：对第二列计算移动平均值

难度：⭐⭐⭐

备注

每次移动三个位置，不可以使用自定义函数

答案

np.convolve(df['col2'], np.ones(3)/3, mode='valid')

数据修改

题目：将数据按照第三列值的大小升序排列

难度：⭐⭐

答案

df.sort_values("col3",inplace=True)

数据修改

题目：将第一列大于50的数字修改为'高'

难度：⭐⭐

答案

df.col1[df['col1'] > 50]= '高'

100

数据计算

题目：计算第一列与第二列之间的欧式距离

难度：⭐⭐⭐

备注

不可以使用自定义函数

答案

np.linalg.norm(df['col1']-df['col2'])

第五期：一些补充

101

数据读取

题目：从CSV文件中读取指定数据

难度：⭐⭐

备注

从数据1中的前10行中读取positionName, salary两列

答案

df = pd.read_csv('数据1.csv',encoding='gbk', usecols=['positionName', 'salary'],nrows = 10)

102

数据读取

题目：从CSV文件中读取指定数据

难度：⭐⭐

备注

从数据2中读取数据并在读取数据时将薪资大于10000的为改为高

答案

df = pd.read_csv('数据2.csv',converters={'薪资水平': lambda x: '高' if float(x) > 10000 else '低'} )

103

数据计算

题目：从dataframe提取数据

难度：⭐⭐⭐

备注

从上一题数据中，对薪资水平列每隔20行进行一次抽样

期望结果

答案

df.iloc[::20, :][['薪资水平']]

104

数据处理

题目：将数据取消使用科学计数法

难度：⭐⭐

输入

df = pd.DataFrame(np.random.random(10)**10, columns=['data'])

期望结果

答案

df.round(3)

105

数据处理

题目：将上一题的数据转换为百分数

难度：⭐⭐⭐

期望结果

答案

df.style.format({'data': '{0:.2%}'.format})

106

数据查找

题目：查找上一题数据中第3大值的行号

难度：⭐⭐⭐

答案

df['data'].argsort()[::-1][7]

107

数据处理

题目：反转df的行

难度：⭐⭐

答案

df.iloc[::-1, :]

108

数据重塑

题目：按照多列对数据进行合并

难度：⭐⭐

输入

df1= pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})

df2= pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})

答案

pd.merge(df1, df2, on=['key1', 'key2'])

109

数据重塑

题目：按照多列对数据进行合并

难度：⭐⭐

备注

只保存df1的数据

答案

pd.merge(df1, df2, how='left', on=['key1', 'key2'])

110

数据处理

题目：再次读取数据1并显示所有的列

难度：⭐⭐

备注

数据中由于列数较多中间列不显示

答案

df = pd.read_csv('数据1.csv',encoding='gbk')
pd.set_option("display.max.columns", None)
df

111

数据查找

题目：查找secondType与thirdType值相等的行号

难度：⭐⭐

答案

np.where(df.secondType == df.thirdType)

112

数据查找

题目：查找薪资大于平均薪资的第三个数据

难度：⭐⭐⭐

答案

np.argwhere(df['salary'] > df['salary'].mean())[2]

113

数据计算

题目：将上一题数据的salary列开根号

难度：⭐⭐

答案

df[['salary']].apply(np.sqrt)

114

数据处理

题目：将上一题数据的linestaion列按_拆分

难度：⭐⭐

答案

df['split'] = df['linestaion'].str.split('_')

115

数据查看

题目：查看上一题数据中一共有多少列

难度：⭐

答案

df.shape[1]

116

数据提取

题目：提取industryField列以'数据'开头的行

难度：⭐⭐

答案

df[df['industryField'].str.startswith('数据')]

117

数据计算

题目：按列制作数据透视表

难度：⭐⭐⭐

答案

pd.pivot_table(df,values=["salary","score"],index="positionId")

118

数据计算

题目：同时对salary、score两列进行计算

难度：⭐⭐⭐

答案

df[["salary","score"]].agg([np.sum,np.mean,np.min])

119

数据计算

题目：对不同列执行不同的计算

难度：⭐⭐⭐

备注

对salary求平均，对score列求和

答案

df.agg({"salary":np.sum,"score":np.mean})

120

数据计算

题目：计算并提取平均薪资最高的区

难度：⭐⭐⭐⭐

答案

df[['district','salary']].groupby(by='district').mean().sort_values('salary',ascending=False).head(1)

以上就是Pandas进阶修炼120题全部内容，如果能坚持走到这里的读者，我想你已经掌握了处理数据的常用操作，并且在之后的数据分析中碰到相关问题，希望武装了Pandas的你能够从容的解决！

欢迎扫码关注：

Pandas进阶修炼120题

相关推荐