pandas的操作

常见的数据类型

• 一维: Series(常用)
• 二维: DataFrame(常用)
• 三维: Panel
• 四维: Panel4D
• N维: PanelND

创建Series对象

import pandas as pd
import numpy as np
import  string

# 查看pandas版本信息
print(pd.__version__)

# 1). 通过列表创建Series对象
array = ["粉条", "粉丝", "粉带"]
# 如果不指定索引， 默认从0开始
s1 = pd.Series(data=array)
print(s1)
# 指定索引为A, B, C
ss1 = pd.Series(data=array, index=['A', 'B', 'C'])
print(ss1)

# 2). 通过numpy的对象Ndarray创建Series
n = np.random.randn(5)   # 随机创建一个ndarray对象
s2 = pd.Series(data=n)
print(s2)
# 修改元素的数据类型为int型
ss2 = s2.astype(np.int)
print(ss2)

# 3). 通过字典创建Series对象
dict = {string.ascii_lowercase[i]:i for i in range(10)}
s3 = pd.Series(dict)
print(s3)

Series基本操作

import pandas as pd
import numpy as np
import string

array = ["粉条", "粉丝", "粉带"]
s1 = pd.Series(data=array)
print(s1)

# 1). 修改Series索引
print(s1.index)
s1.index = ['A', 'B', 'C']
print(s1)

# 2). Series纵向拼接
array = ["粉条", "粉丝", "粉带"]
# 如果不指定索引， 默认从0开始
s2 = pd.Series(data=array)
s3 = s1.append(s2)
print(s3)

# 3). 删除指定索引对应的元素
s3 = s3.drop('C')  # 删除索引为‘C’对应的值
print(s3)

# 4). 根据指定的索引查找元素、修改元素
print(s3['B'])
s3['B'] = np.nan
print(s3)

# 5). 切片操作  --- 必须同列表
print(s3[:2])
print(s3[::-1])
print(s3[-2:])  # 显示最后两个元素

Series运算

import pandas as pd
import numpy as np
import  string

s1  = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))
s2  = pd.Series(np.arange(2, 8), index=list(string.ascii_lowercase[2:8]))

print(s1)
print(s2)

# 按照对应的索引进行计算， 如果索引不同，则填充为Nan

# 加法
print(s1 + s2)
print(s1.add(s2))

# -
print(s1 - s2)
print(s1.sub(s2))

# *
print(s1 * s2)
print(s1.mul(s2))

# /
print(s1 / s2)
print(s1.div(s2))

# 求中位数
print(s1)
print(s1.median())

# 求和
print(s1.sum())

# max
print(s1.max())

# min
print(s1.min())

Series中where方法

import pandas as pd
import numpy as np
import string

# series中的where方法运行结果和numpy中完全不同;
s1 = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))
print(s1.where(s1 > 3))

# 对象中不大于3的元素赋值为10
print(s1.where(s1 > 3, 10))

# 对象中大于3的元素赋值为10
print(s1.mask(s1 > 3, 10))

创建DataFrame数据类型

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

# 方法1： 通过列表创建
li = [
    [1, 2, 3, 4],
    [2, 3, 4, 5]
]

# DataFrame对象里面包含两个索引， 行索引(0轴， axis=0)， 列索引(1轴， axis=1)
d1 = pd.DataFrame(data=li, index=['A', 'B'], columns=['views', 'loves', 'comments', 'tranfers'])
print(d1)

# 方法2： 通过numpy对象创建
narr = np.arange(8).reshape(2, 4)
# DataFrame对象里面包含两个索引， 行索引(0轴， axis=0)， 列索引(1轴， axis=1)
d2 = pd.DataFrame(data=narr, index=['A', 'B'], columns=['views', 'loves', 'comments', 'tranfers'])
print(d2)

# 方法三: 通过字典的方式创建;
dict = {
    'views': [1, 2, ],
    'loves': [2, 3, ],
    'comments': [3, 4, ]
}
d3 = pd.DataFrame(data=dict, index=['粉条', "粉丝"])
print(d3)

# 日期操作的特例:
dates = pd.date_range(start='1/1/2018', end='1/08/2018')
print(dates)

# 行索引
dates = pd.date_range(start='today', periods=6)

# 数据
data_arr = np.random.randn(6, 4)

# 列索引
columns = ['A', 'B', 'C', 'D']
d4 = pd.DataFrame(data_arr, index=dates, columns=columns)
print(d4)

# 一维对象: 建立一个以2019年每一天作为索引, 值为随机数
dates = pd.date_range(start='1/1/2019', end='12/31/2019', freq='D')
datas = np.random.randn(len(dates))
s1 = pd.Series(datas, index=dates)
print(s1[:3])

DataFrame基本操作

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

narr = np.arange(8).reshape(2, 4)
# DataFRame对象里面包含两个索引, 行索引(0轴， axis=0), 列索引(1轴， axis=1)
d2 = pd.DataFrame(data=narr, index=['A', 'B'], columns=['views', 'loves', 'comments', 'tranfers'])
print(d2)

# 1). 查看基础属性
print(d2.shape)  					# 获取行数和列数
print(d2.dtypes) 					# 列数据类型
print(d2.ndim)   					# 获取数据的维度
print(d2.index)  					# 行索引
print(d2.columns)					# 列索引
print(d2.values, type(d2.values))   # 对象的值, 二维ndarray数组

# 2). 数据整体状况的查询
print(d2.head(1))  # 显示头部的几行, 默认5行
print(d2.tail(1))  # 显示头部的尾行, 默认5行

# 相关信息的预览: 行数, 列数, 列类型, 内存占用
print("info:", d2.info())

# 快速综合用计结果: 计数, 均值, 标准差, 最小值, 1/4位数, 中位数, 3/4位数, 最大值
print(d2.describe())

# 3). 转置操作
print(d2.T)

# 4). 按列进行排序
print(d2)
# 按照指定列进行排序, 默认是升序, 如果需要降序显示, 设置ascending=False
print(d2.sort_values(by="views", ascending=False))

# 5). 切片及查询
print(d2[:1])   				# 可以实现切片, 但是不能索引
print('1:\n', d2['views'])   	# 通过标签查询, 获取单列信息
print('2:\n', d2.views)   		# 和上面是等价的
print(d2[['views', 'comments']])# 通过标签查询多列信息

# 6). 通过类似索引的方式查询
#       - iloc(通过位置进行行数据的获取)
#       - loc(通过标签索引行数据)
print(d2)
print(d2.iloc[0])
print(d2.iloc[-1:])
# print(d2['A'])    # 报错
print(d2.loc['A'])

# 7). 更改pandas的值
d2.loc['A'] = np.nan
print(d2)

从文件中读取数据

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

# 1). csv文件的写入
df = pd.DataFrame(
    {'province': ['陕西', '陕西', '四川', '四川', '陕西'],
     'city': ['咸阳', '宝鸡', '成都', '成都', '宝鸡'],
     'count1': [1, 2, 3, 4, 5],
     'count2': [1, 2, 33, 4, 5]
     }
)
df.to_csv('doc/csvFile.csv')
print("csv文件保存成功")

# 2). csv文件的读取
df2 = pd.read_csv('doc/csvFile.csv')
print(df2)

# 3). excel文件的写入
df2.to_excel("/tmp/excelFile.xlsx", sheet_name="省份统计")
print("excel文件保存成功")

分组与聚合操作之groupby

pandas提供了一个灵活高效的groupby功能。
1). 它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作。
2). 根据一个或多个键（可以是函数、数组或DataFrame列>名）拆分pandas对象。
3). 计算分组摘要统计，如计数、平均值、标准差，或用户自定义函数。

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

df = pd.DataFrame(
    {
    'province': ['陕西', '陕西', '四川', '四川', '陕西'],
     'city': ['咸阳', '宝鸡', '成都', '成都', '宝鸡'],
     'count1': [1, 2, 3, 4, 5],
     'count2': [1, 2, 33, 4, 5]
     }
)
print(df)

# 根据某一列的key值进行统计分析
grouped = df['count1'].groupby(df['province'])
print(grouped.describe())
print(grouped.median())

# 根据城市统计分析count1的信息
grouped = df['count1'].groupby(df['city'])
print(grouped.max())

# 指定多个key值进行分类聚合
grouped = df['count1'].groupby([df['province'], df['city']])
print(grouped)
print(grouped.max())
print(grouped.sum())
print(grouped.count())

#  通过unstack方法， 实现层次化的索引
print(grouped.max().unstack())

字符串操作

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

series1= pd.Series(['$A:1', '$B:2', '$C:3', np.nan, '$cat:3'])
print(series1)

# 将所有的字母转换为小写字母， 除了缺失值
print(series1.str.lower())

# 将所有的字母转换为大写字母， 除了缺失值
print(series1.str.upper())

# 分离
print(series1.str.split(":"))

# 去掉左右两端的某个字符
print(series1.str.strip('$'))