数据分析---pandas（一）

活动地址：优快云21天学习挑战赛

Pandas基本介绍

Python Data Analysis Library 或 Pandas是基于Numpy的一种工具，该工具是为了解决数据分析任务而创建的。Pandas纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

Pandas安装和引用

利用pip下载

pip install pandas

引用

import pandas as pd

Pandas 基本数据结构

pandas有两种常用的基本结构：

Series
一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很接近。Series能保存不同种数据类型，字符串、boolean值、数字等都能保存在Series中。

DataFrame
二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。

Pandas库的series类型

一维Series可以用一维列表初始化：

s = pd.Series([1,6,5,6,8,np.nan])
np.nan代表为空值
print(s)


结果如下：
0    1.0
1    6.0
2    5.0
3    6.0
4    8.0
5    NaN
dtype: float64

默认情况下，Series的下标都是数字（可以使用额外参数指定），类型是统一的。

索引（数据的行标签）

print(s.index )
# 从0到6（不含），1为步长

结果如下：
RangeIndex(start=0, stop=6, step=1)

值

print(s.values)

结果如下：
array([ 1.,6.,5.,6.,8.,np.nan])

切片操作

print(s[2:5])
#左闭右开

结果如下：
2    5.0
3    6.0
4    8.0
dtype: float64

print(s[::2])

结果如下：
0    1.0
2    5.0
4    8.0
dtype: float64

索引赋值

s.index.name = '索引'
print(s)


结果如下：
索引
0    1.0
1    6.0
2    5.0
3    6.0
4    8.0
5    NaN
dtype: float64

s.index = list('abcdef')
print(s)


结果如下：
a    1.0
b    6.0
c    5.0
d    6.0
e    8.0
f    NaN
dtype: float64

s['a':'c':2]
 #依据自己定义的数据类型进行切片，不是左闭右开了

结果如下：
a    1.0
c    6.0
dtype: float64

Pandas库的DataFrame类型

DataFrame则是个二维结构，这里首先构造一组时间序列，作为我们第一维的下标：

date = pd.date_range("20220101", periods = 6)
print(date)

结果如下：
DatetimeIndex(['2022-01-01', '2022-01-02', '2022-01-03', '2022-01-04',
               '2022-01-05', '2022-01-06'],
              dtype='datetime64[ns]', freq='D')

接着我们创建一个DataFrame结构：

import pandas as pd
import numpy as np
date = pd.date_range("20220101", periods = 6)
df = pd.DataFrame(np.random.randn(6,4), index = date, columns = list("abcd"))
print(df)

结果如下：
                   a         b         c         d
2022-01-01 -0.037068  0.552668 -1.296840 -1.599985
2022-01-02  1.123589  0.503648 -0.372351  1.572872
2022-01-03  0.991284  0.990300 -0.077618  1.085900
2022-01-04 -1.963700  1.105683 -0.589930  0.605076
2022-01-05  0.814758 -0.518774  0.333070 -1.589554
2022-01-06 -1.085519 -1.053977  2.225328 -1.508589

默认情况下，如果不指定index参数和columns，那么它们的值将从用0开始的数字替代。

查看数据

1、头尾数据

head和tail方法可以分别查看最前面几行和最后面几行的数据（默认为5）：

df.head()	# 查看最前面几行的数据

df.tail()	# 查看最后面几行的数据

2、下标，列标，数据

• 下标使用index属性查看：

df.index

• 列标使用columns属性查看：

df.columns

• 数据值使用values查看：

df.values

pandas读取数据及数据操作

豆瓣电影数据文件获取：
链接：https://pan.baidu.com/s/1WNz2YYkOTVc89OfvmxeZZQ?pwd=xx11
提取码：xx11
快速通道

import pandas as pd
df = pd.read_excel(r"C:\Users\豆瓣电影数据.xlsx",index_col = 0) 
# csv:read_csv;绝对路径或相对路径默认在当前文件夹下。
# r告诉编译器不需要转义
#  将文件路径改成自己电脑上的路径哦

行操作

print(df.iloc[0:4]) 
#左闭右开

结果如下：
		名字	投票人数			类型	产地	上映时间	时长		年代	评分	首映地点
0	肖申克的救赎	692795.0	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995.0	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855.0	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897.0	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映

print(df.loc[0:4] )
#不是左闭右开
结果如下：

		名字		投票人数	类型		产地		上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795.0	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995.0	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855.0	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897.0	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	霸王别姬	478523.0	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

# 添加一行
dit = {"名字":"流浪地球","投票人数":33346,"类型":"剧情/科幻","产地":"中国大陆","上映时间":"2020-10-01 00:00:00","时长":242,"年代":2020,"评分":np.nan,"首映地点":"中国大陆"}
s = pd.Series(dit)
s.name = 38738
df = df.append(s) #覆盖掉原来的数据重新进行赋值
print(df[-5:])

# 删除一行
df = df.drop([38738])
print(df[-5:])

列操作

print(df.columns)

结果如下：
Index(['名字', '投票人数', '类型', '产地', '上映时间', '时长', '年代', '评分', '首映地点'], dtype='object')

print(df["名字"][:5])

结果如下：
0    肖申克的救赎
1      控方证人
2     美丽人生 
3      阿甘正传
4      霸王别姬
Name: 名字, dtype: object

# 增加一列
df["序号"] = range(1,len(df)+1) 
print(df)

# 删除一列
df = df.drop("序号",axis = 1) #axis指定方向，0为行1为列，默认为0
print(df)

通过标签选择数据

df.loc[[index],[colunm]]通过标签选择数据

print(df.loc[1,"名字"])

结果如下：
'控方证人'

条件选择

缺失值及异常值处理

缺失值处理方法

方法	说明
dropna	根据标签中的缺失值进行过滤，删除缺失值
fillna	对缺失值进行填充
isnull	返回一个布尔值对象，判断哪些值是缺失值
notnull	isnull的否定式

• 判断缺失值

df[df["名字"].isnull()]
df[df["名字"].notnull()]

• 填充缺失值

df["评分"].fillna(np.mean(df["评分"]), inplace = True)
 #使用均值来进行替代，inplace意为直接在原始数据中进行修改

• 删除缺失值

df.dropna() 参数

how = ‘all’:删除全为空值的行或列
inplace = True: 覆盖之前的数据
axis = 0: 选择行或列，默认是行

df.dropna(inplace = True)

• 处理异常值
  异常值，即在数据集中存在不合理的值，又称离群点。比如投票人数为负数等，都属于异常值的范围。

df[df["投票人数"] < 0]

数据保存

数据处理之后，然后将数据重新保存到movie.xlsx

df.to_excel("movie.xlsx") 
# 默认路径为现在文件夹所在的路径

下一篇点这里：
数据分析—pandas（二）
数据分析—pandas（三）