Python数据挖掘与分析----Pandas常用知识

前言

Pandas基于两种数据类型:series与dataframe。

一个series是一个一维的数据类型,其中每一个元素都有一个标签。series类似于Numpy中元素带标签的数组。其中,标签可以是数字或者字符串。

一个dataframe是一个二维的表结构。Pandas的dataframe可以存储许多种不同的数据类型,并且每一个坐标轴都有自己的标签。你可以把它想象成一个series的字典项。

Pandas常用知识

一、读取csv文件为dataframe
二、dataframe的数据概况
三、取列数据
四、取行数据
五、取某一单元格数据
六、缺失值处理
七、归一化处理
八、排序
九、索引重新编号
十、求均值
十一、矢量化操作(批量操作)
十二、透视表

一、读取csv文件为dataframe

Pandas很好的一点是,可以操作表文件。输出为dataframe格式,这点很nice。 使用pandas.read_csv()读取csv文件,输出为dataframe格式数据。 这里数据data.csv数据集下载自百度地图。

import pandas as pd
filepath = r'C:/Users/lenovo/Desktop/20180108-百度地图/20180108-百度地图/data.csv'
df = pd.read_csv(filepath)
#为了方便,我只显示三行,其实结果并不是这样子
print(df) 

检测下数据格式

#检测下数据格式是否为DataFrame
print(type(df))
#输出
class 'pandas.core.frame.DataFrame

二、 DataFrame数据概况

我们想知道数据如下知识:

  • 展示dataframe前后几条记录

  • 显示dataframe的列名字

  • 查看dataframe的维度情况(几行几列)

2.1展示dataframe前后几行

#展示前两条记录(根据需要显示条数)
df.head(2)
print(df.head(2))
#展示后三条记录
df.tail(3)
print(df.tail(3))

2.2展示dataframe列名

#展示列名
col_names = df.columns
print(col_names)
#查看下col_names格式
type(col_names)
#将col_names转化为list
col_list = col_names.tolist()
col_list

三、从dataframe中取列数据

使用dataframe[column_name],返回series格式数据。 series序列数据类似于list,你可以近似等同于list。 只不过返回数据中会多一列index索引。如下面的左侧数字序号

3.1 取一列数据

#这里我们一列,如取Name列数据
df['Name'][:5]
print(df['Name'][:5])

3.2取多列数据

#这里返回的数据还是dataframe格式,为了方便也只显示前几条记录
cols = ['name', 'province_name', 'city_name', 'city_code', 'area', 'addr']
df[cols]
print(df[cols])

四、从dataframe中取行数据(记录)

ix[row, col] 中括号中第一个参数row是行参数,你想选择的数据行数。 第二个参数col是列参数,选择你想要的列数据项。

4.1取一行数据

#第一行所有数据
df.ix[0, :]
print(df.ix[0, :])
#第一行的某几列数据
col = ['Survived', 'Pclass', 'Sex']
df.ix[0, col]
print(df.ix[0, col])

4.2取多行数据

#取多行数据,所有列。这里我选择前5行,所有列.
#这里是不是很像切片操作。python基础很重要
df.ix[:5, :]
print(df.ix[:5, :])
#取多行,某几列
df.ix[:5, col]
print(df.ix[:5, col])

五、取某一单元格数据

取第一行第一列。df.ix[0,0] 第三行第七列。df.ix[2,6]

六、缺失值处理

缺失值一般标记为NaN,处理办法如下

df.dropna(axis)
  默认直接使用df.dropna()
  axis=1,按照行进行缺失值处理
  axis=0,按照列进行缺失值处理
df.dropna(axis=0,subset)
  axis=0,按照列方向处理subset中的列缺失值
  subset=[column]   subset含有一个或多个列名的的list

6.1按照行进行缺失值处理

#为了显示方便,只显示前五行。
#axis=1表示按照行方向处理NAN
df.dropna(axis=1)

6.2按照列进行缺失值处理

#按照列处理缺失值(为显示方便,只显示前5行)
df.dropna(axis=0)
#对指定列进行缺失值处理
df.dropna(axis=0,subset=['Sex','Age'])

七、归一化处理

数据集中,不同的列的数据可能在不同量级,如果直接进行分析。模型会认为数字大的影响力大,数字小的影响力小。 最终结果可能导致量级小的变量被剔除出模型。因此需要将数据归一化,变成同一量级的数据,这就是归一化操作。 在这里我们只对一列操作下,其余列也需要操作,但为了方便,这里只写一列的归一化处理。

处理步骤:
1.选取该列的最大值
max_value = df[col].max()
2.该列所有值均除以max_value

这里要注意,我们会用到pandas特性,矢量化操作,也就是可以对一个列表进行批量同样的操作。

#这里我们选Fare列进行归一化,先看下Fare的数据
#为了方便显示,只显示了前10个
df['Fare']
#这里我们选Fare列进行归一化
max_value = df['Fare'].max()
max_value
#这里我们选Fare列进行归一化
max_value = df['Fare'].max()
max_value
#归一化,并将数据传入新列new_Fare
df['new_Fare']=df['Fare']/max_value
df['new_Fare']

八、排序

df.sort_values(col,inplace,ascending)
col          对col列进行排序
inplace      布尔型值,是否原地操作。
             True时,操作结果覆盖掉原数据,原数据被修改
             False时,新建一个新数据,原数据未被修改
ascending    布尔型值。升序降序。 False降序,True升序

#对Age列进行降序操作,不修改原始数据
df.sort_values('Age',inplace=False,ascending=False)

九、索引重新

将排序后的索引重新排序
df.reset_index(drop)
drop    为布尔型值,True表示修改原始数据的索引。
                  False保留原始数据索引序列。

df.reset_index(drop=False)

十、求平均值

10.1所有列的平均值信息

df.mean()

10.2 单个列的平均值

df['Age'].mean()

十一、矢量化操作(批量操作)

一般对如list样式的数据批量操作,需要写循环,但是这样费时费力。 pandas基于numpy,可进行矢量化操作,一行就能完成复杂的循环语句,而且运行效率还很高。

#对Age列批量加10
df['Age']+10).head
#对Age列批量减20
df['Age']-10

十二、透视表


df.pivot_table(index=col1,values=col2,aggfunc='numpy函数')

围绕index参数列,分析各个col2,aggfunc是np函数,当然这里的aggfunc也可以是自定义函数。

#分析平均年龄对对生存率的影响。
#0为死亡,1为生存。
#这里我们发现年龄对生存率有影响。
import numpy as np
df.pivot_table(index='Survived',values='Age',aggfunc=np.mean)
#分析仓位等级对生存率影响。0为死亡,1为生存。
#仓位为一等二等三等分别取值1,2,3
#一等舱最高级。我们发现仓位等级对生存也有影响。
df.pivot_table(index='Survived',values='Pclass',aggfunc=np.mean)

pandas提取html中的表格数据

andas会在网页中寻找任何符合html表形式的数据,并将其转化WieDataFrame对象作为返回结果

Code

pandas使用方法

import pandas as pd

#header=1 显示列名;header=0,不显示
pd.read_html(url,header)

实战代码开始

import pandas as pd
url = "http://hz.house.ifeng.com/detail/2014_10_28/50087618_1.shtml"
data = pd.read_html(url,header=1)
print(data)

注意啊,这里得到的数据格式是list。


    [      序号          楼盘名称   城区  签约套数  预定套数    签约面积(㎡)  签约均价(元/㎡)
    0    1.0        龙湖春江郦城   滨江    18     0    2178.61    23757.0
    1    2.0        海威钱塘之星   滨江    13     0    629.55㎡    17398.0
    2    3.0        大家运河之星   拱墅    12     0   1052.72㎡    10457.0
    3    4.0        保利城市果岭   下沙     8     0    743.05㎡    10457.0
        ..   ...           ...  ...   ...   ...        ...        ...
    85  86.0        广宇锦绣桃源   拱墅     1     0     86.44㎡    12473.0
    86  87.0       景瑞申花壹号院   拱墅     1     0     89.18㎡    21529.0
    87  88.0        复地黄龙和山   西湖     0     1         0㎡        0.0
    88  89.0         中粮方圆府   下城     0     1         0㎡        0.0
    89  90.0          东方铭楼   下沙     0    16         0㎡        0.0
    90   NaN         总计签约:  主城区   216    40  21755.55㎡        NaN
    
    [91 rows x 7 columns],    2 

DataFrame对象

df.to_json()

而只要知道数据存储在DataFrame中,一切都变的简单起来。 比如我很希望数据以json记形式输出,很简单!这只是一行代码的事情。

import pandas as pd

data = pd.read_html(url,header=1)
#data数据是list类型,要先转化为dataframe
df = pd.DataFrame(data)
df.to_json(orient='records')

df.to_csv()

dataframe对象,还可以将数据输出保存为csv文件

import pandas as pd

data = pd.read_html(url,header=1)
df = pd.DataFrame(data)
#encoding为gbk编码,可以在ofiice excell中看中文不乱吗
df.to_csv('data.csv',encoding='gbk')

你可能感兴趣的:(Python数据挖掘与分析----Pandas常用知识)