Pandas参考手册、常用函数及方法汇总

一、入门与升级宝典

如果个人时间充裕，可以去官网查看文档信息

官网链接：http://pandas.pydata.org

pandas参考文档：http://pandas.pydata.org/pandas-docs/stable/index.html

二、常用的函数和方法

创建测试对象：

• pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
• pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
• df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一个日期索引

df为某个读入进来的数据帧。

需知：

       axis的参数：0（index）  逐行   

                           1 (column)   逐列

1.导入数据

• pd.read_csv(filename)：从CSV文件导入数据

• pd.read_table(filename)：从限定分隔符的文本文件导入数据

• pd.read_excel(filename)：从Excel文件导入数据

• pd.read_sql(query, connection_object)：从SQL表/库导入数据

• pd.read_json(json_string)：从JSON格式的字符串导入数据

• pd.read_html(url)：解析URL、字符串或者HTML文件，抽取其中的tables表格

• pd.read_clipboard()：从你的粘贴板获取内容，并传给read_table()

• pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据

• pd.ExcelFile(Filename): 从Excel中读取数据，sheet_names查看相应sheet, parse方法解析某个sheet

2.导出数据

• df.to_csv(filename)：导出数据到CSV文件
• df.to_excel(filename)：导出数据到Excel文件
• df.to_sql(table_name, connection_object)：导出数据到SQL表
• df.to_json(filename)：以Json格式导出数据到文本文件
• writer=pd.ExcelWriter('test.xlsx',index=False)  ：然后调用df1.to_excel(writer,sheet_name='单位') 和 writer.save()，将多个数据帧写入同一个工作簿的多个sheet(工作表)

3.查看、检查数据

• df.head(n)：查看DataFrame对象的前n行
• df.tail(n)：查看DataFrame对象的最后n行
• df.shape()：查看行数和列数
• df.info()：查看索引、数据类型和内存信息
• df.columns():查看字段（首行）名称
• df.describe()：查看数值型列的汇总统计
• s.value_counts(dropna=False)：查看Series对象的唯一值和计数
• df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数
• df.isnull().any(): 查看是否有缺失值
• df[df[column_name].duplicated()]:查看column_name字段数据重复的数据信息
• df[df[column_name].duplicated()].count():查看column_name字段数据重复的个数
• df[col1].unique() :查看col1字段的唯一值
• df[col1].nunique():查看col1字段唯一值个数

4.数据选取

• df[col]：根据列名，并以Series的形式返回列
• df[[col1, col2]]：以DataFrame形式返回多列
• s.iloc[0]：按位置选取数据
• s.loc['index_one']：按索引选取数据
• df.iloc[0,:]：返回第一行
• df.iloc[0,0]：返回第一列的第一个元素
• df.loc[0,:] ： 返回第一行（索引为默认的数字时，用法同df.iloc），但需要注意的是loc是按索引,iloc参数只接受数字参数
• df.ix[[:5],["col1","col2"]] ： 返回字段为col1和col2的前5条数据，可以理解为loc和iloc的结合体。
• df.at[5,"col1"] ：选择索引名称为5，字段名称为col1的数据
• df.iat[5,0]  ： 选择索引排序为5，字段排序为0的数据
• data.str.contains("s") ： 数据中含有"s"字符串的数据
• data.astype(int).isin(list1) ：数据的某条数据的某个字段在列表list1中的数据
• df[-df[column_name].duplicated()] ：选取column_name字段不重复的数据，支持df[-df.duplicated()]
• df.loc[df['col_name']==value]：选取col_name字段为value的数据
• df.loc[df['col_name'].isin(value_list)]：选取col_name字段为value_list中的值的数据
•  df.loc[~df['col_name'].isin(value_list)]：选取col_name字段不在value_list中的值的数据
• df.loc[(df[‘col_name1’] == value1) & df[‘col_name2’].isin(value_list)]：选取col_name1等于value1，并且col_name2在value_list中的数据
• df.loc[df[‘col_name’] != value2]：选取col_name字段不等于value2的数据

5.数据清理

• df.columns = ['a','b','c']：重命名列名（需要将所有列名列出，否则会报错）
• pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组
• pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组
• df.dropna()：删除所有包含空值的行
• df.dropna(axis=1)：删除所有包含空值的列
• df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行
• df.fillna(x)：用x替换DataFrame对象中所有的空值，支持df[column_name].fillna(x)
• s.astype(float)：将Series中的数据类型更改为float类型
• s.replace(1,'one')：用‘one’代替所有等于1的值
• s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3
• df.rename(columns=lambda x: x + 1)：批量更改列名
• df.rename(columns={'old_name': 'new_ name'})：选择性更改列名
• df.set_index('column_one')：将某个字段设为索引，可接受列表参数，即设置多个索引
• df.reset_index("col1"):  将索引设置为col1字段，并将索引新设置为0,1,2...
• df.rename(index=lambda x: x + 1)：批量重命名索引

6.数据处理：Filter、Sort和GroupBy

• df[df[col] > 0.5]：选择col列的值大于0.5的行
• df.sort_index().loc[:5]:对前5条数据进行索引排序 
• df.sort_values(col1)：按照列col1排序数据，默认升序排列
• df.sort_values(col2, ascending=False)：按照列col1降序排列数据
• df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
• df.groupby(col)：返回一个按列col进行分组的Groupby对象
• df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
• df.groupby(col1)[col2].agg(mean)：返回按列col1进行分组后，列col2的均值,agg可以接受列表参数，agg([len,np.mean])
• df.pivot_table(index=col1, values=[col2,col3], aggfunc={col2:max,col3:[ma,min]})：创建一个按列col1进行分组，计算col2的最大值和col3的最大值、最小值的数据透视表
• df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值,支持df.groupby(col1).col2.agg(['min','max'])
• data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
• data[[col1,col2]].apply(np.max,axis=1)：对DataFrame中的col1和col2字段的每一行应用函数np.max，即取两者的最大值
• data[col1].map(lambda x:str(x)): 将col1字段的每一行数据转为字符串，同data[col1].apply(lambda x:str(x))
• data[col1].map(lambda x:float(x[1:-1])) : 改变数据类型为浮点数
• df.groupby(col1).col2.transform("sum"):通常与groupby连用，避免索引更改
• df.set_index("date").groupby([col1,pd.Grouper(freq="M")]).agg(sum): 将某列时间设置为索引，并按照月份求和
• df.groupby(col1,as_index=False).agg(sum).loc[:,[col2,col3]]: 按照col1字段对 col2和col3进行聚合求和，并避免col1被设置为索引

7.数据合并

• df1.append(df2)：将df2中的行添加到df1的尾部
• df.concat([df1, df2],axis=1,join='inner')：将df2中的列添加到df1的尾部,值为空的对应行与对应列都不要
• df1.join(df2.set_index(col1),on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join，默认按照索引来进行合并，如果df1和df2有共同字段时，会报错，可通过设置lsuffix,rsuffix来进行解决，如果需要按照共同列进行合并，就要用到set_index(col1)
• pd.merge(df1,df2,on='col1',how='outer') :对df1和df2合并，按照col1，方式为outer 
• pd.merge(df1, df2, left_index=True, right_index=True, how='outer')  与  df1.join(df2, how='outer') 效果相同

8.数据统计

• df.describe()：查看数据值列的汇总统计
• df.mean()：返回所有列的均值
• df.corr()：返回列与列之间的相关系数
• df.count()：返回每一列中的非空值的个数
• df.max()：返回每一列的最大值
• df.min()：返回每一列的最小值
• df.median()：返回每一列的中位数
• pd.date_range('1/1/2000', periods=7)
• df.std()：返回每一列的标准差

9.时间处理

• pd.date_range('1/1/2018',periods=7) : 指定开始的时间为2018-1-1，周期为7，生成一系列时间(时间格式不固定)
• pd.to_datetime(df['date'])  ： 将date列的数据类型转为datetime类型
• df.to_period('Q')  ：季度，按照不同维度划分(w,m,y,Q) 
• df[['date','time']] = df['deal_time'].radd(' ').str.rsplit(' ', n=1, expand=True)  :拆分日期和时间

三、其他常用

1.pipe

将  f(g(h(df), arg1=a), arg2=b, arg3=c) 形式化为

(df.pipe(h)
...    .pipe(g, arg1=a)
...    .pipe((f, 'arg2'), arg1=a, arg3=c)
...  )

2.series转为dataframe

s.to_frame()     将格式为series的s转为dataframe,索引不会发生变化；
#该方法索引会发生变化
dict_s = {"col1":s.index,"col2":s.values}    
df=pd.DataFrame(dict_s)    

3.计算时间差

比如需要计算df中time1和time2的时间差

#方法1（直接进行加减）
df['diff']=(df['time2']-df['time1']).dt.days
#方法2（apply）
def time_diff(data,before,after):
    dt1=data[before]
    dt2=data[after]
    days=(dt2-dt1).days
    return days
df['diff']=df.apply(time_diff,axis=1,args=("time1","time2"))         #调用方式1
#df['diff']=df.apply(time_diff,axis=1,before="time1",after="time2")   #调用方式2
#df['diff']=df.apply(time_diff,axis=1,**{before:"time1",after:"time2"})  #调用方式3