PANDAS第一次打卡
第1章 Pandas基础
import pandas as pd
import numpy as np
查看Pandas版本
pd.version
‘1.0.3’
一、文件读取与写入
- 读取
（a）csv格式
df = pd.read_csv(‘data/table.csv’)
df.head()
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 1101 M street_1 173 63 34.0 A+
1 S_1 C_1 1102 F street_2 192 73 32.5 B+
2 S_1 C_1 1103 M street_2 186 82 87.2 B+
3 S_1 C_1 1104 F street_2 167 81 80.4 B-
4 S_1 C_1 1105 F street_4 159 64 84.8 B+
（b）txt格式
df_txt = pd.read_table(‘data/table.txt’) #可设置sep分隔符参数
df_txt
col1 col2 col3 col4
0 2 a 1.4 apple
1 3 b 3.4 banana
2 6 c 2.5 orange
3 5 d 3.2 lemon
（c）xls或xlsx格式
#需要安装xlrd包
df_excel = pd.read_excel(‘data/table.xlsx’)
df_excel.head()
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 1101 M street_1 173 63 34.0 A+
1 S_1 C_1 1102 F street_2 192 73 32.5 B+
2 S_1 C_1 1103 M street_2 186 82 87.2 B+
3 S_1 C_1 1104 F street_2 167 81 80.4 B-
4 S_1 C_1 1105 F street_4 159 64 84.8 B+ - 写入
（a）csv格式
df.to_csv(‘data/new_table.csv’)
#df.to_csv(‘data/new_table.csv’, index=False) #保存时除去行索引
（b）xls或xlsx格式
#需要安装openpyxl
df.to_excel(‘data/new_table2.xlsx’, sheet_name=‘Sheet1’)
二、基本数据结构 - Series
（a）创建一个Series
对于一个Series，其中最常用的属性为值（values），索引（index），名字（name），类型（dtype）
（b）访问Series属性
s.values
array([ 0.30299458, 0.57343774, 0.53608608, 0.5132085 , -1.26357851])
s.name
‘这是一个Series’
s.index
Index([‘a’, ‘b’, ‘c’, ‘d’, ‘e’], dtype=‘object’)
s.dtype
dtype(‘float64’)
（c）取出某一个元素
将在第2章详细讨论索引的应用，这里先大致了解
s[‘a’]
0.30299457920628364
（d）调用方法
s.mean()
0.1324296778903958
Series有相当多的方法可以调用：
print([attr for attr in dir(s) if not attr.startswith(’_’)])
[‘T’, ‘a’, ‘abs’, ‘add’, ‘add_prefix’, ‘add_suffix’, ‘agg’, ‘aggregate’, ‘align’, ‘all’, ‘any’, ‘append’, ‘apply’, ‘argmax’, ‘argmin’, ‘argsort’, ‘array’, ‘asfreq’, ‘asof’, ‘astype’, ‘at’, ‘at_time’, ‘attrs’, ‘autocorr’, ‘axes’, ‘b’, ‘between’, ‘between_time’, ‘bfill’, ‘bool’, ‘c’, ‘clip’, ‘combine’, ‘combine_first’, ‘convert_dtypes’, ‘copy’, ‘corr’, ‘count’, ‘cov’, ‘cummax’, ‘cummin’, ‘cumprod’, ‘cumsum’, ‘d’, ‘describe’, ‘diff’, ‘div’, ‘divide’, ‘divmod’, ‘dot’, ‘drop’, ‘drop_duplicates’, ‘droplevel’, ‘dropna’, ‘dtype’, ‘dtypes’, ‘duplicated’, ‘e’, ‘empty’, ‘eq’, ‘equals’, ‘ewm’, ‘expanding’, ‘explode’, ‘factorize’, ‘ffill’, ‘fillna’, ‘filter’, ‘first’, ‘first_valid_index’, ‘floordiv’, ‘ge’, ‘get’, ‘groupby’, ‘gt’, ‘hasnans’, ‘head’, ‘hist’, ‘iat’, ‘idxmax’, ‘idxmin’, ‘iloc’, ‘index’, ‘infer_objects’, ‘interpolate’, ‘is_monotonic’, ‘is_monotonic_decreasing’, ‘is_monotonic_increasing’, ‘is_unique’, ‘isin’, ‘isna’, ‘isnull’, ‘item’, ‘items’, ‘iteritems’, ‘keys’, ‘kurt’, ‘kurtosis’, ‘last’, ‘last_valid_index’, ‘le’, ‘loc’, ‘lt’, ‘mad’, ‘map’, ‘mask’, ‘max’, ‘mean’, ‘median’, ‘memory_usage’, ‘min’, ‘mod’, ‘mode’, ‘mul’, ‘multiply’, ‘name’, ‘nbytes’, ‘ndim’, ‘ne’, ‘nlargest’, ‘notna’, ‘notnull’, ‘nsmallest’, ‘nunique’, ‘pct_change’, ‘pipe’, ‘plot’, ‘pop’, ‘pow’, ‘prod’, ‘product’, ‘quantile’, ‘radd’, ‘rank’, ‘ravel’, ‘rdiv’, ‘rdivmod’, ‘reindex’, ‘reindex_like’, ‘rename’, ‘rename_axis’, ‘reorder_levels’, ‘repeat’, ‘replace’, ‘resample’, ‘reset_index’, ‘rfloordiv’, ‘rmod’, ‘rmul’, ‘rolling’, ‘round’, ‘rpow’, ‘rsub’, ‘rtruediv’, ‘sample’, ‘searchsorted’, ‘sem’, ‘set_axis’, ‘shape’, ‘shift’, ‘size’, ‘skew’, ‘slice_shift’, ‘sort_index’, ‘sort_values’, ‘squeeze’, ‘std’, ‘sub’, ‘subtract’, ‘sum’, ‘swapaxes’, ‘swaplevel’, ‘tail’, ‘take’, ‘to_clipboard’, ‘to_csv’, ‘to_dict’, ‘to_excel’, ‘to_frame’, ‘to_hdf’, ‘to_json’, ‘to_latex’, ‘to_list’, ‘to_markdown’, ‘to_numpy’, ‘to_period’, ‘to_pickle’, ‘to_sql’, ‘to_string’, ‘to_timestamp’, ‘to_xarray’, ‘transform’, ‘transpose’, ‘truediv’, ‘truncate’, ‘tshift’, ‘tz_convert’, ‘tz_localize’, ‘unique’, ‘unstack’, ‘update’, ‘value_counts’, ‘values’, ‘var’, ‘view’, ‘where’, ‘xs’]
2. DataFrame
（a）创建一个DataFrame
df = pd.DataFrame({‘col1’:list(‘abcde’),‘col2’:range(5,10),‘col3’:[1.3,2.5,3.6,4.6,5.8]},
index=list(‘一二三四五’))
df
col1 col2 col3
一 a 5 1.3
二 b 6 2.5
三 c 7 3.6
四 d 8 4.6
五 e 9 5.8
（b）从DataFrame取出一列为Series
df[‘col1’]
一 a
二 b
三 c
四 d
五 e
Name: col1, dtype: object
type(df)
pandas.core.frame.DataFrame
type(df[‘col1’])
pandas.core.series.Series
（c）修改行或列名
df.rename(index={‘一’:‘one’},columns={‘col1’:‘new_col1’})
new_col1 col2 col3
one a 5 1.3
二 b 6 2.5
三 c 7 3.6
四 d 8 4.6
五 e 9 5.8
（d）调用属性和方法
df.index
Index([‘一’, ‘二’, ‘三’, ‘四’, ‘五’], dtype=‘object’)
df.columns
Index([‘col1’, ‘col2’, ‘col3’], dtype=‘object’)
df.values
array([[‘a’, 5, 1.3],
[‘b’, 6, 2.5],
[‘c’, 7, 3.6],
[‘d’, 8, 4.6],
[‘e’, 9, 5.8]], dtype=object)
df.shape
(5, 3)
df.mean() #本质上是一种Aggregation操作，将在第3章详细介绍
col2 7.00
col3 3.56
dtype: float64
（e）索引对齐特性
这是Pandas中非常强大的特性，不理解这一特性有时就会造成一些麻烦
df1 = pd.DataFrame({‘A’:[1,2,3]},index=[1,2,3])
df2 = pd.DataFrame({‘A’:[1,2,3]},index=[3,1,2])
df1-df2 #由于索引对齐，因此结果不是0
A
1 -1
2 -1
3 2
（f）列的删除与添加
对于删除而言，可以使用drop函数或del或pop
df.drop(index=‘五’,columns=‘col1’) #设置inplace=True后会直接在原DataFrame中改动
col2 col3
一 5 1.3
二 6 2.5
三 7 3.6
四 8 4.6
df[‘col1’]=[1,2,3,4,5]
del df[‘col1’]
df
col2 col3
一 5 1.3
二 6 2.5
三 7 3.6
四 8 4.6
五 9 5.8
pop方法直接在原来的DataFrame上操作，且返回被删除的列，与python中的pop函数类似
df[‘col1’]=[1,2,3,4,5]
df.pop(‘col1’)
一 1
二 2
三 3
四 4
五 5
Name: col1, dtype: int64
df
col2 col3
一 5 1.3
二 6 2.5
三 7 3.6
四 8 4.6
五 9 5.8
可以直接增加新的列，也可以使用assign方法
df1[‘B’]=list(‘abc’)
df1
A B
1 1 a
2 2 b
3 3 c
df1.assign(C=pd.Series(list(‘def’)))
A B C
1 1 a e
2 2 b f
3 3 c NaN
但assign方法不会对原DataFrame做修改
df1
A B
1 1 a
2 2 b
3 3 c
（g）根据类型选择列
df.select_dtypes(include=[‘number’]).head()
col2 col3
一 5 1.3
二 6 2.5
三 7 3.6
四 8 4.6
五 9 5.8
df.select_dtypes(include=[‘float’]).head()
col3
一 1.3
二 2.5
三 3.6
四 4.6
五 5.8
（h）将Series转换为DataFrame
s = df.mean()
s.name=‘to_DataFrame’
s
col2 7.00
col3 3.56
Name: to_DataFrame, dtype: float64
s.to_frame()
to_DataFrame
col2 7.00
col3 3.56
使用T符号可以转置
s.to_frame().T
col2 col3
to_DataFrame 7.0 3.56
三、常用基本函数
从下面开始，包括后面所有章节，我们都会用到这份虚拟的数据集
df = pd.read_csv(‘data/table.csv’)
- head和tail
df.head()
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 1101 M street_1 173 63 34.0 A+
1 S_1 C_1 1102 F street_2 192 73 32.5 B+
2 S_1 C_1 1103 M street_2 186 82 87.2 B+
3 S_1 C_1 1104 F street_2 167 81 80.4 B-
4 S_1 C_1 1105 F street_4 159 64 84.8 B+
df.tail()
School Class ID Gender Address Height Weight Math Physics
30 S_2 C_4 2401 F street_2 192 62 45.3 A
31 S_2 C_4 2402 M street_7 166 82 48.7 B
32 S_2 C_4 2403 F street_6 158 60 59.7 B+
33 S_2 C_4 2404 F street_2 160 84 67.7 B
34 S_2 C_4 2405 F street_6 193 54 47.6 B
可以指定n参数显示多少行
df.head(3)
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 1101 M street_1 173 63 34.0 A+
1 S_1 C_1 1102 F street_2 192 73 32.5 B+
2 S_1 C_1 1103 M street_2 186 82 87.2 B+ - unique和nunique
nunique显示有多少个唯一值
df[‘Physics’].nunique()
7
unique显示所有的唯一值
df[‘Physics’].unique()
array([‘A+’, ‘B+’, ‘B-’, ‘A-’, ‘B’, ‘A’, ‘C’], dtype=object) - count和value_counts
count返回非缺失值元素个数
df[‘Physics’].count()
35
value_counts返回每个元素有多少个
df[‘Physics’].value_counts()
B+ 9
B 8
B- 6
A 4
A+ 3
A- 3
C 2
Name: Physics, dtype: int64 - describe和info
info函数返回有哪些列、有多少非缺失值、每列的类型
df.info()
RangeIndex: 35 entries, 0 to 34
Data columns (total 9 columns):
Column Non-Null Count Dtype
0 School 35 non-null object
1 Class 35 non-null object
2 ID 35 non-null int64
3 Gender 35 non-null object
4 Address 35 non-null object
5 Height 35 non-null int64
6 Weight 35 non-null int64
7 Math 35 non-null float64
8 Physics 35 non-null object
dtypes: float64(1), int64(3), object(5)
memory usage: 2.6+ KB
describe默认统计数值型数据的各个统计量
df.describe()
ID Height Weight Math
count 35.00000 35.000000 35.000000 35.000000
mean 1803.00000 174.142857 74.657143 61.351429
std 536.87741 13.541098 12.895377 19.915164
min 1101.00000 155.000000 53.000000 31.500000
25% 1204.50000 161.000000 63.000000 47.400000
50% 2103.00000 173.000000 74.000000 61.700000
75% 2301.50000 187.500000 82.000000 77.100000
max 2405.00000 195.000000 100.000000 97.000000
可以自行选择分位数
df.describe(percentiles=[.05, .25, .75, .95])
ID Height Weight Math
count 35.00000 35.000000 35.000000 35.000000
mean 1803.00000 174.142857 74.657143 61.351429
std 536.87741 13.541098 12.895377 19.915164
min 1101.00000 155.000000 53.000000 31.500000
5% 1102.70000 157.000000 56.100000 32.640000
25% 1204.50000 161.000000 63.000000 47.400000
50% 2103.00000 173.000000 74.000000 61.700000
75% 2301.50000 187.500000 82.000000 77.100000
95% 2403.30000 193.300000 97.600000 90.040000
max 2405.00000 195.000000 100.000000 97.000000
对于非数值型也可以用describe函数
df[‘Physics’].describe()
count 35
unique 7
top B+
freq 9
Name: Physics, dtype: object
5. idxmax和nlargest
idxmax函数返回最大值，在某些情况下特别适用，idxmin功能类似
df[‘Math’].idxmax()
5
nlargest函数返回前几个大的元素值，nsmallest功能类似
df[‘Math’].nlargest(3)
5 97.0
28 95.5
11 87.7
Name: Math, dtype: float64
6. clip和replace
clip和replace是两类替换函数
clip是对超过或者低于某些值的数进行截断
df[‘Math’].head()
0 34.0
1 32.5
2 87.2
3 80.4
4 84.8
Name: Math, dtype: float64
df[‘Math’].clip(33,80).head()
0 34.0
1 33.0
2 80.0
3 80.0
4 80.0
Name: Math, dtype: float64
df[‘Math’].mad()
16.924244897959188
replace是对某些值进行替换
df[‘Address’].head()
0 street_1
1 street_2
2 street_2
3 street_2
4 street_4
Name: Address, dtype: object
df[‘Address’].replace([‘street_1’,‘street_2’],[‘one’,‘two’]).head()
0 one
1 two
2 two
3 two
4 street_4
Name: Address, dtype: object
通过字典，可以直接在表中修改
df.replace({‘Address’:{‘street_1’:‘one’,‘street_2’:‘two’}}).head()
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 1101 M one 173 63 34.0 A+
1 S_1 C_1 1102 F two 192 73 32.5 B+
2 S_1 C_1 1103 M two 186 82 87.2 B+
3 S_1 C_1 1104 F two 167 81 80.4 B-
4 S_1 C_1 1105 F street_4 159 64 84.8 B+
7. apply函数
apply是一个自由度很高的函数，在第3章我们还要提到
对于Series，它可以迭代每一列的值操作：
df[‘Math’].apply(lambda x:str(x)+’!’).head() #可以使用lambda表达式，也可以使用函数
0 34.0!
1 32.5!
2 87.2!
3 80.4!
4 84.8!
Name: Math, dtype: object
对于DataFrame，它可以迭代每一个列操作：
df.apply(lambda x:x.apply(lambda x:str(x)+’!’)).head() #这是一个稍显复杂的例子，有利于理解apply的功能
School Class ID Gender Address Height Weight Math Physics
0 S_1! C_1! 1101! M! street_1! 173! 63! 34.0! A+!
1 S_1! C_1! 1102! F! street_2! 192! 73! 32.5! B+!
2 S_1! C_1! 1103! M! street_2! 186! 82! 87.2! B+!
3 S_1! C_1! 1104! F! street_2! 167! 81! 80.4! B-!
4 S_1! C_1! 1105! F! street_4! 159! 64! 84.8! B+!
四、排序
- 索引排序
df.set_index(‘Math’).head() #set_index函数可以设置索引，将在下一章详细介绍
School Class ID Gender Address Height Weight Physics
Math
34.0 S_1 C_1 1101 M street_1 173 63 A+
32.5 S_1 C_1 1102 F street_2 192 73 B+
87.2 S_1 C_1 1103 M street_2 186 82 B+
80.4 S_1 C_1 1104 F street_2 167 81 B-
84.8 S_1 C_1 1105 F street_4 159 64 B+
df.set_index(‘Math’).sort_index().head() #可以设置ascending参数，默认为升序，True
School Class ID Gender Address Height Weight Physics
Math
31.5 S_1 C_3 1301 M street_4 161 68 B+
32.5 S_1 C_1 1102 F street_2 192 73 B+
32.7 S_2 C_3 2302 M street_5 171 88 A
33.8 S_1 C_2 1204 F street_5 162 63 B
34.0 S_1 C_1 1101 M street_1 173 63 A+ - 值排序
df.sort_values(by=‘Class’).head()
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 1101 M street_1 173 63 34.0 A+
19 S_2 C_1 2105 M street_4 170 81 34.2 A
18 S_2 C_1 2104 F street_5 159 97 72.2 B+
16 S_2 C_1 2102 F street_6 161 61 50.6 B+
15 S_2 C_1 2101 M street_7 174 84 83.3 C
多个值排序，即先对第一层排，在第一层相同的情况下对第二层排序
df.sort_values(by=[‘Address’,‘Height’]).head()
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 1101 M street_1 173 63 34.0 A+
11 S_1 C_3 1302 F street_1 175 57 87.7 A-
23 S_2 C_2 2204 M street_1 175 74 47.2 B-
33 S_2 C_4 2404 F street_2 160 84 67.7 B
3 S_1 C_1 1104 F street_2 167 81 80.4 B-