机器学习 Python基础1 Pandas DataFrame 常用方法速查手册中文版

本文转载自知乎文章 Pandas速查手册中文版 ，原英文版 Pandas Cheat Sheet - Python for Data Science，在这基础上加入了一些自己的理解。

对于数据科学家，无论是数据分析还是数据挖掘来说，Pandas是一个非常重要的Python包。它不仅提供了很多方法，使得数据处理非常简单，同时在数据处理速度上也做了很多优化，使得和Python内置方法相比时有了很大的优势。

如果你想学习Pandas，建议先看两个网站。

（1）官网 # Python Data Analysis Library

（2）十分钟入门Pandas # 10 Minutes to pandas

在第一次学习Pandas的过程中，你会发现你需要记忆很多的函数和方法。所以在这里我们汇总一下Pandas官方文档中比较常用的函数和方法，以方便大家记忆。同时，我们提供一个PDF版本，方便大家打印。pandas-cheat-sheet.pdf

关键缩写和包导入
在这个速查手册中，我们使用如下缩写 #

df # 任意的Pandas DataFrame对象
s # 任意的Pandas Series对象

同时我们需要做如下的引入

import pandas as pd
import numpy as np

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

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

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

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
http://df.info() # 查看索引、数据类型和内存信息
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

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

数据清理

df.columns = ['a','b','c'] # 重命名列名
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
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') # 更改索引列
df.rename(index=lambda x: x + 1) # 批量重命名索引

数据处理 Filter Sort GroupBy

df[df[col] > 0.5] # 选择col列的值大于0.5的行
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] # 返回按列col1进行分组后，列col2的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max) # 创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
df.groupby(col1).agg(np.mean) # 返回按列col1分组的所有列的均值
data.apply(np.mean) # 对DataFrame中的每一列应用函数np.mean
data.apply(np.max,axis=1) # 对DataFrame中的每一行应用函数np.max

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) # 将df2中的列添加到df1的尾部
df1.join(df2,on=col1,how='inner') # 对df1的列和df2的列执行SQL形式的join

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
df.std() # 返回每一列的标准差