Python数据分析——Pandas基础入门+代码（一）

系列文章目录

Chapter 1：创建与探索DF、排序、子集化：Python数据分析——Pandas基础入门+代码（一）
Chapter 2：聚合函数，groupby，统计分析：Python数据分析——Pandas基础入门+代码（二）
Chapter 3：索引和切片：Python数据分析——Pandas基础入门+代码（三）
Chapter 4： 可视化与读写csv文件：Python数据分析——Pandas基础入门+代码（四）
Chapter 5：数据透视表：Python数据分析——Pandas基础入门+代码之数据透视表

---

---

前言

打算把从datacamp上学到的整理一下并记录下来，Pandas基础指的是非常入门的东西，包括数据处理，切片等。

这一篇主要讲的是：

创建与探索DF、排序、子集化以及如何添加新一列的DataFrame

---

一、如何自己创建一个DataFrame

简单来说，创建DataFrame的方式一共有两种，第一种是以 list of dict 的形式，第二种是以 dict of list 的形式。举例子说明一下，我们先看到下面这个表格，这里面就是甲乙丙丁的人物信息。

1.1 以list of dictionaries的形式建立一个DF

也就是外包是列表，内包是字典

dict1 = [
	{'name' : 'jia', 'gender': 'm', 'weight': 66, 'height': 171, 'date_of_birth': '1990-01-01'}, # 注意都好分割好每一条
	{'name' : 'yi', 'gender': 'f', 'weight': 67, 'height': 178, 'date_of_birth': '1993-05-13'},	
	{'name' : 'bing', 'gender': 'f', 'weight': 45, 'height': 160, 'date_of_birth': '1996-06-01'},
	{'name' : 'ding', 'gender': 'm', 'weight': 70, 'height': 190, 'date_of_birth': '1950-11-21'},
]

这里我们可以看到，他是一个横向的排列，就是按行进行一个输入，一行一行的打好。紧接着我们需要导入pandas包，并用pd.DataFrame进行一个读取和转换。

import pandas as pd
dt1 = pd.DataFrame(dict1)
print(dt1.head())

1.2 以dictionary of lists的形式建立一个DF

和上面相反，外包是dict，内是列表。同样的，代码和结果如下。

dict2 = {
    'name': ['jia', 'yi', 'bing', 'ding'],
    'gender': ['m', 'f', 'f', 'm'],
    'weight': [66, 67, 45, 70],
    'height': [171, 178, 160, 190],
    'date_of_birth': ['1990-01-01', '1993-05-13', '1996-06-01', '1950-11-21']
}

上面两者的区别就在于list of dict是横向输入，而dict of list是纵向输入

---

二、如何用pandas探索DataFrame中的整体和细节

2.1 整体数据的探索

这里主要是看数据集里的整体部分，当你拿到数据集后应该是先对数据集的整体进行一个观察和探索

这里主要内容翻译：

• 看数据的前几行就用head（），可以输入数字表明要看前多少行

• 观察每列的信息用info（）

• DF的数据大小用shape， df.shape 后面没有括号！

• 描述性统计每列用describe（）

就要刚刚上面的数据给大家看看。head()为例

2.2 数据细节的探索

• values 就是生成一个二维的numpy数组

• columns 查看每列的名称

• index 可以查看每行的行名称

同样的，大家可以自行试试，试验试验

---

三、Sorting 排序

3.1 行排序

sort.values里面如果需要降序需要用到 ascending，默认是True（升序），ascending = False就是降序了

注意：sort_values()是小括号不是中括号，如果选择的是一列直接用引号，多列就要把这些列再用中括号框起来。

如果有要求说，先对x1列进行升序排列，再按x2列进行降序排列，用一行写出来，那就是：

'''
Example :
df.sort_values(["column1", "column2"], ascending=[True, False])
'''

dt.sort_values(['weight', 'height'], ascending = [True, False])

---

四、Subsetting 子集化

意思其实就是在原数据上筛选出我们所要的数据，也就变为了子集，称之为子集化

4.1 按列筛选

这里就是分别列举了取一列和多列之间的区别，要注意的地方就是需要多列的话我们要两个中括号！！
假设，我们这里就身高体重有用

dt['weight']
dt[['weight', 'height']]

4.2 按行筛选

我们可以试验一下，首先看看我们在没有最外层的框下是什么结果

dt['height'] < 180

得到的是布林值

Out [1]: 
0     True
1     True
2     True
3    False
Name: height, dtype: bool

pandas就把小于180的都筛选出来了，表示为真。那如何将真变为数值呢？——再加一层框

In [1]: dt[dt['height'] < 180]
Out [1]: 
name	gender	weight	height	date_of_birth
0	jia	m	66	171	1990-01-01
1	yi	f	67	178	1993-05-13
2	bing	f	45	160	1996-06-01

这样就被筛选出来了。

另外，筛选行列的区别其实就是一个是特征维度，一个是在该特征下的数值。所以选取行不仅要将列选出来，也要给予特定的条件让python去选取行，为什么这么选

多条件筛选的话记得用 & 作为连接，用&说明的是两个条件都需要满足，是交集。不同的条件需要用（）括起来表示这个为其中一个筛选条件

4.3 多变量子集化处理

用 ” | “ 代表or，表示条件 ”或者“，这表示满足其中一个条件即可，为并集。

isin()的含义就是字面上的意思：is in。表示在这个数据里面，包含了什么什么，要筛选出来，返回一个布林值结果。

比如下面的代码和结果。代码将根据列表‘canu’去找在‘state’列下包含列表中的内容。

这里值的注意的是isin()里面是一个列表，用的网站上的数据

# The Mojave Desert states
canu = ["California", "Arizona", "Nevada", "Utah"]

# Filter for rows in the Mojave Desert states
mojave_homelessness = homelessness[homelessness['state'].isin(canu)]

# See the result
print(mojave_homelessness)

---

五、如何自己添加新的列

# 固定搭配
df['new_column'] = xxxxx

添加新的列就直接在df后面框起来写上列的名字就完成一半了，等号后面一般可以接一下其他筛选条件和计算条件。

dt['BMI'] = dt['weight'] / dt['height']**2 # 实际上身高应该换算成 米 为单位哈

---

Reference

学习网站：datacamp
链接地址：https://campus.datacamp.com/