目录
- 1、Pandas数据结构
- 1.1 为什么使用Pandas
- 1.2 Pandas数据结构
- 1.2.1 Series
- (1)Series的创建
- (2)Series的属性
- 1.2.2 DataFrame
- (1)DataFrame的创建
- (2)DataFrame的属性
- (3)DatatFrame索引的设置
- 1.2.3 MultiIndex与Panel
- (1)MultiIndex
- (2)Panel
- 2、基本数据操作
- 2.1 索引操作
- 2.2.1 直接使用行列索引(先列后行)
- 2.2.2 结合loc或者iloc使用索引
- 2.2.3 使用ix组合索引(混合索引:下标和名称)
- 2.2 赋值操作
- 2.3 排序
- 2.3.1 DataFrame排序
- 2.3.2 Series排序
- 2.4 总结
- 3、DataFrame运算
- 3.1 算术运算
- 3.2 逻辑运算
- 3.2.1 逻辑运算符号
- 3.2.2 逻辑运算函数
- 3.2.3 统计运算
- (1)describe
- (2)统计函数
- (3)累计统计函数
- (4)自定义运算
- 4、Pandas画图
- 4.1 pandas.DataFrame.plot
- `DataFrame.plot(kind='line')`
- 4.2 pandas.Series.plot
- 5、文件读取与存储
- 5.1 CSV
- 5.1.1 read_csv
- 5.1.2 to_csv
- 5.2 HDF5
- 5.2.1 read_hdf与to_hdf
- 5.2.2 案例
- 5.3 JSON
- 5.3.1 read_json
- 5.3.2 to_json
- 6、高级处理-缺失值处理
- 6.1 如何处理nan
- 6.2 电影数据的缺失值处理
- 6.2.1 判断缺失值是否存在
- (1)`pd.notnull()`
- (2)`pd.isnull()`
- 6.2.2 存在缺失值nan,并且是np.nan
- 6.2.3 不是缺失值nan,有默认标记的
- 7、高级处理-数据离散化
- 7.1 为什么要离散化
- 7.2 什么是数据的离散化
- 7.3 股票的涨跌幅离散化
- 7.3.1 读取股票的数据
- 7.3.2 将股票涨跌幅数据进行分组
- 7.3.3 股票涨跌幅分组数据变成one-hot编码
- 8、高级处理-合并
- 8.1 pd.concat实现数据合并
- 8.2 pd.merge
- 9、高级处理-交叉表与透视表
- 9.1 交叉表与透视表什么作用
- 9.2 案例分析
- 9.2.1 数据准备
- 9.2.2 查看效果
- 9.2.3 使用pivot_table(透视表)实现
- 10、高级处理-分组与聚合
- 10.1 什么分组与聚合
- 10.2 分组API
- 10.3 星巴克零售店铺数据
- 10.3.1 数据获取
- 10.3.2 进行分组聚合
- 11、电影案例分析
- 11.1 需求
- 11.2 实现
- 11.2.1 问题一:
- 11.2.2 问题二:
- 11.2.3 问题三:
Numpy已经能够帮助我们处理数据,能够结合matplotlib解决部分数据展示等问题,那么pandas学习的目的在什么地方呢?
(1)增强图表可读性
在numpy当中创建学生成绩表样式:
返回结果:
array([[92, 55, 78, 50, 50],
[71, 76, 50, 48, 96],
[45, 84, 78, 51, 68],
[81, 91, 56, 54, 76],
[86, 66, 77, 67, 95],
[46, 86, 56, 61, 99],
[46, 95, 44, 46, 56],
[80, 50, 45, 65, 57],
[41, 93, 90, 41, 97],
[65, 83, 57, 57, 40]])
Pandas中一共有三种数据结构,分别为:Series、DataFrame和MultiIndex(老版本中叫Panel )。
其中Series是一维数据结构,DataFrame是二维的表格型数据结构,MultiIndex是三维的数据结构。
Series是一个类似于一维数组的数据结构,它能够保存任何类型的数据,比如整数、字符串、浮点数等,主要由一组数据和与之相关的索引两部分构成。
# 导入pandas
import pandas as pd
pd.Series(data=None, index=None, dtype=None)
通过已有数据创建:
pd.Series(np.arange(10))
# 运行结果
0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
dtype: int64
pd.Series([6.7,5.6,3,10,2], index=[1,2,3,4,5])
# 运行结果
1 6.7
2 5.6
3 3.0
4 10.0
5 2.0
dtype: float64
color_count = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
color_count
# 运行结果
blue 200
green 500
red 100
yellow 1000
dtype: int64
为了更方便地操作Series对象中的索引和数据,Series中提供了两个属性index和values:
color_count = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
color_count.index
# 结果
Index(['blue', 'green', 'red', 'yellow'], dtype='object')
color_count.values
# 结果
array([ 200, 500, 100, 1000])
也可以使用索引来获取数据:
color_count[2]
# 结果
100
DataFrame是一个类似于二维数组或表格(如excel)的对象,既有行索引,又有列索引:
# 导入pandas
import pandas as pd
pd.DataFrame(data=None, index=None, columns=None)
参数:
通过已有数据创建
举例一:
pd.DataFrame(np.random.randn(2,3))
使用np创建的数组显示方式,比较两者的区别。
# 生成10名同学,5门功课的数据
score = np.random.randint(40, 100, (10, 5))#均匀分布
# 结果
array([[92, 55, 78, 50, 50],
[71, 76, 50, 48, 96],
[45, 84, 78, 51, 68],
[81, 91, 56, 54, 76],
[86, 66, 77, 67, 95],
[46, 86, 56, 61, 99],
[46, 95, 44, 46, 56],
[80, 50, 45, 65, 57],
[41, 93, 90, 41, 97],
[65, 83, 57, 57, 40]])
但是这样的数据形式很难看到存储的是什么的样的数据,可读性比较差!!
问题:如何让数据更有意义的显示?
# 使用Pandas中的数据结构
score_df = pd.DataFrame(score)
# 构造行索引序列
subjects = ["语文", "数学", "英语", "政治", "体育"]
# 构造列索引序列
stu = ['同学' + str(i) for i in range(score_df.shape[0])]
# 添加行索引
data = pd.DataFrame(score, columns=subjects, index=stu)
结果:
data.shape
# 结果
(10, 5)
DataFrame的行索引列表
data.index
# 结果
Index(['同学0', '同学1', '同学2', '同学3', '同学4', '同学5', '同学6', '同学7', '同学8', '同学9'], dtype='object')
DataFrame的列索引列表
data.columns
# 结果
Index(['语文', '数学', '英语', '政治', '体育'], dtype='object')
直接获取其中array的值
array([[54, 82, 62, 81, 47],
[50, 58, 73, 72, 48],
[88, 89, 49, 99, 83],
[79, 81, 69, 45, 87],
[87, 64, 62, 74, 85],
[68, 56, 58, 77, 53],
[77, 49, 82, 48, 82],
[96, 49, 67, 94, 71],
[98, 77, 44, 99, 41],
[71, 52, 74, 90, 44]])
转置
data.T
如果不补充参数,默认5行。填入参数N则显示前N行
data.head(5)
如果不补充参数,默认5行。填入参数N则显示后N行
data.tail(5)
结果:
stu = ["学同学_" + str(i) for i in range(score_df.shape[0])]
# 必须整体全部修改
data.index = stu
注意:以下修改方式是错误的,说明不能单独修改
# 错误修改方式,不能单个修改
data.index[3] = '学生_3'
(2)重设索引
# 重置索引,drop=False
data.reset_index()
# 重置索引,drop=True
data.reset_index()
设置新索引案例:
1、创建
df = pd.DataFrame({'month': [1, 4, 7, 10],
'year': [2012, 2014, 2013, 2014],
'sale':[55, 40, 84, 31]})
month sale year
0 1 55 2012
1 4 40 2014
2 7 84 2013
3 10 31 2014
2、以月份设置新的索引
df.set_index('month')
sale year
month
1 55 2012
4 40 2014
7 84 2013
10 31 2014
3、设置多个索引,以年和月份
df = df.set_index(['year', 'month'])
df
sale
year month
2012 1 55
2014 4 40
2013 7 84
2014 10 31
注:通过刚才的设置,这样DataFrame就变成了一个具有MultiIndex的DataFrame。
MultiIndex是三维的数据结构;
多级索引(也称层次化索引)是pandas的重要功能,可以在Series、DataFrame对象上拥有2个以及2个以上的索引。
打印刚才的df的行索引结果
df
sale
year month
2012 1 55
2014 4 40
2013 7 84
2014 10 31
df.index
MultiIndex(levels=[[2012, 2013, 2014], [1, 4, 7, 10]],
labels=[[0, 2, 1, 2], [0, 1, 2, 3]],
names=['year', 'month'])
多级或分层索引对象。
df.index.names
# FrozenList(['year', 'month'])
df.index.levels
# FrozenList([[2012, 2013, 2014], [1, 4, 7, 10]])
arrays = [[1, 1, 2, 2], ['red', 'blue', 'red', 'blue']]
pd.MultiIndex.from_arrays(arrays, names=('number', 'color'))
# 结果
MultiIndex(levels=[[1, 2], ['blue', 'red']],
codes=[[0, 0, 1, 1], [1, 0, 1, 0]],
names=['number', 'color'])
class pandas.Panel(data=None, items=None, major_axis=None, minor_axis=None)
作用:存储3维数组的Panel结构
参数:
data : ndarray或者dataframe
items : 索引或类似数组的对象,axis=0
major_axis : 索引或类似数组的对象,axis=1
minor_axis : 索引或类似数组的对象,axis=2
p = pd.Panel(data=np.arange(24).reshape(4,3,2),
items=list('ABCD'),
major_axis=pd.date_range('20130101', periods=3),
minor_axis=['first', 'second'])
# 结果
<class 'pandas.core.panel.Panel'>
Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis)
Items axis: A to D
Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00
Minor_axis axis: first to second
p[:,:,"first"]
p["B",:,:]
注:Pandas从版本0.20.0开始弃用:推荐的用于表示3D数据的方法是通过DataFrame上的MultiIndex方法。
为了更好的理解这些基本操作,我们将读取一个真实的股票数据。关于文件操作,后面在介绍,这里只先用一下API。
# 读取文件
data = pd.read_csv("./data/stock_day.csv")
# 删除一些列,让数据更简单些,再去做后面的操作
data = data.drop(["ma5","ma10","ma20","v_ma5","v_ma10","v_ma20"], axis=1)
Numpy当中我们已经讲过使用索引选取序列和切片选择,pandas也支持类似的操作,也可以直接使用列名、行名称,甚至组合使用。
获取’2018-02-27’这天的’open’的结果:
# 直接使用行列索引名字的方式(先列后行)
data['open']['2018-02-27']
23.53
# 不支持的操作
# 错误
data['2018-02-27']['open']
# 错误
data[:1, :2]
获取从’2018-02-27’到’2018-02-22’,'open’的结果:
# 使用loc:只能指定行列索引的名字
data.loc['2018-02-27':'2018-02-22', 'open']
2018-02-27 23.53
2018-02-26 22.80
2018-02-23 22.88
Name: open, dtype: float64
# 使用iloc可以通过索引的下标去获取
# 获取前3天数据,前5列的结果
data.iloc[:3, :5]
open high close low
2018-02-27 23.53 25.88 24.16 23.53
2018-02-26 22.80 23.78 23.53 22.80
2018-02-23 22.88 23.37 22.82 22.71
获取行第1天到第4天,[‘open’, ‘close’, ‘high’, ‘low’]这个四个指标的结果:
# 使用ix进行下表和名称组合做引
data.ix[0:4, ['open', 'close', 'high', 'low']]
# 推荐使用loc和iloc来获取的方式
data.loc[data.index[0:4], ['open', 'close', 'high', 'low']]
data.iloc[0:4, data.columns.get_indexer(['open', 'close', 'high', 'low'])]
open close high low
2018-02-27 23.53 24.16 25.88 23.53
2018-02-26 22.80 23.53 23.78 22.80
2018-02-23 22.88 22.82 23.37 22.71
2018-02-22 22.25 22.28 22.76 22.02
对DataFrame当中的close列进行重新赋值为1。
# 直接修改原来的值
data['close'] = 1 # 这一列都变成1
# 或者
data.close = 1
排序有两种形式,一种对于索引进行排序,一种对于内容进行排序:
df.sort_values(by=, ascending=)
如下:
例一:
# 按照开盘价大小进行排序 , 使用ascending指定按照大小排序
data.sort_values(by="open", ascending=True).head()
# 按照多个键进行排序
data.sort_values(by=['open', 'high'])
df.sort_index(ascending=)
给索引进行排序这个股票的日期索引原来是从大到小,现在重新排序,从小到大:
# 对索引进行排序
data.sort_index()
series.sort_values(ascending=True)
进行排序series排序时,只有一列,不需要参数
data['p_change'].sort_values(ascending=True).head()
2015-09-01 -10.03
2015-09-14 -10.02
2016-01-11 -10.02
2015-07-15 -10.02
2015-08-26 -10.01
Name: p_change, dtype: float64
series.sort_index()
进行排序与df一致
# 对索引进行排序
data['p_change'].sort_index().head()
2015-03-02 2.62
2015-03-03 1.44
2015-03-04 1.57
2015-03-05 2.02
2015-03-06 8.51
Name: p_change, dtype: float64
add(other)
比如进行数学运算加上具体的一个数字
data['open'].head().add(1)
2018-02-27 24.53
2018-02-26 23.80
2018-02-23 23.88
2018-02-22 23.25
2018-02-14 22.49
Name: open, dtype: float64
sub(other)
整个列减一个数
data.open.head().sub(2)
2018-02-27 21.53
2018-02-26 20.80
2018-02-23 20.88
2018-02-22 20.25
2018-02-14 19.49
Name: open, dtype: float64
data["open"] > 23
2018-02-27 True
2018-02-26 False
2018-02-23 False
2018-02-22 False
2018-02-14 False
# 逻辑判断的结果可以作为筛选的依据
data[data["open"] > 23].head()
data[(data["open"] > 23) & (data["open"] < 24)].head()
query(expr)
通过query使得刚才的过程更加方便简单,下面是使用的例子:
data.query("open<24 & open>23").head()
isin(values)
例如判断’open’是否为23.53和23.85:
# 可以指定值进行一个判断,从而进行筛选操作
data[data["open"].isin([23.53, 23.85])]
综合分析: 能够直接得出很多统计结果,count, mean, std, min, max 等
# 计算平均值、标准差、最大值、最小值
data.describe()
看一下min(最小值)
, max(最大值)
, mean(平均值)
, median(中位数)
, var(方差)
, std(标准差)
,mode(众数)
是怎么操作的:
统计函数 | 描述 |
---|---|
sum | 求和 |
mean | 平均值 |
median | 中位数 |
min | 最小值 |
max | 最大值 |
mode | 众数 |
abs | 绝对值 |
prod | 乘积 |
std | 标准差 |
var | 方差 |
idxmax | 最大值索引 |
idxmin | 最小值索引 |
对于单个函数去进行统计的时候,坐标轴还是按照默认列“columns” (axis=0, default),如果要对行“index” 需要指定(axis=1)。
max()、min()
# 使用统计函数:0 代表列求结果, 1 代表行求统计结果
data.max(axis=0) # 最大值
open 34.99
high 36.35
close 35.21
low 34.01
volume 501915.41
price_change 3.03
p_change 10.03
turnover 12.56
my_price_change 3.41
dtype: float64
std()、var()
# 方差
data.var(axis=0)
open 1.545255e+01
high 1.662665e+01
close 1.554572e+01
low 1.437902e+01
volume 5.458124e+09
price_change 8.072595e-01
p_change 1.664394e+01
turnover 4.323800e+00
my_price_change 6.409037e-01
dtype: float64
# 标准差
data.std(axis=0)
open 3.930973
high 4.077578
close 3.942806
low 3.791968
volume 73879.119354
price_change 0.898476
p_change 4.079698
turnover 2.079375
my_price_change 0.800565
dtype: float64
median()
:中位数中位数为将数据从小到大排列,在最中间的那个数为中位数。如果没有中间数,取中间两个数的平均值。
data.median(axis=0)
open 21.44
high 21.97
close 10.00
low 20.98
volume 83175.93
price_change 0.05
p_change 0.26
turnover 2.50
dtype: float64
idxmax()、idxmin()
# 求出最大值的位置
data.idxmax(axis=0)
open 2015-06-15
high 2015-06-10
close 2015-06-12
low 2015-06-12
volume 2017-10-26
price_change 2015-06-09
p_change 2015-08-28
turnover 2017-10-26
my_price_change 2015-07-10
dtype: object
# 求出最小值的位置
data.idxmin(axis=0)
open 2015-03-02
high 2015-03-02
close 2015-09-02
low 2015-03-02
volume 2016-07-06
price_change 2015-06-15
p_change 2015-09-01
turnover 2016-07-06
my_price_change 2015-06-15
dtype: object
函数 | 作用 |
---|---|
cumsum | 计算前1/2/3/…/n个数的和 |
cummax | 计算前1/2/3/…/n个数的最大值 |
cummin | 计算前1/2/3/…/n个数的最小值 |
cumprod | 计算前1/2/3/…/n个数的积 |
那么这些累计统计函数怎么用?
以上这些函数可以对series和dataframe操作,这里我们按照时间的从前往后来进行累计
# 排序之后,进行累计求和
data = data.sort_index()
stock_rise = data['p_change']
stock_rise.cumsum()
2015-03-02 2.62
2015-03-03 4.06
2015-03-04 5.63
2015-03-05 7.65
2015-03-06 16.16
2015-03-09 16.37
2015-03-10 18.75
2015-03-11 16.36
2015-03-12 15.03
2015-03-13 17.58
2015-03-16 20.34
2015-03-17 22.42
2015-03-18 23.28
2015-03-19 23.74
2015-03-20 23.48
2015-03-23 23.74
那么如何让这个连续求和的结果更好的显示呢?
如果要使用plot函数,需要导入matplotlib.下面是绘图代码:
import matplotlib.pyplot as plt
# plot显示图形, plot方法集成了直方图、条形图、饼图、折线图
stock_rise.cumsum().plot()
# 需要调用show,才能显示出结果
plt.show()
关于plot,稍后会介绍API的选择。
apply(func, axis=0)
下面看个例子:
data[['open', 'close']].apply(lambda x: x.max() - x.min(), axis=0)
open 22.74
close 22.85
dtype: float64
特定需求需要用这个。
DataFrame.plot(kind='line')
关于“barh”的解释:
http://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.barh.html
更多细节:https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html?highlight=plot#pandas.DataFrame.plot
看个例子:
import matplotlib.pyplot as plt
# plot显示图形, plot方法集成了直方图、条形图、饼图、折线图
stock_rise.cumsum().plot(kind="line")
# 需要调用show,才能显示出结果
plt.show()
更多细节:https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.plot.html?highlight=plot#pandas.Series.plot
注:使用的时候查看。
我们的数据大部分存在于文件当中,所以pandas会支持复杂的IO操作,pandas的API支持众多的文件格式,如CSV、SQL、XLS、JSON、HDF5。
注:最常用的HDF5和CSV文件
接下来重点看一下,应用CSV方式、HDF方式和json方式实现文件的读取和存储。
pandas.read_csv(filepath_or_buffer, sep =',', usecols )
举例:读取之前的股票的数据:
# 读取文件,并且指定只获取'open', 'close'指标
data = pd.read_csv("./data/stock_day.csv", usecols=['open', 'close'])
open close
2018-02-27 23.53 24.16
2018-02-26 22.80 23.53
2018-02-23 22.88 22.82
2018-02-22 22.25 22.28
2018-02-14 21.49 21.92
DataFrame.to_csv(path_or_buf=None, sep=', ’, columns=None, header=True, index=True, mode='w', encoding=None)
举例:保存读取出来的股票数据
保存’open’列的数据,然后读取查看结果:
# 选取10行数据保存,便于观察数据
data[:10].to_csv("./data/test.csv", columns=['open'])
# 读取,查看结果
pd.read_csv("./data/test.csv")
Unnamed: 0 open
0 2018-02-27 23.53
1 2018-02-26 22.80
2 2018-02-23 22.88
3 2018-02-22 22.25
4 2018-02-14 21.49
5 2018-02-13 21.40
6 2018-02-12 20.70
7 2018-02-09 21.20
8 2018-02-08 21.79
9 2018-02-07 22.69
会发现将索引存入到文件当中,变成单独的一列数据。如果需要删除,可以指定index参数,删除原来的文件,重新保存一次。
下面例子把index指定为False,那么保存的时候就不会保存行索引了:
# index:存储不会将索引值变成一列数据
data[:10].to_csv("./data/test.csv", columns=['open'], index=False)
当然我们也可以这么做,就是把索引保存到文件中,读取的时候变成了一列,那么可以把这个列再变成索引,如下:
# 把Unnamed: 0这一列,变成行索引
open.set_index(["Unnamed: 0"])
# 把索引名字变成index
open.index.name = "index"
HDF5文件的读取和存储需要指定一个键,值为要存储的DataFrame
(1)pandas.read_hdf(path_or_buf,key =None,** kwargs)
(2)DataFrame.to_hdf(path_or_buf, key, **kwargs)
day_close = pd.read_hdf("./data/day_close.h5")
如果读取的时候出现以下错误
需要安装安装tables模块避免不能读取HDF5文件
pip install tables
day_close.to_hdf("./data/test.h5", key="day_close")
再次读取的时候, 需要指定键的名字
new_close = pd.read_hdf("./data/test.h5", key="day_close")
注意:优先选择使用HDF5文件存储
JSON是我们常用的一种数据交换格式,在前后端的交互经常用到,也会在存储的时候选择这种格式。所以我们需要知道Pandas如何进行读取和存储JSON格式。
pandas.read_json(path_or_buf=None, orient=None, typ='frame', lines=False)
path_or_buf
: 路径orient
: string,以什么样的格式显示.下面是5种格式:
lines
: boolean, default False
typ
: default ‘frame’, 指定转换成的对象类型series或者dataframe案例:
这里使用一个新闻标题讽刺数据集,格式为json。is_sarcastic:1讽刺的,否则为0;headline:新闻报道的标题;article_link:链接到原始新闻文章。存储格式为:
{"article_link": "https://www.huffingtonpost.com/entry/versace-black-code_us_5861fbefe4b0de3a08f600d5", "headline": "former versace store clerk sues over secret 'black code' for minority shoppers", "is_sarcastic": 0}
{"article_link": "https://www.huffingtonpost.com/entry/roseanne-revival-review_us_5ab3a497e4b054d118e04365", "headline": "the 'roseanne' revival catches up to our thorny political mood, for better and worse", "is_sarcastic": 0}
orient指定存储的json格式,lines指定按照行去变成一个样本:
json_read = pd.read_json("./data/Sarcasm_Headlines_Dataset.json", orient="records", lines=True)
DataFrame.to_json(path_or_buf=None, orient=None, lines=False)
案例:
# 不指定lines=Treu,则保存成一行
json_read.to_json("./data/test.json", orient='records')
结果:
[{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0},{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1},{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/advancing-the-worlds-women_b_6810038.html","headline":"advancing the world's women","is_sarcastic":0},....]
lines
参数为True# 指定lines=True,则多行存储
json_read.to_json("./data/test.json", orient='records', lines=True)
结果:
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0}
{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1}
{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0}...
按如下步骤进行:
(1)获取缺失值的标记方式(NaN或者其他标记方式)
(2)如果缺失值的标记方式是NaN
判断数据中是否包含NaN:
pd.isnull(df),
pd.notnull(df)
存在缺失值nan:
1、删除存在缺失值的:dropna(axis='rows')
注:不会修改原数据,需要接受返回值
2、替换缺失值:fillna(value, inplace=True)
(3)如果缺失值没有使用NaN标记,比如使用"?"
步骤就是上面的这样,下面通过例子来看看怎么使用pandas处理的:
# 读取电影数据
movie = pd.read_csv("./data/IMDB-Movie-Data.csv")
pd.notnull()
# 判断是否是缺失值,是则返回False
pd.notnull(movie)
# 结果:
Rank Title Genre Description Director Actors Year Runtime (Minutes) Rating Votes Revenue (Millions) Metascore
0 True True True True True True True True True True True True
1 True True True True True True True True True True True True
2 True True True True True True True True True True True True
3 True True True True True True True True True True True True
4 True True True True True True True True True True True True
5 True True True True True True True True True True True True
6 True True True True True True True True True True True True
7 True True True True True True True True True True False True
但是上面这样显然不好观察,我们可以借助np.all()
来返回是否有缺失值。np.all()
只要有一个就返回False,下面看例子:
np.all(pd.notnull(movie))
# 返回
False
pd.isnull()
# 判断是否是缺失值,是则返回True
pd.isnull(movie).head()
# 结果:
Rank Title Genre Description Director Actors Year Runtime (Minutes) Rating Votes Revenue (Millions) Metascore
0 False False False False False False False False False False False False
1 False False False False False False False False False False False False
2 False False False False False False False False False False False False
3 False False False False False False False False False False False False
4 False False False False False False False False False False False False
这个也不好观察,我们利用np.any()
来判断是否有缺失值,若有则返回True,下面看例子:
np.any(pd.isnull(movie))
# 返回
True
pandas删除缺失值,使用dropna的前提是,缺失值的类型必须是np.nan
# 不修改原数据
movie.dropna()
# 可以定义新的变量接受或者用原来的变量名
data = movie.dropna()
# 替换存在缺失值的样本的两列
# 替换填充平均值,中位数
movie['Revenue (Millions)'].fillna(movie['Revenue (Millions)'].mean(), inplace=True)
替换所有缺失值:
# 这个循环,每次取出一列数据,然后用均值来填充
for i in movie.columns:
if np.all(pd.notnull(movie[i])) == False:
print(i)
movie[i].fillna(movie[i].mean(), inplace=True)
直接看例子:
# 读入数据
wis = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data")
以上数据在读取时,可能会报如下错误:
URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:833)>
解决办法:
# 全局取消证书验证
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
处理思路分析:
df.replace(to_replace=, value=)
# 把一些其它值标记的缺失值,替换成np.nan
wis = wis.replace(to_replace='?', value=np.nan)
# 删除
wis = wis.dropna()
np.all(pd.notnull(wis))
# 返回True,说明没有了缺失值
# 或者
np.any(pd.isnull(wis))
# 返回False,说明没有了缺失值
连续属性离散化的目的是为了简化数据结构,数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。
连续属性的离散化就是在连续属性的值域上,将值域划分为若干个离散的区间,最后用不同的符号或整数 值代表落在每个子区间中的属性值。
离散化有很多种方法,这里使用一种最简单的方式去操作:
这样我们将数据分到了三个区间段,对应的标记为矮、中、高三个类别,最终要处理成一个"哑变量"矩阵。
下面通过股票数据的例子来看看,具体是怎么操作的。
我们对股票每日的"p_change"这一列进行离散化,下图便是离散化后的结果,当前数据存在哪个区间,则这个区间标记为1,否则为0。
先读取股票的数据,筛选出p_change数据。
data = pd.read_csv("./data/stock_day.csv")
p_change= data['p_change']
使用的工具:
pd.qcut(data, q)
:
value_counts
搭配使用,统计每组的个数series.value_counts()
:统计每个分组中有多少数据。# 自行分组
qcut = pd.qcut(p_change, 10)
# 计算分到每个组数据个数
qcut.value_counts()
# 运行结果:
(5.27, 10.03] 65
(0.26, 0.94] 65
(-0.462, 0.26] 65
(-10.030999999999999, -4.836] 65
(2.938, 5.27] 64
(1.738, 2.938] 64
(-1.352, -0.462] 64
(-2.444, -1.352] 64
(-4.836, -2.444] 64
(0.94, 1.738] 63
Name: p_change, dtype: int64
自定义区间分组:
pd.cut(data, bins)
# 自己指定分组区间
bins = [-100, -7, -5, -3, 0, 3, 5, 7, 100]
p_counts = pd.cut(p_change, bins)
p_counts.value_counts()
# 运行结果:
(0, 3] 215
(-3, 0] 188
(3, 5] 57
(-5, -3] 51
(7, 100] 35
(5, 7] 35
(-100, -7] 34
(-7, -5] 28
Name: p_change, dtype: int64
把下图中左边的表格转化为使用右边形式进行表示:
pandas.get_dummies(data, prefix=None)
data:array-like, Series, or DataFrame
prefix:分组名字
下面是例子:
# 得出one-hot编码矩阵
dummies = pd.get_dummies(p_counts, prefix="rise")
如果你的数据由多张表组成,那么有时候需要将不同的内容合并在一起分析
pd.concat([data1, data2], axis=1)
比如我们将刚才处理好的one-hot编码与原数据合并:
# 按照行索引进行
pd.concat([data, dummies], axis=1)
pd.merge(left, right, how='inner', on=None)
left
: DataFrameright
: 另一个DataFrameon
: 指定的共同键how
:按照什么方式连接,下面的表格是说明Merge method | SQL Join Name | Description |
---|---|---|
left | LEFT OUTER JOIN | Use keys from left frame only |
right | RIGHT OUTER JOIN | Use keys from right frame only |
outer | FULL OUTER JOIN | Use union of keys from both frames |
inner | INNER JOIN | Use intersection of keys from both frames |
例子:
left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})
# 默认内连接
result = pd.merge(left, right, on=['key1', 'key2'])
result = pd.merge(left, right, how='left', on=['key1', 'key2'])
result = pd.merge(left, right, how='right', on=['key1', 'key2'])
result = pd.merge(left, right, how='outer', on=['key1', 'key2'])
探究股票的涨跌与星期几有关?
以下图当中表示,week代表星期几,1,0代表这一天股票的涨跌幅是好还是坏,里面的数据代表比例
pd.crosstab(value1, value2)
data.pivot_table()
DataFrame.pivot_table([], index=[])
# 寻找星期几跟股票张得的关系
# 1、先把对应的日期找到星期几
date = pd.to_datetime(data.index).weekday
data['week'] = date # 增加一列
# 2、假如把p_change按照大小去分个类0为界限
data['posi_neg'] = np.where(data['p_change'] > 0, 1, 0)
# 通过交叉表找寻两列数据的关系
count = pd.crosstab(data['week'], data['posi_neg'])
结果:
但是我们看到count只是每个星期日子的好坏天数,并没有得到比例,该怎么去做?
# 算数运算,先求和
sum = count.sum(axis=1).astype(np.float32)
# 进行相除操作,得出比例
pro = count.div(sum, axis=0)
使用plot画出这个比例,使用stacked的柱状图
pro.plot(kind='bar', stacked=True)
plt.show()
使用透视表,刚才的过程更加简单
# 通过透视表,将整个过程变成更简单一些
data.pivot_table(['posi_neg'], index='week')
分组与聚合通常是分析数据的一种方式,通常与一些统计函数一起使用,查看数据的分组情况
DataFrame.groupby(key, as_index=False)
案例:不同颜色的不同笔的价格数据
col =pd.DataFrame({'color': ['white','red','green','red','green'], 'object': ['pen','pencil','pencil','ashtray','pen'],'price1':[5.56,4.20,1.30,0.56,2.75],'price2':[4.75,4.12,1.60,0.75,3.15]})
# 结果:
color object price1 price2
0 white pen 5.56 4.75
1 red pencil 4.20 4.12
2 green pencil 1.30 1.60
3 red ashtray 0.56 0.75
4 green pen 2.75 3.15
# 按color分组,再取出price1列求平均值
col.groupby(['color'])['price1'].mean()
# 和上述一个功能
col['price1'].groupby(col['color']).mean()
# 结果:
color
green 2.025
red 2.380
white 5.560
Name: price1, dtype: float64
# 分组,数据的结构不变
col.groupby(['color'], as_index=False)['price1'].mean()
# 结果:
color price1
0 green 2.025
1 red 2.380
2 white 5.560
现在我们有一组关于全球星巴克店铺的统计数据,如果我想知道美国的星巴克数量和中国的哪个多,或者我想知道中国每个省份星巴克的数量的情况,那么应该怎么办?
数据来源:https://www.kaggle.com/starbucks/store-locations/data
从文件中读取星巴克店铺数据
# 导入星巴克店的数据
starbucks = pd.read_csv("./data/starbucks/directory.csv")
# 按照国家分组,求出每个国家的星巴克零售店数量
count = starbucks.groupby(['Country']).count()
画图显示结果:
count['Brand'].plot(kind='bar', figsize=(20, 8))
plt.show()
# 设置多个索引,set_index()
starbucks.groupby(['Country', 'State/Province']).count()
现在我们有一组从2006年到2016年1000部最流行的电影数据
数据来源:https://www.kaggle.com/damianpanek/sunday-eda/data
首先获取导入包,获取数据:
%matplotlib inline
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
#文件的路径
path = "./data/IMDB-Movie-Data.csv"
#读取文件
df = pd.read_csv(path)
我们想知道这些电影数据中评分的平均分,导演的人数等信息,我们应该怎么获取?
使用mean函数
df["Rating"].mean()
# 结果:
6.723200000000003
求出唯一值,然后进行形状获取
## 导演的人数
# df["Director"].unique().shape[0] # 方法一
np.unique(df["Director"]).shape[0] # 方法二
644
对于这一组电影数据,如果我们想Rating的分布情况,应该如何呈现数据?
选择分数列数据,进行plot
df["Rating"].plot(kind='hist',figsize=(20,8))
plt.show()
发现直接通过pandas的plot画图,显示的下标不合适,这个时候我们需要借助matplotlib来改变。
进行绘制直方图
# 1.添加画布
plt.figure(figsize=(20,8),dpi=100)
# 2.画图
plt.hist(df["Rating"].values,bins=20)
# 2.1 添加刻度线
max_ = df["Rating"].max()
min_ = df["Rating"].min()
x_ticks = np.linspace(min_, max_, num=21)
plt.xticks(x_ticks)
# 2.2添加网格线
plt.grid()
# 3.显示
plt.show()
数据分析:从上图中就可以发现,评分主要分布在5~8分之间
对于这一组电影数据,如果我们希望统计电影分类(genre)的情况,应该如何处理数据?
下面接着看:
# 进行字符串分割
temp_list = [i.split(",") for i in df["Genre"]]
# 获取电影的分类
genre_list = np.unique([i for j in temp_list for i in j])
# 增加新的列,创建全为0的dataframe
temp_df = pd.DataFrame(np.zeros([df.shape[0],genre_list.shape[0]]),columns=genre_list)
for i in range(1000):
#temp_list[i] 就是['Action','Adventure','Animation']等
temp_df.ix[i,temp_list[i]]=1
print(temp_df.sum().sort_values()) # 求合并排序,ascending=False为倒序
temp_df.sum().sort_values(ascending=False).plot(kind="bar",figsize=(20,8),fontsize=20,colormap="cool")
plt.show()
若有用,欢迎点赞,若有错,请指正,谢谢!