python-pandas整理

    pandas和numpy一样允许通过索引对原DataFrame直接进行操作，对于其的某些方法，可能还内置inplace属性，这个属性为True将直接改变原DataFrame。同时pandas允许利用一次查询的结果来进行二次查询，与数据库操作有着非常相似的地方。下面只记录了一些我经常用的。

$\text{一.pandas}$

导入包：

import pandas as pd
import time
import datetime
import matplotlib.pyplot as plt

1.数据读写$(pd.read\_csv,pd.to\_csv)$

import pandas as pd
# 读取文件(csv)
df = pd.read_csv("./Reviews.csv")

# 写入文件
df.to_csv("./1.csv")

    如果在读取文件的时候不想要列索引，则设置其header属性为None。
    如果想要读取n行，则设置其nrows属性为n。

2.数据描述$(df.describe(),df.info(),df.columns,df.index,df.shape,df.duplicated(),df.dtypes)$

    在进行数据处理前，可以先去查看数据的相关信息。

# dataframe统计描述,只对表中的数值数据进行计算的描述
print(df.describe())

# 查看表的数据信息
print(df.info())

# dataframe的列名和行名，如果没有名字，返回RangeIndex(start=0, stop=20004, step=1)
print(df.columns)
print(df.index)

# dataframe的形状
print(df.shape)

# 查看重复的记录:显示靠后的重复记录
print(df[df.duplicated()])

# 重复记录的数量
print("sum = ", df.duplicated().sum())

# 查看各字段数据类型
print(df.dtypes)

    df.duplicated()返回的实际上是布尔类型的值，靠后的重复的记录的布尔值为True。

3.数据选择$(df.head,df.tail,df.loc,直接索引)$

# 从头取出100行
print(df.head(100))

# 从末尾往前取100行
print(df.tail(100))

# 提取前3行
print(df[0:3])

# 提取指定列
print(df[["Id", "ProductId"]])

# 提取前四行的Id和ProductId列
print(df.loc[0:3, ["Id", "ProductId"]])
print(df[0:4][["Id", "ProductId"]])

# 提取前4行，如果只提供一个索引默认提取行
print(df.loc[:3])

# 提取前四列
print(df.loc[:, df.columns[:4]])

# 提取第二行第二列的数据
print(df.loc[1, df.columns[1]])

# 条件过滤:选取Score大于3且Id等于10000的行,提供多个条件，每个条件都需要打括号
print(df[(df["Score"] > 3) & (df["Id"] == 10000)])
print(df.loc[(df["Score"] > 3) & (df["Id"] == 10000)])

4.数据处理及清洗$(df.values,df.sort\_values,df.groupby,df.isnull(),df.notnull(),df.where,df.fillna,df.dropna)$

# 转换为二维数组，实际是获取数据的真实值，这个值将用多维数组存着
print(df.values)

# 按Score列排序:默认升序排序,ascending=False降序排序
print(df.sort_values("Score")["Score"])
print(df.sort_values("Score", ascending=False)["Score"])

# 按Score分组并求每一个分组中所有Score的和:分组之后进行一些操作，这里是求和
print(df.groupby("Score").sum())

# 查看重复的记录:从后往前显示所有重复记录
print(df[df.duplicated()])

# 查看Id重复的记录:从后往前显示所有重复记录
print(df[df.duplicated("Id")])

# 重复记录的数量
print("sum = ", df.duplicated().sum())

# 删除重复行,inplace=True代表直接对df进行操作
df.drop_duplicates(inplace=True)
print("sum = ", df.duplicated().sum())

# 查看各列缺失值的数量
print(df.isnull().sum())

# 查看各列不是缺失值的数量
print(df.notnull().sum())

# 查看缺失值情况，如果缺失值，对应位置填充为False，否则为True
print(df.notnull())

# 将缺失值替换为-1
print(df.where(df.notnull(), -1))

# 字符串代替缺失值
print(df.fillna('missing'))

# 删除有空值的行
print(df.dropna(axis=0))

# 删除有空值的列
print(df.dropna(axis=1))

5.数据计算$(mean,max,sum,std)$

print(df["Score"].mean())
print(df["Score"].max())
print(df["Score"].sum())
print(df["Score"].std())

6.数据类型强制转换$(astype,apply)$

# 先打印一下各列的数据类型信息
print(df.dtypes)
# df["Score"] = df["Score"].astype("object")达成一样的效果
df["Score"] = df["Score"].apply(lambda x: str(x))
print(df.info())

    object代表字符串类型。

7.时序数据处理$(pd.date\_range,pd.Series,df.set\_index)$

# 打印系统时间戳
print(time.time())

# 打印系统时间
localtime = time.localtime()
print("{}-{}-{} {}:{}:{}".format(localtime.tm_year, localtime.tm_mon, localtime.tm_mday,
                                 localtime.tm_hour, localtime.tm_min, localtime.tm_sec))

# 将系统时间转换为时间戳
print(time.mktime(localtime))

# 将时间戳转换为系统时间
print(time.strftime("%y-%m-%d %X", time.localtime(time.time())))

# 创建起始时间
start_time = datetime.datetime(2021, 1, 1)
print(start_time)

# 创建时间序列:起始时间为2021-1-1, 周期数为31, 时间步长为2天
time_sequence = pd.date_range(start=start_time, periods=31, freq="2D")
print(time_sequence)

# 创建时间序列:起始时间为2021-1-1, 终止时间为2021-2-1，时间步长为12h
end_time = datetime.datetime(2021, 2, 1)
time_sequence = pd.date_range(start=start_time, end=end_time, freq="12H")
print(time_sequence)

# 生成DataFrame,以时间序列作为行索引
time_data_frame = pd.Series([i for i in range(len(time_sequence))], index=time_sequence)
print(time_data_frame)

# 取出一个时间的年月日
print(time_data_frame.index[2].year, time_data_frame.index[2].month, time_data_frame.index[2].day)

# 先清除含有空值的行再将时间戳转换为格式化显示的时间
df = df.dropna(axis=0)
df["Time"] = df["Time"].apply(lambda x: time.strftime("%Y-%m-%d %X", time.localtime(x)))
print(df["Time"])

# 将经过转换的时间设置为行索引并按时间排序
df = df.set_index("Time").sort_values("Time")

# 制作随时间变化的Score图(可以支持多个列,也就是可以同时画多条曲线)
df["Score"][1:50].plot(grid=True, color="r")
plt.show()

    pandas还有许多操作，比如表的连接操作，完全就是数据库的操作，由于我没怎么用过就没整理了。