Python数据分析(3):pandas

文章目录

  • 二. pandas入门
    • 2.1 数据结构
      • 2.1.1 Series对象
      • 2.1.2 DataFrame对象
    • 2.2 读取数据
      • 2.2.1 读取Excel:read_excel()
          • 1. 读取特定工作簿:sheet_name
          • 2. 指定列标签:header
          • 3. 指定行标签:index_col
          • 4. 读取指定列:usecols
      • 2.2.2 读取csv:read_csv()
    • 2.3 查看数据的行数和列数
      • 2.3.1 查看前几行:head()
      • 2.3.2 查看行数和列数:shape
      • 2.3.3 查看数据的类型:info()、dtype、astype()
    • 2.4 选择数据
      • 2.4.1 选择行:loc()、iloc()
      • 2.4.2 选择列数据:iloc()
      • 2.4.3 同时选择行列数据
    • 2.5 修改行列标签:columns、index、set_index()
  • 三. pandas进阶
    • 3.1 数据的查找和替换
      • 3.1.1 查找:isin()
      • 3.1.2 替换:replace()
    • 3.2 数据的处理
      • 3.2.1 插入:insert()
      • 3.2.2 删除:drop()
      • 3.2.3 处理缺失值:isnulll()、dropna()、fillna()
      • 3.2.4 处理重复值:drop_duplicates()、subset、unique()
      • 3.2.5 排序数据:sort_values()、rank()
      • 3.2.6 筛选数据
    • 3.3 数据表的处理
      • 3.3.1 转置表的行列:T
      • 3.3.2 将表转换成树形结构:stack()
      • 3.3.3 表的拼接:merge()、concat()、append()
    • 3.4 数据的运算
      • 3.4.1 统计运算:sum()、mean()、max()
      • 3.4.2 获取数值分布情况:describe()
      • 3.4.3 计算相关系数:corr()
      • 3.4.4 分组汇总数据:groupby()
      • 3.4.5 创建数据透视表:pivot_table()


前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转:人工智能从入门到精通教程




二. pandas入门

2.1 数据结构

pandas有两个重要的数据结构对象:Series和DataFrame

2.1.1 Series对象

Series是创建一个一维数组对象,会自动生成行标签

import pandas as pd
s = pd.Series(['短裤', '毛衣', '连衣裙', '牛仔裤'])
print(s)
0     短裤
1     毛衣
2    连衣裙
3    牛仔裤
dtype: object

index参数可以指定行标签

import pandas as pd
s1 = pd.Series(['短裤', '毛衣', '连衣裙', '牛仔裤'], index = ['a001', 'a002', 'a003', 'a004']) # 添加行标签
print(s1)
a001     短裤
a002     毛衣
a003    连衣裙
a004    牛仔裤
dtype: object

使用Series对象还可以基于字典创建数据

import pandas as pd
s2 = pd.Series({'a001':'短裤', 'a002':'毛衣', 'a003':'连衣裙', 'a004':'牛仔裤'})
print(s2)
a001     短裤
a002     毛衣
a003    连衣裙
a004    牛仔裤
dtype: object

2.1.2 DataFrame对象

会自动生成行列标签

import pandas as pd
df = pd.DataFrame([['短裤', 45], ['毛衣', 69], ['连衣裙', 119], ['牛仔裤', 99]])
print(df)
     0    1
0   短裤   45
1   毛衣   69
2  连衣裙  119
3  牛仔裤   99

可以columns参数指定列标签;index参数指定行标签

import pandas as pd
df1 = pd.DataFrame([['短裤', 45], ['毛衣', 69], ['连衣裙', 119], ['牛仔裤', 99]], 
                   columns=['产品', '单价'], index=['a001', 'a002', 'a003', 'a004'])
print(df1)
       产品   单价
a001   短裤   45
a002   毛衣   69
a003  连衣裙  119
a004  牛仔裤   99

例:也可以用字典形式生成数据

import pandas as pd
df3 = pd.DataFrame({'产品':['短裤', '毛衣', '连衣裙', '牛仔裤'],'单价':[45, 69, 119, 99]})
print(df3)
    产品   单价
0   短裤   45
1   毛衣   69
2  连衣裙  119
3  牛仔裤   99

例:在用字典生成数据的基础上,同时指定行标签

import pandas as pd
df3 = pd.DataFrame({'产品':['短裤', '毛衣', '连衣裙', '牛仔裤'],'单价':[45, 69, 119, 99]}, index = ['a001', 'a002', 'a003', 'a004'])
print(df3)
       产品   单价
a001   短裤   45
a002   毛衣   69
a003  连衣裙  119
a004  牛仔裤   99

2.2 读取数据

2.2.1 读取Excel:read_excel()

1. 读取特定工作簿:sheet_name

例如对下表的数据进行读取

Python数据分析(3):pandas_第1张图片

4月是第四个表,我们应把sheet_name参数指定为3;因为索引是从0开始的。

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data)
   订单编号   产品  数量    金额
0  d001  投影仪  52000
1  d002  马克笔  5300
2  d003  打印机  1298
3  d004  点钞机  1349
4  d005  复印纸  2100
5  d006  条码纸  634

可以看出read_excel()函数自动创建了一个DataFrame对象,同时自动把第一行数据当做列标签。

2. 指定列标签:header

可以看出不给出header参数时,该参数默认为0。

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, header=0)
print(data)
   订单编号   产品  数量    金额
0  d001  投影仪  52000
1  d002  马克笔  5300
2  d003  打印机  1298
3  d004  点钞机  1349
4  d005  复印纸  2100
5  d006  条码纸  634

header=1时结果如下:

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, header=1)
print(data)
   d001  投影仪  52000
0  d002  马克笔  5300
1  d003  打印机  1298
2  d004  点钞机  1349
3  d005  复印纸  2100
4  d006  条码纸  634

header=None时结果如下:

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name = 3, header = None)
print(data)
      0    1   2     3
0  订单编号   产品  数量    金额
1  d001  投影仪  52000
2  d002  马克笔  5300
3  d003  打印机  1298
4  d004  点钞机  1349
5  d005  复印纸  2100
6  d006  条码纸  634
3. 指定行标签:index_col

该参数默认为None

index_col=0时,第0列为列标签

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)
print(data)
       产品  数量    金额
订单编号               
d001  投影仪  52000
d002  马克笔  5300
d003  打印机  1298
d004  点钞机  1349
d005  复印纸  2100
d006  条码纸  634

index_col=1时

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=1)
print(data)
     订单编号  数量    金额
产品                 
投影仪  d001  52000
马克笔  d002  5300
打印机  d003  1298
点钞机  d004  1349
复印纸  d005  2100
条码纸  d006  634
4. 读取指定列:usecols

usecols=[2]:指定第二列

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, usecols=[2])
print(data)
   数量
0  51  52  13  14  25  6

指定多列

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, usecols=[1, 3])
print(data)
    产品    金额
0  投影仪  2000
1  马克笔   300
2  打印机   298
3  点钞机   349
4  复印纸   100
5  条码纸    34

2.2.2 读取csv:read_csv()

Python数据分析(3):pandas_第2张图片

import pandas as pd
data = pd.read_csv('订单表.csv')
print(data)
   订单编号   产品  数量    金额
0  d001  投影仪  52000
1  d002  马克笔  5300
2  d003  打印机  1298
3  d004  点钞机  1349
4  d005  复印纸  2100
5  d006  条码纸  634

nrows参数可以指定显示的行数

import pandas as pd
data = pd.read_csv('订单表.csv', nrows=3)  # 显示三行
print(data)
   订单编号   产品  数量    金额
0  d001  投影仪  52000
1  d002  马克笔  5300
2  d003  打印机  1298

2.3 查看数据的行数和列数

2.3.1 查看前几行:head()

head()函数中参数为空默认前5行

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data.head())
   订单编号   产品  数量    金额
0  d001  投影仪  52000
1  d002  马克笔  5300
2  d003  打印机  1298
3  d004  点钞机  1349
4  d005  复印纸  2100

例:指定head(3)时如下

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data.head(3))
   订单编号   产品  数量    金额
0  d001  投影仪  52000
1  d002  马克笔  5300
2  d003  打印机  1298

2.3.2 查看行数和列数:shape

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data)
print(data.shape)
   订单编号   产品  数量    金额
0  d001  投影仪  52000
1  d002  马克笔  5300
2  d003  打印机  1298
3  d004  点钞机  1349
4  d005  复印纸  2100
5  d006  条码纸  634
(6, 4)

2.3.3 查看数据的类型:info()、dtype、astype()

1. info()函数

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name = 3)
print(data.info())
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6 entries, 0 to 5
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   订单编号    6 non-null      object
 1   产品      6 non-null      object
 2   数量      6 non-null      object
 3   金额      6 non-null      int64 
dtypes: int64(1), object(3)
memory usage: 320.0+ bytes
None

2. dtype参数

例:查看特定列的书库类型

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name = 3)
print(data['金额'].dtype)
int64

3. astype()函数

例:特定列的数据类型转换

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name = 3)
data['金额'] = data['金额'].astype('float64')
print(data)
print(data['金额'].dtype)
   订单编号   产品  数量      金额
0  d001  投影仪  52000.0
1  d002  马克笔  5300.0
2  d003  打印机  1298.0
3  d004  点钞机  1349.0
4  d005  复印纸  2100.0
5  d006  条码纸  634.0
float64

2.4 选择数据

2.4.1 选择行:loc()、iloc()

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)  #index_col指定行标签
print(data)
       产品  数量    金额
订单编号               
d001  投影仪  52000
d002  马克笔  5300
d003  打印机  1298
d004  点钞机  1349
d005  复印纸  2100
d006  条码纸  634

1. 挑选单行

loc()函数加行标签指定行

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)
print(data.loc['d001'])
产品     投影仪
数量      5台
金额    2000
Name: d001, dtype: object

iloc()函数加索引指定行号

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)
print(data.iloc[2])
产品    打印机
数量     1台
金额    298
Name: d003, dtype: object

2. 挑选多行

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)
print(data.loc[['d002', 'd004']])
       产品  数量   金额
订单编号              
d002  马克笔  5300
d004  点钞机  1349

iloc()挑选:

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)
print(data.iloc[[1, 5]])  # 1,5
       产品  数量   金额
订单编号              
d002  马克笔  5300
d006  条码纸  634
       产品  数量   金额

或者给出区间

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)
print(data.iloc[1:5])  #1-5
       产品  数量   金额
订单编号              
d002  马克笔  5300
d003  打印机  1298
d004  点钞机  1349
d005  复印纸  2100

3. 挑选满足条件的行

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)
a = data['金额'] < 300   #挑选金额>300的行
print(data[a])
       产品  数量   金额
订单编号              
d003  打印机  1298
d005  复印纸  2100
d006  条码纸  634

2.4.2 选择列数据:iloc()

1. 挑选单列

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data['产品'])
0    投影仪
1    马克笔
2    打印机
3    点钞机
4    复印纸
5    条码纸
Name: 产品, dtype: object

2. 挑选多列

例:通过列标签挑选多列

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data[['产品', '金额']])
    产品    金额
0  投影仪  2000
1  马克笔   300
2  打印机   298
3  点钞机   349
4  复印纸   100
5  条码纸    34

例:通过索引挑选多列

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data.iloc[:, [1,3]])
    产品    金额
0  投影仪  2000
1  马克笔   300
2  打印机   298
3  点钞机   349
4  复印纸   100
5  条码纸    34

或者写成区间

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data.iloc[:, 1:3])  # 左闭右开
    产品  数量
0  投影仪  51  马克笔  52  打印机  13  点钞机  14  复印纸  25  条码纸  6

2.4.3 同时选择行列数据

例:通过标签挑选

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)
data1 = data.loc[['d001', 'd005'], ['产品', '金额']]
print(data1)
       产品    金额
订单编号           
d001  投影仪  2000
d005  复印纸   100

例:通过索引挑选

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3, index_col=0)
data2 = data.iloc[[2, 4], [0, 2]]
print(data2)
       产品   金额
订单编号          
d003  打印机  298
d005  复印纸  100

2.5 修改行列标签:columns、index、set_index()

先查看一下数据

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data)
   订单编号   产品  数量    金额
0  d001  投影仪  52000
1  d002  马克笔  5300
2  d003  打印机  1298
3  d004  点钞机  1349
4  d005  复印纸  2100
5  d006  条码纸  634

set_index()设置行标签

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
print(data.set_index('订单编号'))  #订单编号那一列为行标签
       产品  数量    金额
订单编号               
d001  投影仪  52000
d002  马克笔  5300
d003  打印机  1298
d004  点钞机  1349
d005  复印纸  2100
d006  条码纸  634

例:字典一对一修改

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
data = data.rename(columns={'订单编号':'编号', '产品':'产品名称', '数量':'订单数量', '金额':'订单金额'}, 
                   index = {0:'A', 1:'B', 2:'C', 3:'D', 4:'E', 5:'F'})
print(data) 
     编号 产品名称 订单数量  订单金额
A  d001  投影仪   52000
B  d002  马克笔   5300
C  d003  打印机   1298
D  d004  点钞机   1349
E  d005  复印纸   2100
F  d006  条码纸   634

columns、index参数分别修改列、行标签

import pandas as pd
data = pd.read_excel('订单表.xlsx', sheet_name=3)
data.columns = ['编号', '产品名称', '订单数量', '订单金额']
data.index = ['A', 'B', 'C', 'D', 'E', 'F']
print(data)
     编号 产品名称 订单数量  订单金额
A  d001  投影仪   52000
B  d002  马克笔   5300
C  d003  打印机   1298
D  d004  点钞机   1349
E  d005  复印纸   2100
F  d006  条码纸   634

三. pandas进阶

3.1 数据的查找和替换

3.1.1 查找:isin()

Python数据分析(3):pandas_第3张图片

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
print(data)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   背包        16        65     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
2  a003   背包        16        65     23    368   1495   1127
3  a004  手提包        36       147     26    936   3822   2886
4  a005   钱包        90       187     78   7020  14586   7566
5  a006  单肩包        58       124     63   3654   7812   4158
6  a007  单肩包        58       124     58   3364   7192   3828

例:isin()函数查看表中是否有该值

data1 = data.isin(['a005','钱包'])   # 查找a005 或 钱包
print(data1)
      编号     产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  False  False     False     False  False  False  False  False
1  False   True     False     False  False  False  False  False
2  False  False     False     False  False  False  False  False
3  False  False     False     False  False  False  False  False
4   True   True     False     False  False  False  False  False
5  False  False     False     False  False  False  False  False
6  False  False     False     False  False  False  False  False

例:查看特定列是否有某值

data2 = data['产品'].isin(['手提包'])
print(data2)
0    False
1    False
2    False
3     True
4    False
5    False
6    False
Name: 产品, dtype: bool

3.1.2 替换:replace()

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
data.replace('背包', '挎包')    #并没有替换
print(data)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   背包        16        65     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
2  a003   背包        16        65     23    368   1495   1127
3  a004  手提包        36       147     26    936   3822   2886
4  a005   钱包        90       187     78   7020  14586   7566
5  a006  单肩包        58       124     63   3654   7812   4158
6  a007  单肩包        58       124     58   3364   7192   3828

可以看出上述代码并没有替换,那怎么替换呢?

1. 一对一替换

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
data.replace('背包', '挎包', inplace = True)  # 加入inplace=True
print(data)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   挎包        16        65     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
2  a003   挎包        16        65     23    368   1495   1127
3  a004  手提包        36       147     26    936   3822   2886
4  a005   钱包        90       187     78   7020  14586   7566
5  a006  单肩包        58       124     63   3654   7812   4158
6  a007  单肩包        58       124     58   3364   7192   3828

2. 多对一替换

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
data.replace(['背包', '手提包'], '挎包', inplace = True)
print(data)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   挎包        16        65     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
2  a003   挎包        16        65     23    368   1495   1127
3  a004   挎包        36       147     26    936   3822   2886
4  a005   钱包        90       187     78   7020  14586   7566
5  a006  单肩包        58       124     63   3654   7812   4158
6  a007  单肩包        58       124     58   3364   7192   3828

3. 多对多替换

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
data.replace({'背包':'挎包', 16:39, 65:88}, inplace = True)
print(data)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   挎包        39        88     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
2  a003   挎包        39        88     23    368   1495   1127
3  a004  手提包        36       147     26    936   3822   2886
4  a005   钱包        90       187     78   7020  14586   7566
5  a006  单肩包        58       124     63   3654   7812   4158
6  a007  单肩包        58       124     58   3364   7192   3828

3.2 数据的处理

3.2.1 插入:insert()

例:末尾插入一列

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
data['品牌'] = ['AM', 'DE', 'SR', 'AM', 'TY', 'DE', 'UD']
print(data)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()  品牌
0  a001   背包        16        65     60    960   3900   2940  AM
1  a002   钱包        90       187     50   4500   9350   4850  DE
2  a003   背包        16        65     23    368   1495   1127  SR
3  a004  手提包        36       147     26    936   3822   2886  AM
4  a005   钱包        90       187     78   7020  14586   7566  TY
5  a006  单肩包        58       124     63   3654   7812   4158  DE
6  a007  单肩包        58       124     58   3364   7192   3828  UD

例:指定插入到哪列

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
data.insert(2, '品牌', ['AM', 'DE', 'SR', 'AM', 'TY', 'DE', 'UD'])
print(data)
     编号   产品  品牌  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   背包  AM        16        65     60    960   3900   2940
1  a002   钱包  DE        90       187     50   4500   9350   4850
2  a003   背包  SR        16        65     23    368   1495   1127
3  a004  手提包  AM        36       147     26    936   3822   2886
4  a005   钱包  TY        90       187     78   7020  14586   7566
5  a006  单肩包  DE        58       124     63   3654   7812   4158
6  a007  单肩包  UD        58       124     58   3364   7192   3828

3.2.2 删除:drop()

axis参数可以指定删除行还是删除列

1. 删除列

例:指定标签删除

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
a = data.drop(['成本价(元/个)', '成本(元)'], axis = 1)
print(a)
     编号   产品  销售价(/)  数量()  收入()  利润()
0  a001   背包        65     60   3900   2940
1  a002   钱包       187     50   9350   4850
2  a003   背包        65     23   1495   1127
3  a004  手提包       147     26   3822   2886
4  a005   钱包       187     78  14586   7566
5  a006  单肩包       124     63   7812   4158
6  a007  单肩包       124     58   7192   3828

例:指定索引删除

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
b = data.drop(data.columns[[2, 5]], axis = 1)
print(b)
     编号   产品  销售价(/)  数量()  收入()  利润()
0  a001   背包        65     60   3900   2940
1  a002   钱包       187     50   9350   4850
2  a003   背包        65     23   1495   1127
3  a004  手提包       147     26   3822   2886
4  a005   钱包       187     78  14586   7566
5  a006  单肩包       124     63   7812   4158
6  a007  单肩包       124     58   7192   3828

方法三

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
c = data.drop(columns = ['成本价(元/个)', '成本(元)'])
print(c)
     编号   产品  销售价(/)  数量()  收入()  利润()
0  a001   背包        65     60   3900   2940
1  a002   钱包       187     50   9350   4850
2  a003   背包        65     23   1495   1127
3  a004  手提包       147     26   3822   2886
4  a005   钱包       187     78  14586   7566
5  a006  单肩包       124     63   7812   4158
6  a007  单肩包       124     58   7192   3828

2. 删除行

例:指定行标签删除

import pandas as pd
data = pd.read_excel('产品统计表.xlsx', index_col = 0)
a = data.drop(['a001', 'a004'], axis = 0)
print(a)
       产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
编号                                                       
a002   钱包        90       187     50   4500   9350   4850
a003   背包        16        65     23    368   1495   1127
a005   钱包        90       187     78   7020  14586   7566
a006  单肩包        58       124     63   3654   7812   4158
a007  单肩包        58       124     58   3364   7192   3828

例:指定索引删除

import pandas as pd
data = pd.read_excel('产品统计表.xlsx', index_col = 0)
b = data.drop(data.index[[0, 4]], axis = 0)
print(b)
       产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
编号                                                       
a002   钱包        90       187     50   4500   9350   4850
a003   背包        16        65     23    368   1495   1127
a004  手提包        36       147     26    936   3822   2886
a006  单肩包        58       124     63   3654   7812   4158
a007  单肩包        58       124     58   3364   7192   3828

方法三:

import pandas as pd
data = pd.read_excel('产品统计表.xlsx', index_col = 0)
c = data.drop(index = ['a001', 'a004'])
print(c)
       产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
编号                                                       
a002   钱包        90       187     50   4500   9350   4850
a003   背包        16        65     23    368   1495   1127
a005   钱包        90       187     78   7020  14586   7566
a006  单肩包        58       124     63   3654   7812   4158
a007  单肩包        58       124     58   3364   7192   3828

3.2.3 处理缺失值:isnulll()、dropna()、fillna()

import pandas as pd
data = pd.read_excel('产品统计表1.xlsx')
print(data)
     编号   产品  成本价(/)  销售价(/)  数量()   成本()  收入()  利润()
0  a001   背包      16.0        65     60   960.0   3900   2940
1  a002   钱包      90.0       187     50  4500.0   9350   4850
2  a003   背包       NaN        65     23   368.0   1495   1127
3  a004  手提包      36.0       147     26   936.0   3822   2886
4  a005   钱包      90.0       187     78  7020.0  14586   7566
5  a006  单肩包      58.0       124     63  3654.0   7812   4158
6  a007  单肩包      58.0       124     58     NaN   7192   3828

info()函数查看数据类型,还可以查看是否有缺失值

import pandas as pd
data = pd.read_excel('产品统计表1.xlsx')
data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 7 entries, 0 to 6
Data columns (total 8 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   编号        7 non-null      object 
 1   产品        7 non-null      object 
 2   成本价(/)  6 non-null      float64
 3   销售价(/)  7 non-null      int64  
 4   数量()     7 non-null      int64  
 5   成本()     6 non-null      float64
 6   收入()     7 non-null      int64  
 7   利润()     7 non-null      int64  
dtypes: float64(2), int64(4), object(2)
memory usage: 576.0+ bytes

1. 查看缺失值:isnull()

isnull()函数查看是否有缺失值;在numpy模块中用isnan()函数

import pandas as pd
data = pd.read_excel('产品统计表1.xlsx')
a = data.isnull()
print(a)
      编号     产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  False  False     False     False  False  False  False  False
1  False  False     False     False  False  False  False  False
2  False  False      True     False  False  False  False  False
3  False  False     False     False  False  False  False  False
4  False  False     False     False  False  False  False  False
5  False  False     False     False  False  False  False  False
6  False  False     False     False  False   True  False  False

2. 删除缺失值:dropna()

例:删除有缺失值的行

import pandas as pd
data = pd.read_excel('产品统计表1.xlsx')
b = data.dropna()
print(b)
     编号   产品  成本价(/)  销售价(/)  数量()   成本()  收入()  利润()
0  a001   背包      16.0        65     60   960.0   3900   2940
1  a002   钱包      90.0       187     50  4500.0   9350   4850
3  a004  手提包      36.0       147     26   936.0   3822   2886
4  a005   钱包      90.0       187     78  7020.0  14586   7566
5  a006  单肩包      58.0       124     63  3654.0   7812   4158

例:删除整行都为缺失值的行,需要指定how参数

import pandas as pd
data = pd.read_excel('产品统计表1.xlsx')
c = data.dropna(how = 'all')
print(c)
     编号   产品  成本价(/)  销售价(/)  数量()   成本()  收入()  利润()
0  a001   背包      16.0        65     60   960.0   3900   2940
1  a002   钱包      90.0       187     50  4500.0   9350   4850
2  a003   背包       NaN        65     23   368.0   1495   1127
3  a004  手提包      36.0       147     26   936.0   3822   2886
4  a005   钱包      90.0       187     78  7020.0  14586   7566
5  a006  单肩包      58.0       124     63  3654.0   7812   4158
6  a007  单肩包      58.0       124     58     NaN   7192   3828

3. 缺失值的填充:fillna()

import pandas as pd
data = pd.read_excel('产品统计表1.xlsx')
d = data.fillna(0)   # 缺失值全部填充为0
print(d)
     编号   产品  成本价(/)  销售价(/)  数量()   成本()  收入()  利润()
0  a001   背包      16.0        65     60   960.0   3900   2940
1  a002   钱包      90.0       187     50  4500.0   9350   4850
2  a003   背包       0.0        65     23   368.0   1495   1127
3  a004  手提包      36.0       147     26   936.0   3822   2886
4  a005   钱包      90.0       187     78  7020.0  14586   7566
5  a006  单肩包      58.0       124     63  3654.0   7812   4158
6  a007  单肩包      58.0       124     58     0.0   7192   3828

例:不同列的缺失值设置不同的填充值

import pandas as pd
data = pd.read_excel('产品统计表1.xlsx')
e = data.fillna({'成本价(元/个)':16, '成本(元)':3364})
print(e)
     编号   产品  成本价(/)  销售价(/)  数量()   成本()  收入()  利润()
0  a001   背包      16.0        65     60   960.0   3900   2940
1  a002   钱包      90.0       187     50  4500.0   9350   4850
2  a003   背包      16.0        65     23   368.0   1495   1127
3  a004  手提包      36.0       147     26   936.0   3822   2886
4  a005   钱包      90.0       187     78  7020.0  14586   7566
5  a006  单肩包      58.0       124     63  3654.0   7812   4158
6  a007  单肩包      58.0       124     58  3364.0   7192   3828

3.2.4 处理重复值:drop_duplicates()、subset、unique()

     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   背包        16        65     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
2  a003   背包        16        65     23    368   1495   1127
3  a004  手提包        36       147     26    936   3822   2886
4  a004  手提包        36       147     26    936   3822   2886   # 重复
5  a005   钱包        90       187     78   7020  14586   7566
6  a006  单肩包        58       124     63   3654   7812   4158

1. 删除重复行:drop_duplicates()

a = data.drop_duplicates()
print(a)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   背包        16        65     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
2  a003   背包        16        65     23    368   1495   1127
3  a004  手提包        36       147     26    936   3822   2886
5  a005   钱包        90       187     78   7020  14586   7566
6  a006  单肩包        58       124     63   3654   7812   4158

2. 删除某一列的重复值:subset

默认保留第一个重复值所在的行,删除其他重复值所在的行

b = data.drop_duplicates(subset = '产品')
print(b)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   背包        16        65     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
3  a004  手提包        36       147     26    936   3822   2886
6  a006  单肩包        58       124     63   3654   7812   4158

保留第一个重复值所在的行

c = data.drop_duplicates(subset = '产品', keep = 'first')
print(c)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
0  a001   背包        16        65     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
3  a004  手提包        36       147     26    936   3822   2886
6  a006  单肩包        58       124     63   3654   7812   4158

保留最后一个重复值所在的行

d = data.drop_duplicates(subset = '产品', keep = 'last')
print(d)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
2  a003   背包        16        65     23    368   1495   1127
4  a004  手提包        36       147     26    936   3822   2886
5  a005   钱包        90       187     78   7020  14586   7566
6  a006  单肩包        58       124     63   3654   7812   4158

是重复的就删除

e = data.drop_duplicates(subset = '产品', keep = False)
print(e)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
6  a006  单肩包        58       124     63   3654   7812   4158

3. 获取唯一值:unique()

f = data['产品'].unique()
print(f)
['背包' '钱包' '手提包' '单肩包']

3.2.5 排序数据:sort_values()、rank()

1. sort_values()

import pandas as pd
data = pd.read_excel('产品统计表2.xlsx')
a = data.sort_values(by = '数量(个)', ascending = True) #第一个参数指定列  第二个参数指定升序
print(a)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
2  a003   背包        16        65     23    368   1495   1127
3  a004  手提包        36       147     26    936   3822   2886
4  a004  手提包        36       147     26    936   3822   2886
1  a002   钱包        90       187     50   4500   9350   4850
0  a001   背包        16        65     60    960   3900   2940
6  a006  单肩包        58       124     63   3654   7812   4158
5  a005   钱包        90       187     78   7020  14586   7566

例:降序如下

b = data.sort_values(by = '数量(个)', ascending = False)
print(b)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
5  a005   钱包        90       187     78   7020  14586   7566
6  a006  单肩包        58       124     63   3654   7812   4158
0  a001   背包        16        65     60    960   3900   2940
1  a002   钱包        90       187     50   4500   9350   4850
3  a004  手提包        36       147     26    936   3822   2886
4  a004  手提包        36       147     26    936   3822   2886
2  a003   背包        16        65     23    368   1495   1127

2. rank()

c = data['利润(元)'].rank(method = 'average', ascending = False)  #指定利润降序排序  有重复值则返回重复值的平均排名
print(c)
0    4.0
1    2.0
2    7.0
3    5.5
4    5.5
5    1.0
6    3.0
Name: 利润(元), dtype: float64

参数指定first时,表示在数据有重复值时,越先出现的数据排名越靠前

d = data['利润(元)'].rank(method = 'first', ascending = False)
print(d)
0    4.0
1    2.0
2    7.0
3    5.0
4    6.0
5    1.0
6    3.0
Name: 利润(), dtype: float64

3.2.6 筛选数据

获取产品为单肩包的行数据

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
a = data[data['产品'] == '单肩包']   #获取产品为单肩包的行数据
print(a)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
5  a006  单肩包        58       124     63   3654   7812   4158
6  a007  单肩包        58       124     58   3364   7192   3828

获取数量>60的行数据

b = data[data['数量(个)'] > 60]  # 获取数量>60的行数据
print(b)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
4  a005   钱包        90       187     78   7020  14586   7566
5  a006  单肩包        58       124     63   3654   7812   4158

获取产品为单肩包 且 数量>60 的行数据

c = data[(data['产品'] == '单肩包') & (data['数量(个)'] > 60)]
print(c)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
5  a006  单肩包        58       124     63   3654   7812   4158

获取产品为单肩包 或 数量>60 的行数据

d = data[(data['产品'] == '单肩包') | (data['数量(个)'] > 60)]
print(d)
     编号   产品  成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
4  a005   钱包        90       187     78   7020  14586   7566
5  a006  单肩包        58       124     63   3654   7812   4158
6  a007  单肩包        58       124     58   3364   7192   3828

3.3 数据表的处理

3.3.1 转置表的行列:T

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
a = data.T
print(a)
             0     1     2     3      4     5     6
编号        a001  a002  a003  a004   a005  a006  a007
产品          背包    钱包    背包   手提包     钱包   单肩包   单肩包
成本价(/)    16    90    16    36     90    58    58
销售价(/)    65   187    65   147    187   124   124
数量()       60    50    23    26     78    63    58
成本()      960  4500   368   936   7020  3654  3364
收入()     3900  9350  1495  3822  14586  7812  7192
利润()     2940  4850  1127  2886   7566  4158  3828

3.3.2 将表转换成树形结构:stack()

     编号   产品  销售价(/)  数量()  收入()
0  a001   背包        65     60   3900
1  a002   钱包       187     50   9350
2  a003  单肩包       124     58   7192

例:stack()函数转换成树形结构

a = data.stack()
print(a)
0  编号          a001
   产品            背包
   销售价(/)      65
   数量()         60
   收入()       3900
1  编号          a002
   产品            钱包
   销售价(/)     187
   数量()         50
   收入()       9350
2  编号          a003
   产品           单肩包
   销售价(/)     124
   数量()         58
   收入()       7192
dtype: object

3.3.3 表的拼接:merge()、concat()、append()

import pandas as pd
data1 = pd.read_excel('产品表.xlsx', sheet_name = 0)  #第0张工作簿
data2 = pd.read_excel('产品表.xlsx',sheet_name = 1)   #第1张工作簿
print(data1)
print(data2)
   员工编号 员工姓名 员工性别
0  a001   张三    男
1  a002   李四    女
2  a003   王五    男
3  a004   赵六    男
   员工编号 员工姓名    销售业绩
0  a001   张三  360000
1  a002   李四  458000
2  a003   王五  369000
3  a004   赵六  450000
4  a005   钱七  500000

1. merge()

a = pd.merge(data1, data2)  #行取交集  列取并集
print(a)
   员工编号 员工姓名 员工性别    销售业绩
0  a001   张三    男  360000
1  a002   李四    女  458000
2  a003   王五    男  369000
3  a004   赵六    男  450000

how参数指定外连接

b = pd.merge(data1, data2, how = 'outer')    #行取并集  列取并集
print(b)
   员工编号 员工姓名 员工性别    销售业绩
0  a001   张三    男  360000
1  a002   李四    女  458000
2  a003   王五    男  369000
3  a004   赵六    男  450000
4  a005   钱七  NaN  500000

on参数指定按哪一列合并

c = pd.merge(data1, data2, on = '员工姓名')
print(c)
  员工编号_x 员工姓名 员工性别 员工编号_y    销售业绩
0   a001   张三    男   a001  360000
1   a002   李四    女   a002  458000
2   a003   王五    男   a003  369000
3   a004   赵六    男   a004  450000

2. concat()

concat()函数采用全连接的方式,没有的数设置为缺失值

d = pd.concat([data1, data2])
print(d)
   员工编号 员工姓名 员工性别      销售业绩
0  a001   张三    男       NaN
1  a002   李四    女       NaN
2  a003   王五    男       NaN
3  a004   赵六    男       NaN
0  a001   张三  NaN  360000.0
1  a002   李四  NaN  458000.0
2  a003   王五  NaN  369000.0
3  a004   赵六  NaN  450000.0
4  a005   钱七  NaN  500000.0

重置行标签

e = pd.concat([data1, data2], ignore_index = True)  #重置行标签
print(e)
   员工编号 员工姓名 员工性别      销售业绩
0  a001   张三    男       NaN
1  a002   李四    女       NaN
2  a003   王五    男       NaN
3  a004   赵六    男       NaN
4  a001   张三  NaN  360000.0
5  a002   李四  NaN  458000.0
6  a003   王五  NaN  369000.0
7  a004   赵六  NaN  450000.0
8  a005   钱七  NaN  500000.0

3. append()

效果与concat()全连接一样

f = data1.append(data2)
print(f)
   员工编号 员工姓名 员工性别      销售业绩
0  a001   张三    男       NaN
1  a002   李四    女       NaN
2  a003   王五    男       NaN
3  a004   赵六    男       NaN
0  a001   张三  NaN  360000.0
1  a002   李四  NaN  458000.0
2  a003   王五  NaN  369000.0
3  a004   赵六  NaN  450000.0
4  a005   钱七  NaN  500000.0

末尾添加行元素

g = data1.append({'员工编号':'a005', '员工姓名':'孙七', '员工性别':'男'}, ignore_index = True)
print(g)
   员工编号 员工姓名 员工性别
0  a001   张三    男
1  a002   李四    女
2  a003   王五    男
3  a004   赵六    男
4  a005   孙七    男

3.4 数据的运算

3.4.1 统计运算:sum()、mean()、max()

1. 求和:sum()

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
a = data.sum()  # 每一列求和
print(a)
编号          a001a002a003a004a005a006a007
产品                     背包钱包背包手提包钱包单肩包单肩包
成本价(/)                             364
销售价(/)                             899
数量()                                358
成本()                              20802
收入()                              48157
利润()                              27355
dtype: object

例:指定列求和

b = data['利润(元)'].sum()
print(b)
27355

2. 求平均值:mean()

c = data.mean() #每一列求平均值
print(c)
成本价(/)      52.000000
销售价(/)     128.428571
数量()         51.142857
成本()       2971.714286
收入()       6879.571429
利润()       3907.857143
dtype: float64

例:指定列求均值

d = data['利润(元)'].mean()
print(d)
3907.8571428571427

3. 求最值:max()

e = data.max()
print(e)
编号           a007
产品             钱包
成本价(/)       90
销售价(/)      187
数量()          78
成本()        7020
收入()       14586
利润()        7566
dtype: object

例:指定列求最值

f = data['利润(元)'].max()
print(f)
7566

3.4.2 获取数值分布情况:describe()

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
a = data.describe()
print(a)
        成本价(/)    销售价(/)      数量()        成本()         收入()        利润()
count   7.000000    7.000000   7.000000     7.000000      7.000000     7.000000
mean   52.000000  128.428571  51.142857  2971.714286   6879.571429  3907.857143
std    31.112698   50.483849  20.053500  2391.447659   4352.763331  2002.194498
min    16.000000   65.000000  23.000000   368.000000   1495.000000  1127.000000
25%    26.000000   94.500000  38.000000   948.000000   3861.000000  2913.000000
50%    58.000000  124.000000  58.000000  3364.000000   7192.000000  3828.000000
75%    74.000000  167.000000  61.500000  4077.000000   8581.000000  4504.000000
max    90.000000  187.000000  78.000000  7020.000000  14586.000000  7566.000000

例:获取单列的情况

b = data['利润(元)'].describe()
print(b)
count       7.000000
mean     3907.857143
std      2002.194498
min      1127.000000
25%      2913.000000
50%      3828.000000
75%      4504.000000
max      7566.000000
Name: 利润(), dtype: float64

3.4.3 计算相关系数:corr()

import pandas as pd
data = pd.read_excel('相关性分析.xlsx')
print(data)
   代理商编号  年销售额(万元)  年广告费投入额(万元)  成本费用(万元)  管理费用(万元)
0  A-001      20.5         15.6      2.00      0.80
1  A-003      24.5         16.7      2.54      0.94
2  B-002      31.8         20.4      2.96      0.88
3  B-006      34.9         22.6      3.02      0.79
4  B-008      39.4         25.7      3.14      0.84
5  C-003      44.5         28.8      4.00      0.80
6  C-004      49.6         32.1      6.84      0.85
7  C-007      54.8         35.9      5.60      0.91
8  D-006      58.5         38.7      6.45      0.90

corr()函数获取相关系数

a = data.corr()
print(a)
             年销售额(万元)  年广告费投入额(万元)  成本费用(万元)  管理费用(万元)
年销售额(万元)     1.000000     0.996275  0.914428  0.218317
年广告费投入额(万元)  0.996275     1.000000  0.918404  0.223187
成本费用(万元)     0.914428     0.918404  1.000000  0.284286
管理费用(万元)     0.218317     0.223187  0.284286  1.000000

例:获取指定列与其他列的相关系数

b = data.corr()['年销售额(万元)']
print(b)
年销售额(万元)       1.000000
年广告费投入额(万元)    0.996275
成本费用(万元)       0.914428
管理费用(万元)       0.218317
Name: 年销售额(万元), dtype: float64

3.4.4 分组汇总数据:groupby()

Python数据分析(3):pandas_第4张图片

import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
a = data.groupby('产品')    #根据产品列分组
print(a)
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x00000213943E4640>

groupby()函数返回的是一个DataFrameBy对象,该对象包含分组后的数据,但是不能直观地显示出来。

b = data.groupby('产品').sum()
print(b)
     成本价(/)  销售价(/)  数量()  成本()  收入()  利润()
产品                                                 
单肩包       116       248    121   7018  15004   7986
手提包        36       147     26    936   3822   2886
背包         32       130     83   1328   5395   4067
钱包        180       374    128  11520  23936  12416

分组后获取指定列的汇总情况

c = data.groupby('产品')['利润(元)'].sum()
print(c)
产品
单肩包     7986
手提包     2886
背包      4067
钱包     12416
Name: 利润(), dtype: int64

获取多列的汇总情况

d = data.groupby('产品')['数量(个)', '利润(元)'].sum()
print(d)
     数量()  利润()
产品               
单肩包    121   7986
手提包     26   2886
背包      83   4067
钱包     128  12416

3.4.5 创建数据透视表:pivot_table()

  • values参数用于指定要计算的列
  • index参数用于指定一个列作为数据透视表的行标签
  • aggfunc参数用于指定参数values的计算类型
import pandas as pd
data = pd.read_excel('产品统计表.xlsx')
a = pd.pivot_table(data, values = '利润(元)', index = '产品', aggfunc = 'sum')  #data.groupby('产品')['利润(元)'].sum()  同样功能
print(a)
     利润()
产品        
单肩包   7986
手提包   2886
背包    4067
钱包   12416

获取多列的情况

b = pd.pivot_table(data, values = ['利润(元)', '成本(元)'], index = '产品', aggfunc = 'sum')
print(b)
     利润()  成本()
产品               
单肩包   7986   7018
手提包   2886    936
背包    4067   1328
钱包   12416  11520

你可能感兴趣的:(python,pandas,python,数据分析)