【Python数据分析 ：Task4】
天池龙珠计划Python训练营
系列文章目录
在pandas中有两类非常重要的数据结构，即序列Series和数据框DataFrame。Series类似于numpy中的一维数组，除了通吃一维数组可用的函数或方法，而且其可通过索引标签的方式获取数据，还具有索引的自动对齐功能；DataFrame类似于numpy中的二维数组，同样可以通用numpy数组的函数和方法，
文章目录
- 天池龙珠计划Python训练营
- 系列文章目录
- 前言
- 一. 数据结构简介：DataFrame和Series
-
- 1.1 Series的创建
- 二. 数据索引index
-
- 2.1 通过索引值或索引标签获取数据
- 2.2 自动化对齐
- 三. 利用pandas查询数据
-
- 1.引入代码
- 四. 利用pandas的DataFrames进行统计分析
- 五. 利用pandas实现SQL操作
-
- **改：修改原始记录的值**
- **查：有关数据查询部分，上面已经介绍过**
- **排序：**
- 多表连接:
- 六. 利用pandas进行缺失值的处理
-
- 默认情况下，dropna会删除任何含有缺失值的行
- 七. 利用pandas实现Excel的数据透视表功能
-
- 使用多个聚合函数
- 八. 多层索引的使用
前言
pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。
一. 数据结构简介：DataFrame和Series
1.1 Series的创建
import numpy as np, pandas as pd
通过一维数组创建序列
arr1 = np.arange(10)
通过字典的方式创建序列
dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}
df_series = pd.Series(arr1)
----------------------------------------------------
通过DataFrame中的某一行或某一列创建序列
arr2 = np.array(np.arange(12)).reshape(4,3)
通过字典的方式创建数据框
dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],'c':[9,10,11,12],'d':[13,14,15,16]}
dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},'two':{'a':5,'b':6,'c':7,'d':8},'three':{'a':9,'b':10,'c':11,'d':12}}
通过数据框的方式创建数据框
df4 = df3[['one','three']]
创建DF
df_series = pd.DataFrame(arr2|dic2|dic3)
二. 数据索引index
2.1 通过索引值或索引标签获取数据
print(s4)可以直接看index的values
s4 = pd.Series(np.array([1,1,2,3,5,8]))
自定义的索引值
s4.index = ['a','b','c','d','e','f']
序列有了索引，就可以通过索引值或索引标签进行数据的获取：
input: result :
print('s4[3]:',s4[3]) s4[3]: 3
print('s4[e]: ',s4['e']) s4[e]: 5
千万注意：如果通过索引标签获取数据的话，末端标签所对应的值是可以返回的！在一维数组中，就无法通过索引标签获取数据，这也是序列不同于一维数组的一个方面。
2.2 自动化对齐
s5 = pd.Series(np.array([10,15,20,30,55,80]),index = ['a','b','c','d','e','f'])
s6 = pd.Series(np.array([12,11,13,15,14,16]),index = ['a','c','g','b','d','f'])
print(s5 + s6)
print(s5/s6)
由于s5中没有对应的g索引，s6中没有对应的e索引，所以数据的运算会产生两个缺失值NaN。注意，这里的算术结果就实现了两个序列索引的自动对齐，而非简单的将两个序列加总或相除。对于数据框的对齐，不仅仅是行索引的自动对齐，同时也会自动对齐列索引（变量名）
数据框中同样有索引，而且数据框是二维数组的推广，所以其不仅有行索引，而且还存在列索引，关于数据框中的索引相比于序列的应用要强大的多，这部分内容将放在数据查询中讲解。
三. 利用pandas查询数据
这里的查询数据相当于R语言里的subset功能，可以通过布尔索引有针对的选取原数据的子集、指定行、指定列等。我们先导入一个student数据集
1.引入代码
import pandas as pd
stu_dic = {'Age':[14,13,13,14,14,12,12,15,13,12,11,14,12,15,16,12,15,11,15],
'Height':[69,56.5,65.3,62.8,63.5,57.3,59.8,62.5,62.5,59,51.3,64.3,56.3,66.5,72,64.8,67,57.5,66.5],
'Name':['Alfred','Alice','Barbara','Carol','Henry','James','Jane','Janet','Jeffrey','John','Joyce','Judy','Louise','Marry','Philip','Robert','Ronald','Thomas','Willam'],
'Sex':['M','F','F','F','M','M','F','F','M','M','F','F','F','F','M','M','M','M','M'],
'Weight':[112.5,84,98,102.5,102.5,83,84.5,112.5,84,99.5,50.5,90,77,112,150,128,133,85,112]}
student = pd.DataFrame(stu_dic)
查询数据的前5行或末尾5行
student.head()
student.tail()
查询指定的【行】 和 【列】
student.loc[[0,2,4,5,7]]
student[['Name','Height','Weight']].head() #如果多个列的话，必须使用双重中括号
也可以通过loc索引标签查询指定的列
student.loc[:,['Name','Height','Weight']].head()
查询出所有12岁以上的女生信息
student[(student['Sex']=='F') & (student['Age']>12)]
查询出所有12岁以上的女生姓名、身高和体重
student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]
上面的查询逻辑其实非常的简单，需要注意的是，如果是多个条件的查询，必须在&（且）或者|（或）的两端条件用括号括起来。
四. 利用pandas的DataFrames进行统计分析
pandas模块为我们提供了非常多的描述性统计分析的指标函数，如总和、均值、最小值、最大值等，我们来具体看看这些函数： 首先随机生成三组数据
np.random.seed(1234)
d1 = pd.Series(2*np.random.normal(size = 100)+3)
d2 = np.random.f(2,4,size = 100)
d3 = np.random.randint(1,100,size = 100)
print('非空元素计算: ', d1.count()) #非空元素计算
print('最小值: ', d1.min()) #最小值
print('最大值: ', d1.max()) #最大值
print('最小值的位置: ', d1.idxmin()) #最小值的位置，类似于R中的which.min函数
print('最大值的位置: ', d1.idxmax()) #最大值的位置，类似于R中的which.max函数
print('10%分位数: ', d1.quantile(0.1)) #10%分位数
print('求和: ', d1.sum()) #求和
print('均值: ', d1.mean()) #均值
print('中位数: ', d1.median()) #中位数
print('众数: ', d1.mode()) #众数
print('方差: ', d1.var()) #方差
print('标准差: ', d1.std()) #标准差
print('平均绝对偏差: ', d1.mad()) #平均绝对偏差
print('偏度: ', d1.skew()) #偏度
print('峰度: ', d1.kurt()) #峰度
print('描述性统计指标: ', d1.describe()) #一次性输出多个描述性统计指标
必须注意的是，descirbe方法只能针对序列或数据框，一维数组是没有这个方法的
在实际的工作中，我们可能需要处理的是一系列的数值型数据框，如何将这个函数应用到数据框中的每一列呢？可以使用apply函数，这个非常类似于R中的apply的应用方法。 将之前创建的d1,d2,d3数据构建数据框:
df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])
df.apply(stats)
非常完美，就这样很简单的创建了数值型数据的统计性描述。如果是离散型数
据呢？就不能用这个统计口径了，我们需要统计离散变量的观测数、唯一值个
数、众数水平及个数。你只需要使用describe方法就可以实现这样的统计了
student['Sex'].describe()
除以上的简单描述性统计之外，还提供了连续变量的相关系数（corr）和协方
差矩阵（cov）的求解，这个跟R语言是一致的用法。
df.corr()
df.corr('spearman')
df.cov() #数值型变量间的协方差矩阵
如果只想关注某一个变量与其余变量的相关系数的话，可以使用corrwith,如下方只关心x1与其余变量的相关系数
df.corrwith(df['x1'])
五. 利用pandas实现SQL操作
在SQL中常见的操作主要是增、删、改、查几个动作，那么pandas能否实现对数据的这几项操作呢？答案是Of Course!
dic = {'Name':['LiuShunxiang','Zhangshan'],'Sex':['M','F'],'Age':[27,23],'Height':[165.7,167.2],'Weight':[61,63]}
student2 = pd.DataFrame(dic)
Age Height Name Sex Weight
0 27 165.7 LiuShunxiang M 61
1 23 167.2 Zhangshan F 63
在将student2中的数据新增到student中，可以通过concat函数实现
student3 = pd.concat([student,student2])
Age Height Name Sex Weight
0 14 69.0 Alfred M 112.5
1 13 56.5 Alice F 84.0
2 13 65.3 Barbara F 98.0
3 14 62.8 Carol F 102.5
4 14 63.5 Henry M 102.5
5 12 57.3 James M 83.0
6 12 59.8 Jane F 84.5
7 15 62.5 Janet F 112.5
8 13 62.5 Jeffrey M 84.0
9 12 59.0 John M 99.5
10 11 51.3 Joyce F 50.5
11 14 64.3 Judy F 90.0
12 12 56.3 Louise F 77.0
13 15 66.5 Marry F 112.0
14 16 72.0 Philip M 150.0
15 12 64.8 Robert M 128.0
16 15 67.0 Ronald M 133.0
17 11 57.5 Thomas M 85.0
18 15 66.5 Willam M 112.0
0 27 165.7 LiuShunxiang M 61.0
1 23 167.2 Zhangshan F 63.0
注意到了吗？在数据库中union必须要求两张表的列顺序一致，而这里concat函数可以自动对齐两个数据框的变量！新增列的话，其实在pandas中就更简单了
print(pd.DataFrame(student2, columns=['Age','Height','Name','Sex','Weight','Score']))
Age Height Name Sex Weight Score
0 27 165.7 LiuShunxiang M 61 NaN
1 23 167.2 Zhangshan F 63 NaN
对于新增的列没有赋值，就会出现空NaN的形式。
删：删除表、观测行或变量列
del student2
删除指定的行
student.drop([0,1,3,6])
根据布尔索引删除行数据，其实这个删除就是保留删除条件的反面数据，例如删除所有14岁以下的学生：
student[student['Age']>14]
删除指定的列
student.drop(['Height','Weight'],axis=1).head()
我们发现，不论是删除行还是删除列，都可以通过drop方法实现，只需要设定
好删除的轴即可，即调整drop方法中的axis参数。默认该参数为0，表示删除
行观测，如果需要删除列变量，则需设置为1。
改：修改原始记录的值
如果发现表中的某些数据错误了，如何更改原来的值呢？我们试试结合布尔索引和赋值的方法： 例如发现student3中姓名为LiuShunxiang的学生身高错了，应该是173，如何改呢？
student3.loc[student3['Name'] == 'LiuShunxiang','Height']=173
print(student3[student3['Name'] == 'LiuShunxiang'][['Name','Height']])
查：有关数据查询部分，上面已经介绍过
聚合：pandas模块中可以通过groupby()函数实现数据的聚合操作
根据性别分组，计算各组别中学生身高和体重的平均值
print(student.groupby('Sex').mean())
如果不对原始数据作限制的话，聚合函数会自动选择数值型数据进行聚合计算。如果不想对年龄计算平均值的话，就需要剔除改变量：
print(student.drop('Age',axis=1).groupby('Sex').mean())
groupby还可以使用多个分组变量，例如根本年龄和性别分组，计算身高与体重的平均值：
print(student.groupby(['Sex','Age']).mean())
排序：
排序在日常的统计分析中还是比较常见的操作，我们可以使用sort_index和sort_values实现序列和数据框的排序工作
Data = pd.Series(np.array(np.random.randint(1,20,10)))
print(Data)
print(Data.sort_index())
print(Data.sort_values(ascending=False))
print(student.sort_values(by = ['Age','Height']))
多表连接:
多表之间的连接也是非常常见的数据库操作，连接分内连接和外连接，在数据库语言中通过join关键字实现，pandas我比较建议使用merger函数实现数据的各种连接操作。 如下是构造一张学生的成绩表：
dic2 = {'Name':['Alfred','Alice','Barbara','Carol','Henry','Jeffrey','Judy','Philip','Robert','Willam'],
'Score':[88,76,89,67,79,90,92,86,73,77]}
score = pd.DataFrame(dic2)
print(score)
现在想把学生表student与学生成绩表score做一个关联，该如何操作呢？
stu_score1 = pd.merge(student, score, on='Name')
print(stu_score1)
注意，默认情况下，merge函数实现的是两个表之间的内连接，即返回两张表中共同部分的数据。可以通过how参数设置连接的方式，left为左连接；right为右连接；outer为外连接。
stu_score2 = pd.merge(student, score, on='Name', how='left')
print(stu_score2)
Age Height Name Sex Weight Score
0 14 69.0 Alfred M 112.5 88.0
1 13 56.5 Alice F 84.0 76.0
2 13 65.3 Barbara F 98.0 89.0
3 14 62.8 Carol F 102.5 67.0
4 14 63.5 Henry M 102.5 79.0
5 12 57.3 James M 83.0 NaN
6 12 59.8 Jane F 84.5 NaN
7 15 62.5 Janet F 112.5 NaN
8 13 62.5 Jeffrey M 84.0 90.0
9 12 59.0 John M 99.5 NaN
10 11 51.3 Joyce F 50.5 NaN
11 14 64.3 Judy F 90.0 92.0
12 12 56.3 Louise F 77.0 NaN
13 15 66.5 Marry F 112.0 NaN
14 16 72.0 Philip M 150.0 86.0
15 12 64.8 Robert M 128.0 73.0
16 15 67.0 Ronald M 133.0 NaN
17 11 57.5 Thomas M 85.0 NaN
18 15 66.5 Willam M 112.0 77.0
左连接实现的是保留student表中的所有信息，同时将score表的信息与之配对，能配多少
配多少，对于没有配对上的Name，将会显示成绩为NaN。
六. 利用pandas进行缺失值的处理
现实生活中的数据是非常杂乱的，其中缺失值也是非常常见的，对于缺失值的存在可能会影响到后期的数据分析或挖掘工作，那么我们该如何处理这些缺失值呢？
常用的有三大类方法，即删除法、填补法和插值法。
- 删除法：当数据中的某个变量大部分值都是缺失值，可以考虑删除改变量；当缺失值是随机分布的，且缺失的数量并不是很多是，也可以删除这些缺失的观测。
- 替补法：对于连续型变量，如果变量的分布近似或就是正态分布的话，可以用均值替代那些缺失值；如果变量是有偏的，可以使用中位数来代替那些缺失值；对于离散型变量，我们一般用众数去替换那些存在缺失的观测。
- 插补法：插补法是基于蒙特卡洛模拟法，结合线性模型、广义线性模型、决策树等方法计算出来的预测值替换缺失值。
s = stu_score2['Score']
print(s)
0 88.0
1 76.0
2 89.0
3 67.0
4 79.0
5 NaN
6 NaN
7 NaN
8 90.0
9 NaN
10 NaN
11 92.0
12 NaN
13 NaN
14 86.0
15 73.0
16 NaN
17 NaN
18 77.0
Name: Score, dtype: float64
这是一组含有缺失值的序列，我们可以结合sum函数和isnull函数来检测数据中含有多少缺失值
print(sum(pd.isnull(s))) == 9
直接删除缺失值
print(s.dropna())
默认情况下，dropna会删除任何含有缺失值的行
df = pd.DataFrame([[1,1,2],[3,5,np.nan],[13,21,34],[55,np.nan,10],[np.nan,np.nan,np.nan],[np.nan,1,2]],columns=('x1','x2','x3'))
print(df)
print(df.dropna())
返回结果表明，数据中只要含有缺失值NaN,该数据行就会被删除，如果使用参数
how=’all’，则表明只删除所有行为缺失值的观测;
使用一个常量来填补缺失值，可以使用fillna函数实现简单的填补工作
用0填补所有缺失值 ----df.fillna(0)
采用前项填充或后向填充
print(df.fillna(method='ffill'))
print(df.fillna(method='bfill'))
使用常量填充不同的列
df.fillna({'x1':1,'x2':2,'x3':3})
x1_median=df['x1'].median()
x2_mean=df['x2'].mean()
x3_mean=df['x3'].mean()
print(x1_median)
print(x2_mean)
print(x3_mean)
print(df.fillna({'x1':x1_median,'x2':x2_mean,'x3':x3_mean}))
很显然，在使用填充法时，相对于常数填充或前项、后项填充，使用各列的众数、均值或中位数填充要更加合理一点，这也是工作中常用的一个快捷手段
七. 利用pandas实现Excel的数据透视表功能
在Excel中有一个非常强大的功能就是数据透视表，通过托拉拽的方式可以迅速的查看数据的聚合情况，这里的聚合可以是计数、求和、均值、标准差等。 pandas为我们提供了非常强大的函数pivot_table()，该函数就是实现数据透视表功能的。对于上面所说的一些聚合函数，可以通过参数aggfunc设定。我们先看看这个函数的语法和参数pivot_table(data,values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All')
- data：需要进行数据透视表操作的数据框
- values：指定需要聚合的字段
- index：指定某些原始变量作为行索引
- columns：指定哪些离散的分组变量
- aggfunc：指定相应的聚合函数
- fill_value：使用一个常数替代缺失值，默认不替换
- margins：是否进行行或列的汇总，默认不汇总
- dropna：默认所有观测为缺失的列
- margins_name：默认行汇总或列汇总的名称为’All’
我们仍然以student表为例，来认识一下数据透视表pivot_table函数的用法： 对一个分组变量（Sex），一个数值变量（Height）作统计汇总
Table1 = pd.pivot_table(student, values=['Height'], columns=['Sex'])
print(Table1)
Sex F M
Height 60.588889 63.91
对一个分组变量（Sex），两个数值变量（Height,Weight）作统计汇总
Table2 = pd.pivot_table(student, values=['Height','Weight'], columns=['Sex'])
print(Table2)
Sex F M
Height 60.588889 63.91
Weight 90.111111 108.95
Table3 = pd.pivot_table(student, values=['Height','Weight'], columns=['Sex','Age'])
Sex Age
Height F 11 51.300000
12 58.050000
13 60.900000
14 63.550000
15 64.500000
M 11 57.500000
12 60.366667
13 62.500000
14 66.250000
15 66.750000
16 72.000000
Weight F 11 50.500000
12 80.750000
13 91.000000
14 96.250000
15 112.250000
M 11 85.000000
12 103.500000
13 84.000000
14 107.500000
15 122.500000
16 150.000000
dtype: float64
很显然这样的结果并不像Excel中预期的那样，该如何变成列联表的形式的？很简单，只需
将结果进行非堆叠操作（unstack）即可：
对两个分组变量（Sex，Age)，两个数值变量（Height,Weight）作统计汇总
Table4 = pd.pivot_table(student, values=['Height','Weight'], columns=['Sex','Age']).unstack()
print(Table4)
Age 11 12 13 14 15 16
Sex
Height F 51.3 58.050000 60.9 63.55 64.50 NaN
M 57.5 60.366667 62.5 66.25 66.75 72.0
Weight F 50.5 80.750000 91.0 96.25 112.25 NaN
M 85.0 103.500000 84.0 107.50 122.50 150.0
使用多个聚合函数
Table5 = pd.pivot_table(student, values=['Height','Weight'], columns=['Sex'],aggfunc=[np.mean,np.median,np.std])
print(Table5)
mean median std
Sex F M F M F M
Height 60.588889 63.91 62.5 64.15 5.018328 4.937937
Weight 90.111111 108.95 90.0 107.25 19.383914 22.727186
有关更多数据透视表的操作，可参考《Pandas透视表（pivot_table）详解》一文，链接地址：http://python.jobbole.com/81212/
八. 多层索引的使用
最后我们再来讲讲pandas中的一个重要功能，那就是多层索引。在序列中它可以实现在一个轴上拥有多个索引，就类似于Excel中常见的这种形式：
对于这样的数据格式有什么好处呢？pandas可以帮我们实现用低维度形式处理高维数数据，这里举个例子也许你就能明白了：
# Series的层次化索引，索引是一个二维数组，相当于两个索引决定一个值
# 有点类似于DataFrame的行索引和列索引
s = pd.Series(np.arange(1,10),index=[["a","a","a","b","b","c","c","d","d"],[1,2,3,1,2,3,1,2,3]])
print(s)
print(s.index)
#选取外层索引为a的数据
print(s['a'])
#选取外层索引为a和内层索引为1的数据
print(s['a',1])
#选取外层索引为a和内层索引为1,3的数据
print(s['a'][[1,3]])
#层次化索引的切片，包括右端的索引
print(s[['a','c']])
print(s['b':'d'])
#通过unstack方法可以将Series变成一个DataFrame
#数据的类型以及数据的输出结构都变成了DataFrame，对于不存在的位置使用NaN填充
print(s.unstack())
DataFrame的层次化索引
data = pd.DataFrame(np.random.randint(0,150,size=(8,12)),
columns = pd.MultiIndex.from_product([['模拟考','正式考'],
['数学','语文','英语','物理','化学','生物']]),
index = pd.MultiIndex.from_product([['期中','期末'],
['雷军','李斌'],
['测试一','测试二']]))
data['模拟考'][['语文','数学']]
print(data.loc['期中','雷军','测试一']['模拟考','数学'])
转发学习-pandas ---------------------------- url
和阿里天池