pandas数据分析方法

环境配置

安装pandas、numpy、xlrd

1.使用cmd pip install pandas
2.安装xlrd，否则打不开excel文件
3. 使用这个路径下载模块https://pypi.tuna.tsinghua.edu.cn/simple

数据的读取

创建文件

excel文件并写数据，to_csv同理，to_sql则需要连接数据库操作

import pandas as pd
路径=r'D:\pandas测试\张绍林.xlsx'
data1={'num':[1,2,3,4,5],'name':['tom','jerry','geroge','apple','pear'],'age':[12,23,24,25,26]}
data=pd.DataFrame(data1)
data=data.set_index('num')    #重新设置索引，不设置的话会新增一列索引列，从0开始
data.to_excel(路径)
print('success')

读写csv或txt数据

dataframe描述数据集方法

read_csv（方法）()
①sep=‘’ 默认逗号分隔
②header=None/0 列名的行号，默认0第一行，设置为None后为无列名，自增数字为列
③names=[]自定义设置列名，与header=None配合，不一定数量保持一致
④index_col=[]设置索引列，可以是多个，检索df[‘列名’][‘索引名’]实现数据查找
⑤skiprows[]需要跳过行的列表
⑥encoding=‘utf-8’ /‘gbk’编码规则
⑦nrows=3 代表读取前几行
⑧chunksize=1000，代表可以每一千行读取数据，然后分步处理
⑨parse_dates 直接设置为datetime

import pandas as pd
address=r'D:\pandas测试\杭州结果.txt'
data=pd.read_csv(address,sep=',',header=None,names=['a','b','c','d','e','f','h','j'],index_col=['a','b'])
data

读写mysql数据

使用read_sql函数，返回dataframe数据

import MySQLdb
mysql_cn= MySQLdb.connect(host='xxxxx',
                port=3306,user='root', passwd='123456',
                db='xxxxxx')
tables= pd.read_sql('show tables;', con=mysql_cn)

读取与修改excel数据

报错第一行增加

-- coding:utf-8 --

read_xlsx（）
①sheet_name=1 读取第二个sheet
②header=None/0 列名的行号，默认0第一行，设置为None后为无列名，自增数字为列
③names=[1,2,3,4]自定义设置列名，与header=None配合，不一定数量保持一致
④index_col=0，第一列设置为索引[]设置索引列，可以是多个，检索df[‘列名’][‘索引名’]实现数据查找
⑤usecols = [1,2,3]设定读取第几列
⑥skiprows[]需要跳过行的列表

import pandas as pd
df=pd.read_excel(r'D:\pandas测试\数据码表.xlsx',sheet_name='vehicle',index_col=0,usecols=[1,2,3])

to_excel()
多个sheet写数据，使用for循环

import pandas as pd
from sqlalchemy import create_engine
from sqlalchemy.types import CHAR,INT
import MySQLdb
array = list(tables['Tables_in_gwm_pubdm_gbd'])
writer = pd.ExcelWriter(r'D:\pandas测试\数据码表.xlsx')
for i in array:
    print(i)
    j='show  full  columns  from gwm_pubdm_gbd.'+str(i)
    df_mysql = pd.read_sql(j, con=mysql_cn)
    df_mysql.to_excel(writer,sheet_name=i)
    print(df_mysql)
writer.save()    
writer.close()

to_sql

to_sql(name='battery_date', con=sql_engine, if_exists='append', index=False)
name为表名，con为链接信息，if_exists为插入方式，replace为替换，append为追加，index为索引是否存在，false

to_csv

empty.to_csv(r'C:\Users\新能源PHEV预警\py_result.csv',index=0,encoding='gbk')
#index=0代表不存储索引

Pandas数据结构

Series

series创建
①列表创建

df=pd.Series([1,2,3,4,5,6,None,None],index=(range(8)))
df1=df.sort_values(ascending=False)

import pandas as pd
a=[1,2,3,4,5]
c=['z','c','d','g','h']
df=pd.Series(a,index=c)

②字典创建

import pandas as pd
df=pd.Series({'a':1,'b':4,'c':6,})
print(df[['a','b']]['a'])   #多个值返回类型为series,单个索引返回值

series方法
①查询，排序

import pandas as pd
df=pd.read_excel(r'D:\pandas测试\数据码表.xlsx',sheet_name='vehicle',index_col=None,usecols=[1,2,3,4])
df
print(df['Type'].values)#取值返回列表
a=data.values[:,2]#取某一列返回列表与上面相等
print(df['Type'].index)#返回索引列表
print(df['Type'].sort_values)#按照值进行排序
df2=df1.sort_values(ascending=False)  #赋新值返回
print(df['Type'].sort_index())#按照索引进行排序正序
print(df['Type'].sort_index(ascending=False))#按照索引进行排序倒序
print(df[['a','b']]['a'])   #多个值返回类型为series,单个索引返回值

②判断空值

df=pd.Series([1,2,3,4,5,6,None,None],index=(range(8)))
df1=df.isnull()
非空值
empty=empty[empty['time'].notnull()]

返回布尔值

DataFrame

jupyter notebook显示所有行列

pd.set_option('max_columns',1000)
pd.set_option('max_row',300)

dataframe的创建
①字典创建

dict={'name':['zsl','ysy','zb','zy'],'age':[20,30,40,50],'gender':['男','女','男','女']}
df=pd.DataFrame(dict)
取数据
print(df[['name','age']])#输出两列的dataframe
print(df.loc[1])  # 输出第二行
print（df.loc[-5:,''] #输出后五行
print(df.loc[0:3][['name','age']]) #前三行，两列
print(df.iloc[0:3][1:3])#前三行，中间两列

②series创建

res=Nowcoder.Level.mode()
print(pd.DataFrame(res,columns=['Level']))

dataframe描述（类型，列名，索引，shape，排序）
df.describe() 对数值进行统计，包含最大最小中值等
df[‘lon’].describe()单列的数据描述
df.info()统计数据类型和非空值数量
df.dtypes

import pandas as pd
import numpy as np
dict={'name':['zsl','ysy','zb',np.nan],'age':[20,np.nan,40,50],'gender':['男','女','男','女']}
df=pd.DataFrame(dict)
#数据的描述
print(df.shape)  #形状行数列数
print(df.columns) #df的列名，返回列表
print(df.index)#df的索引，返回列表
print(df.values)#df的值返回列表嵌套式 [['zsl' 20.0 '男']['ysy' nan '女']['zb' 40.0 '男'][nan 50.0 '女']]
print(df.head(2))#默认为前5行
print(df.tail(2))#默认为后两行
print(df.reset_index(drop=True,inplace=True))#原索引变为列，生成新索引,需要重新赋值，才能生效，drop将索引删除，不设置为数据列
print(df.fillna(1)) #填充空值为1,需要重新赋值
print(df.dropna())  #有空值的直接删除行,需要重新赋值
df=df.sort_index(ascending=False,inplace=True)#按照索引排序，正序、倒序
df.sort_values(by='age',ascending=False,inplace=True)#按照值排序，inplace替换本体
print(df)
#列名的排序
columns=sorted([i for i in data.columns])  #sorted对序列进行排序生成新的list
data=data[columns]  #也可以直接自定义列名，直接写列名

#统计某个字段有多少个值/值个数
print(len(Nowcoder['Language'].unique()))
或print(Nowcoder.Language.nunique())
26
print(Nowcoder['Language'].unique())或
print(Nowcoder.Language.tolist())	
['四川省' '广东省' '山东省']

print('\n数据缺失率')
print('{0}%'.format(round(empty.isna().sum() / empty.shape[0] * 100), 2))

#最小值为0的字段
print(df_info.loc['min',:].loc[df_info.loc['min',:]==0])

#返回每个字段是否包含空值，any就是包含一个TRUE就是true，代表一列存在空值，all代表就是全都为空才是true
print(df.isnull().any())
#结果
time_stamp        False
data_args         False
data_avn_speed     True
dt.1              False
hr                False

数据的查询行列、单元格
loc[][]后面第一个行号，可以是值也可以是范围[0:3]第二个是列，可以使列名[[‘name’，‘age’]]，也可以是范围[0：3]
iloc只能填写数值，表示序号

dict={'name':['zsl','ysy','zb','zy'],'age':[20,30,40,50],'gender':['男','女','男','女']}
df=pd.DataFrame(dict)
#取数据
print(df[['name','age']])#输出两列的dataframe
print(df.loc[1])  # 输出第二行
print(df.loc[0:3][['name','age']]) #前三行，两列
print(df.loc[0:3，['name','age']])#查询前三行，两列
print(df.iloc[0:3][1:3])#前三行，中间两列
print(df.loc['LGWEF6A70MH253367',:])#代表选取所有列
#print(df.replace(20,'XX'))#值的替换，需要重新赋值
#print(df.describe()) #对所有数字列进行计算均值最大最小值

DateFrame连接

Merge
参数
on：通过哪个字段连接，可以传入列表支持多个字段[‘’,‘’]
left_on/right_on:确定左右表连接的字段，用于字段
left_index/right_index:连接的索引
suffixes:存在重复列名，定义规则（‘’，‘’）
how：连接方式 innner，outer，left，right

import pandas as pd
import numpy as np
df1=pd.DataFrame({'A':['A0','A1','A2','A3'],'B':['B0','B1','B2','B3'],'KEY1':['k0','K0','K1','K1'],'KEY2':['K0','K1','K0','K1']
})
df2=pd.DataFrame({'C':['C0','C1','C2','C3'],'D':['D0','D1','D2','D3'],'KEY1':['k0','K0','K2','K3'],'KEY2':['K0','K1','K0','K1']}
                    ,index=[['A0','A1','A4','A3']])
print(df2)
print('*'*30)
print(df1)
df=pd.merge(df2,df1,how='left',right_on='A',left_index=True,suffixes=('_start','_end'))

如果使用带索引的df去关联key的df，会报错，原因未知
concat
支持dataframe和series横向纵向连接
objs：需要合并的对象，填充进列表
join：默认为outer，并集，交集是inner
axis：默认为0，代表纵向（按照列名对齐），1代表横向（按照索引对齐）
keys=[‘S1’,‘S2’]设置二级索引，代表数据来自哪个对象，纵向是索引区分，横向是列名区分
ignore_index=True 重置索引

df3=pd.concat([df2,df1],axis=0,keys=['S1','S2'],sort=False)
print(df3)
print(df3['A']['S1'][('A3',)])

两个series合并重新命名

df1=df.iloc[:,1:].sum()  --series
df2=df.iloc[:,1:].count()  --series
df3=pd.concat([df1, df2], axis=1, ignore_index=False)
df3.rename(columns={0:'故障车辆数',1:'总车辆数'},inplace=True)

merge和concat区别
merge默认是横向，匹配的是值
concat默认是纵向，匹配的是字段名和索引
pandas中concat(), append(), merge()的区别和用法

列之间计算

使用apply实现横向axis=1，纵向axis=0默认计算，result_type设置

行计算

df=pd.DataFrame({'Name':['tom','jerry','kevin'],'gender':['men','female','men'],'score':[100,20,30]})
df['level']=df.apply(lambda x:x['score']**2 if x['gender']=='female' else x['score']/5,axis=1)  #横向计算两列，生成新列，进行行计算

多行计算

df[['address','type','POI']]=df.apply(lambda x:get_location(x['data_avn_longitude'],x['data_avn_latitude']),axis=1,result_type="expand")
#重点是result_type参数，expand实现列表转为列

列计算

df1=df.apply(lambda x:np.square(x) if x.name==('score'or'level') else x)#纵向计算单列，识别name符合要求的，进行列计算
print(df1)

如果axis=0代表列计算 lambda x：x.name代表的就是列名
如果axis=1代表行计算lambda x：x.name代表的就是行号（索引）

日期和时间戳转换
字符串类型

df['time']=df['end_time_stamp'].apply(lambda x:int(time.mktime(time.strptime(x,'%Y/%m/%d %H:%M'))))
#2022/1/2 23:44  转换成时间戳
#time.strptime(shijian,"%Y-%m-%d %H:%M:%S")函数根据指定的格式把一个时间字符串解析为时间元组。
#time.mktime() 是将时间元组转为时间戳
#df['time']=df['data_stamp_time'].apply(lambda x :time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(x))) 时间戳转自定义日期

datetime类型
时间戳转日期

1652850237-》2022-05-18 13:03:57
df['time1']=df['data_stamp_time'].apply(lambda x:datetime.datetime.fromtimestamp(x))
#时间戳转日期datetime
df['month']=df['time1'].apply(lambda x :x.month)

字符日期转datetime

字符2022-05-18 13:03:57-》2022-05-18 13:03:57
# df['time1']=df['time'].apply(lambda x :datetime.datetime.strptime(str(x),'%Y-%m-%d %H:%M:%S'))

任意日期字符串转date_time
2022/01/20-》2022-01-20

Nowcoder['Last_submission_time'] = pd.to_datetime(Nowcoder['Last_submission_time'],format='%Y-%m-%d')

Json数据处理

import json
df['data_args1']=df['data_args'].apply(lambda x:(json.loads(x)))#object类型使用json.loads，转换成dict类型
i=(json.loads(y))['end_mode']

数据筛选
loc条件筛选
如果后面罗列列名，可以单独开数据框loc[][‘column1’,‘column2’]，也可以写到一个数据框loc[,[‘column1’,‘column2’]]

df.loc[df['duration']>1000,'statues']='###' #前面执行条件判断，后面新增列标签传入参数
等价于df['statues']=df['duration'].apply(lambda x:'###'if x>1000 else '***')

loc条件过滤

df=df.loc[df['duration']<164,['distance','duration']]  #前面通过条件筛选行
print(df.loc[(df['duration']>10 ) & (df['distance']>=60.0),['vin','duration','distance']])#多个条件使用&、|连接，不能缺少括号

df[(df['vin']=='LGWEEEA7641000024') & (df['travel_id']==1)]
#条件过滤，增加筛选条件

行数据筛选
通过行索引名/序号筛选符合条件的列

df_info=df.describe()
print(df_info.loc['min',:].loc[df_info.loc['min',:]==0])
索引名是min
结果如下：
bms_isolation_r_value_rm    0.0
mcu_inv_act_sts             0.0

print(df_info.loc['min'].loc[df_info.loc['min'] == 0])

query方法实现多个条件筛选

#实现空值的筛选，非空值为"vin==vin"
df=df.query("vin!=vin")

m="duration>10 and distance<60"
print(df.query(m))
m="duration in [17,18,19]"
print(df.query(m))

字符串匹配函数contains（）

m=df['vin'].str.contains('WEF6A70MH')
print(df[m])#填写要包含的字段，支持正则表达式[a-cA-C]匹配包含小写大写字母的

类似sql in的函数

Nowcoder[Nowcoder['Language'].isin (['CPP','C','C#'])]

日期前后截取函数truncate()
①需要将日期设置为索引
②重新排序
③使用before（前所有行）、after（后所有行）设置前后

df=pd.read_csv(r'D:\pandas测试\杭州结果.txt',sep=',',parse_dates=['start_time_stamp'])
df=df.set_index('start_time_stamp')
df=df.sort_values('start_time_stamp')
df=df.truncate(before='2022-01-12')

多条日期筛选
使用query

df=pd.read_csv(r'D:\pandas测试\杭州结果.txt',sep=',',parse_dates=['start_time_stamp','end_time_stamp'])  
#使用parse_dates 将字符串日期转换为datetime
m='@df.start_time_stamp.dt.day==12 @df.start_time_stamp.dt.hour==12'
#自定义条件，可以写多个参数

df=df.query(m)
df

datetime日期筛选
empty=empty[empty['tid']>'2022-06-09 23:29:37']

数据清洗

空值删除
drop支持删除行和列，通过axis区分

df.drop(labels=['start_time_stamp','end_time_stamp'],inplace=True,axis=1)#删除列
df.drop(labels=[1，3],inplace=True,axis=0)#删除行

df.dropna(axis=1,how='all',inplace=True)
#axis=0代表删除行，axis=1代表删除列，how代表删除方式any和all，inplace代表替换

df.dropna(axis=0,inplace=True,how='all',subset=['KEY1','KEY2'])
#支持设置筛选的列名，符合条件删除行

空值填充
自定义填充值

df=pd.DataFrame({'A':[1,2,3,5],'B':[500,None,56,None],'KEY1':[123,456,567,None],'KEY2':[22,34,None,None]
})
df.fillna({'A':'*','B':'$','KEY1':'@'},inplace=True)#使用字典对数据进行填充
df[['fl_tire_temp', 'ss_position']] = df[['fl_tire_temp', 'ss_position']].fillna(method='ffill', axis=0)  # 轮胎温度填充

前后填充

df.fillna(axis=0,method='ffill',inplace=True)
#axis代表轴方向，method的方法为ffill从前往后填充、bfill从后往前填充

填充均值

df['2101001'].fillna(df['2101001'].astype('float64').mean(),inplace=True)#自定义填充的数据

数据去重

df['KEY1'].value_counts()#对某列的值进行计数

df.duplicated()
返回是重复行的布尔值，重复为True，不重复为false，可以配置keep为first/last/false，来展示第几行显示True

df.drop_duplicates(inplace=True,subset=['KEY1'],keep='last')
#subset填写需要的字段，keep保留哪行first、last

unique和nunique
eries和DataFrame的两种数据类型中都有nunique()和unique()方法
unique是返回不重复的值
nunique返回不重复值的个数

数据四舍五入

#两种方式
round（df['speed']，3）
df['speed'].round(3)

数据替换

使用replace函数，对于series和dataframe都适用
某个字段部分内容替换

df['导演']=df['导演'].str.replace(r'\n','')

全部替换

print(df.apply(lambda x:x.replace(1,'*',)))#全部替换
df.replace(1,'*',inplace=True)

行替换

print(df.apply(lambda x:x.replace(1,'*') if x.name==3 else x,axis=1)) #横向计算某行，axis为1代表横向，x.name代表行索引

列替换

print(df.apply(lambda x:x.replace(1,'*') if x.name=='KEY2'else x))
df['KEY2'].replace(1,'*',inplace=True)

多个值替换

df['KEY1'].replace([1,123],['*','&'],inplace=True)#多个值的替换，通过传输列表的形式

分箱操作

pd.cut共三个参数
①你需要格式化的列，传入series
②你需要分箱的范围，m
③你需要打的标签

df=pd.DataFrame({'A':[1,2,3,5],'B':[500,None,1,None],'KEY1':[123,323,567,200,],'KEY2':[1,34,1,None]
})
m=[100,200,300,400,600]
label=['小','中','大','超大']
df['statues']=pd.cut(df['KEY1'],m,labels=label)

使用pd.qcut(,q=4)实现等频分箱

数据重命名

can_data.rename(columns={'acquisition_time1':'time_stamp'},inplace=True)

数据模糊匹配

 df = df[df["Creator"].str.contains("79",na=False)]

字符串操作

df[‘’].astype(‘str’)字符串类型的转换

excel文件拆分合并

文件夹多个文件合并，使用os.listdir()函数获取文件名

hebing=pd.DataFrame()
print(hebing)
for name in os.listdir(r'D:\pandas测试\课件025\课件025'):
    df=pd.read_excel('D:\\pandas测试\\课件025\\课件025\\'+name)
    print(df)
    hebing=pd.concat([hebing,df])

多个sheet合并

hebing=pd.DataFrame()
df=pd.read_excel(r'D:\pandas测试\课件025\课件025-3\合并2.xlsx',None)
print(type(df))#返回的是字典，key是sheet名字
list=list(df.keys())
for i in list:
    data=df[i]#获取字典中key下的值
    hebing=pd.concat([hebing,data])
hebing.reset_index(inplace=True)
print(hebing)

写到多个sheet中

import pandas as pd
from sqlalchemy import create_engine
from sqlalchemy.types import CHAR,INT
import MySQLdb
array = list(tables['Tables_in_gwm_pubdm_gbd'])
writer = pd.ExcelWriter(r'D:\pandas测试\数据码表.xlsx')#首先创建一个writer对象，传入路径这个参数
for i in array:
    print(i)
    j='show  full  columns  from gwm_pubdm_gbd.'+str(i)
    df_mysql = pd.read_sql(j, con=mysql_cn)
    df_mysql.to_excel(writer,sheet_name=i)
    print(df_mysql)
writer.save()    #数据保存
writer.close()   #对象关闭

分组聚合Groupby

聚合方式有：

还有list，类似sql groupby_concat功能
基础知识

for （i,j）,group in data.groupby(['',''])
	print(i)  #分组后行成dataframe，索引为分组字段，是一个元组，字段就是聚合后的结果
	print(j)
	print(list(group))

Pandas教程 | 超好用的Groupby用法详解
关于行的聚合，不同列不同方式
引入agg函数，后面添加字典，key为字段名，value为聚合方式

df=pd.read_excel(r'D:\pandas测试\课件026\分组聚合3.xlsx')
print(df)
df=df.groupby(['班级','性别']).agg({'语文':'count','数学':sum})

行+列的聚合

df=pd.read_excel(r'D:\pandas测试\课件026\分组聚合3.xlsx')
print(df)
df=df.groupby('班级').agg({'语文':sum,'数学':sum})#按照行计算
m={'语文':'主科','数学':'主科'}#设置列的分组规则
df=df.groupby(m,axis=1)#axis为横向分组
print(df.sum())#进行求和
m=df.groupby('vin')['time_stamp1'].agg(lambda x :list(x))#将分组的结果进行合并成list

不同列对应不同的聚合规则
①apply传入不同的df
②自定义函数返回series
③计算聚合去重vin的数量，绝缘阻值的最小值，去重vin合并（list）

def agg_func(x):
    '''将每个groupby后的df计算'''
    return pd.Series({'数量':len(list(x['vin'].unique())),
                       '最小值':x['bms_isolation_r_value_rm'].min()
                          ,'vin列举':','.join(x['vin'].unique())})
empty = empty.groupby(['dt', 'label']).apply(agg_func)

行多级索引聚合

不改变行数处理数据
类似于SQL窗口函数

df=pd.read_excel(r'D:\pandas测试\课件026\分组聚合3.xlsx')
print(df)
df['new1']=df.groupby('班级')['语文'].transform('first')
#分组后取语文第一个值，生成新列，所有符合分组索引的都会匹配对应的值

分组取第一行或者最小行

df_min=df.groupby(['vin','trip_id']).apply(lambda x:x[x.time_stamp==x.time_stamp.min()])

取最小行数据

df=df[df.a==df.a.max()]

数据处理三板斧

applymap：对dataframe中的每个单元格执行指定函数的操作

df1=df.applymap(lambda x:x**2)

apply

def change(x,num,num2):
    x=(x+num)*num2
    return x
df=pd.read_excel(r'D:\pandas测试\课件026\分组聚合3.xlsx')

df.set_index(['班级','性别'],inplace=True)
df['总和']=df['语文'].apply(change,args=(3,4)) #apply可以传入函数，args用来依次传入参数

Pandas计算差值、同比、环比

融合分组函数使用df-df.shift=df.diff
位移函数

df.set_index(['班级','性别'],inplace=True)
df['cha']=df.groupby('班级')['语文'].shift()
#shift(1)和shift(-1)正是向下移，负是向上移

计算差值

df['cha']=df.groupby('班级')['语文'].diff()
#diff(1)代表下减上，diff（-1）代表上减下

计算时间差值

df['diff2']=df.groupby('vin')['time_stamp1'].diff()
#timedelta类型0 days 00:00:07转成秒数，使用total_seconds方法，也可以时间戳减
df['diff2']=df['diff2'].apply(lambda x:x.total_seconds())

时间序列

生成连续精度在一秒的数据，使用date_range方法

import pandas as pd
df=pd.date_range(start='5/01/2022 00:00:00',end='5/30/2022 23:59:59',freq='S',name='timestamp')
df=pd.DataFrame(df)

分享案例

对数据进行分组填充
①自定义函数，分别筛选数据进行填充
②数据的融合

def filltemp(x):
    '''分组对数据进行填充'''
    vin=x['vin'].unique()
    for i in vin:
        print(i)
        trip=x[x['vin']==i].hu_travel_id.unique()
        for j in trip:
           x[(x['vin']==i)&(x['hu_travel_id']==j)]=x[(x['vin']==i)&(x['hu_travel_id']==j)].fillna(method='ffill')
    return x
df_all[['vin','hu_travel_id','fl_tire_temp','trip_id','cbn_temp','ss_position','ac_frnt_blwr_spd','start_time','end_time']]=filltemp(df_all.loc[:,('vin','hu_travel_id','fl_tire_temp','trip_id','cbn_temp','ss_position','ac_frnt_blwr_spd','start_time','end_time')])

方法二

def data_fillna(x):
    x.sort_values(by=['vin','avn_vvid','time_stamp'], inplace=True)
    x.fillna(method='ffill',inplace=True)
    print(time.strftime('%H:%M:%S',time.localtime(time.time())))
    return x
empty=empty.groupby(['vin','avn_vvid']).apply(lambda x:data_fillna(x)).reset_index(drop=True)
#注意需要reset_index否则会报错

众数计算及多个df的merge

df3 = df.groupby(['province', 'vin'])['cbn_temp'].agg(lambda x: stats.mode(x)[0][0]).reset_index()
#计算众数
dfs = [df1, df2, df3]
df_vin = reduce(lambda x, y: pd.merge(x, y, how='inner', on=['vin', 'province']), dfs)
使用reduce不断迭代列表中的df，x+y，结果+z

format用法（读取数据）

a=r'D:\pandas测试\课件025\课件025-3'
for i in os.listdir(a):
    print('{0}\{1}'.format(a,i,sep='\t'))

数据格式转换
包含’-'值、空值、不同类型

df=df.applymap(lambda x:str(x))
df=df.applymap(lambda x:x.replace('-','0'))
df.fillna(0,inplace=True)
df=df.applymap(lambda x:float(x))
df.iloc[:,1:]=df.iloc[:,1:].applymap(lambda x:x if x==1.0  else 0)

日期处理

data['服务结束时间']=data['服务结束时间'].apply(lambda x :datetime.datetime.strptime(str(x),'%Y-%m-%d %H:%M:%S'))
data['Year'] = data['服务结束时间'].dt.year #取年
data['Month'] = data['服务结束时间'].dt.month #取月
data=data[data['Year']==2023]
data['服务结束时间']=data['服务结束时间'].str[:10]#针对日期格式不统一的进行字符串截取

pandas多进程处理数据