pandas相关内容

1. pandas的基本介绍

Python在数据处理上独步天下：代码灵活、开发快速；尤其是Python的Pandas包，无论是在数据分析领域、还是大数据开发场景中都具有显著的优势：

• Pandas是Python的一个第三方包，也是商业和工程领域最流行的结构化数据工具集，用于数据清洗、处理以及分析

• Pandas和Spark中很多功能都类似，甚至使用方法都是相同的；当我们学会Pandas之后，再学习Spark就更加简单快速

• Pandas在整个数据开发的流程中的应用场景

  • 在大数据场景下，数据在流转的过程中，Python Pandas丰富的API能够更加灵活、快速的对数据进行清洗和处理

• Pandas在数据处理上具有独特的优势：

  • 底层是基于Numpy构建的，所以运行速度特别的快

  • 有专门的处理缺失数据的API

  • 强大而灵活的分组、聚合、转换功能

适用场景:

• 数据量大到excel严重卡顿，且又都是单机数据的时候，我们使用pandas

  • pandas用于处理单机数据(小数据集(相对于大数据来说))

• 在大数据ETL数据仓库中，对数据进行清洗及处理的环节使用pandas

2. 安装pandas的库

打开cmd界面, 执行 pip install -i Simple Index pandas

说明:

    在安装python环境的时候, 除了基于之前直接安装python解析器方案, 其实安装python还有一些其他的操作, 
    比如说, 我们可以通过anaconda 方式来进行安装, 
    
    anaconda: 数据科学库 
        包含了python环境, 以及包含了非常多余数据科学相关的库, 全部的集成在了一起, 如果是基于anaconda安装的时候, 很多的数据科学库就不需要自己安装了, anaconda都自带,  其中pandas其实就是anaconda库中一员
        anaconda提供了虚拟环境方案,  可以在一个操作系统中, 安装不同版本的python环境, 各个环境之间还相对独立

3. pandas的初体验

• 1-将资料中提供的数据集导入到data目录中

• 2- 创建python脚本, 导入pandas库

import pandas as pd

• 3- 基于pandas加载数据

df = pd.read_csv('../数据集/1960-2019全球GDP数据.csv', encoding='gbk', )  

• 4- 基于pandas完成相关查询:

# 查询中国的GDP
china_gdp = df[df.country=='中国'] # df.country 选中名为country的列
china_gdp.head(10) # 显示前10条数据

4. pandas的数据结构

上图为上一节中读取并展示出来的数据，以此为例我们来讲解Pandas的核心概念，以及这些概念的层级关系：

• DataFrame

  • Series

    • 索引列

      • 索引名、索引值

      • 索引下标、行号

    • 数据列

      • 列名

      • 列值，具体的数据

其中最核心的就是Pandas中的两个数据结构：DataFrame和Series

4.1 series对象

Series也是Pandas中的最基本的数据结构对象，下文中简称s对象；是DataFrame的列对象，series本身也具有索引。

Series是一种类似于一维数组的对象，由下面两个部分组成：

• values：一组数据（numpy.ndarray类型）

• index：相关的数据索引标签；如果没有为数据指定索引，于是会自动创建一个0到N-1(N为数据的长度)的整数型索引。

4.1.1 创建Series对象

• 1- 导入pandas

import pandas as pd

• 2- 通过list列表来创建

# 使用默认自增索引
s2 = pd.Series([1, 2, 3])
print(s2)
# 自定义索引
s3 = pd.Series([1, 2, 3], index=['A', 'B', 'C'])
s3
​
​
结果为:
0    1
1    2
2    3
dtype: int64
A    1
B    2
C    3
dtype: int64

• 3- 使用字典或元组创建series对象

#使用元组
tst = (1,2,3,4,5,6)
pd.Series(tst)
​
#使用字典：
dst = {'A':1,'B':2,'C':3,'D':4,'E':5,'F':6}
pd.Series(dst)

4.1.2 Series对象常用API

构造一个series对象

s4 = pd.Series([i for i in range(6)], index=[i for i in 'ABCDEF'])
s4
# 返回结果如下
A    0
B    1
C    2
D    3
E    4
F    5
dtype: int64

• 1- series对象常用属性和方法

# s对象有多少个值，int
len(s4) 
s4.size
​
# s对象有多少个值，单一元素构成的元组 (6,)
s4.shape 
​
# 查看s对象中数据的类型
s4.dtypes
​
# s对象转换为list列表
s4.to_list()
​
# s对象的值 array([0, 1, 2, 3, 4, 5], dtype=int64)
s4.values 
​
# s对象的值转换为列表
s4.values.tolist() 
​
# s对象可以遍历，返回每一个值
for i in s4: 
    print(i)
​
# 下标获取具体值
s4[1] 
​
# 返回前2个值，默认返回前5个
s4.head(2) 
​
# 返回最后1个值，默认返回后5个
s4.tail(1) 
​
# 获取s对象的索引 Index(['A', 'B', 'C', 'D', 'E', 'F'], dtype='object')
s4.index 
​
# s对象的索引转换为列表
s4.index.to_list() 
​
# s对象中数据的基础统计信息
s4.describe()
# 返回结果及说明如下
#count    6.000000 # s对象一共有多少个值
#mean     2.500000 # s对象所有值的算术平均值
#std      1.870829 # s对象所有值的标准偏差
#min      0.000000 # s对象所有值的最小值
#25%      1.250000 # 四分位 1/4位点值
#50%      2.500000 # 四分位 1/2位点值
#75%      3.750000 # 四分位 3/4位点值
#max      5.000000 # s对象所有值的最大值
#dtype: float64
# 标准偏差是一种度量数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。
# 四分位数（Quartile）也称四分位点，是指在统计学中把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值。
​
# seriest对象转换为df对象
s4.to_frame()
s4.reset_index()

4.1.3 Series 对象的运算

Series和数值型变量计算时，变量会与Series中的每个元素逐一进行计算

两个Series之间计算，索引值相同的元素之间会进行计算；索引不同的元素最终计算的结果会填充成缺失值，用NaN表示

• Series和数值型变量计算

s4 * 5
# 返回结果如下
A     0
B     5
C    10
D    15
E    20
F    25
dtype: int64

• 索引完全相同的两个Series对象进行计算

s4
# 构造与s4索引相同的s对象
s5 = pd.Series([10]*6, index=[i for i in 'ABCDEF'])
s5
# 两个索引相同的s对象进行运算
s4 + s5 
​
# 返回结果如下
A    0
B    1
C    2
D    3
E    4
F    5
dtype: int64
A    10
B    10
C    10
D    10
E    10
F    10
dtype: int64
A    10
B    11
C    12
D    13
E    14
F    15
dtype: int64

• 索引不同的两个s对象运算

s4
# 注意s6的最后一个索引值和s4的最后一个索引值不同
s6 = pd.Series([10]*6, index=[i for i in 'ABCDEG'])
s6
s4 + s6
​
​
# 返回结果如下
A    0
B    1
C    2
D    3
E    4
F    5
dtype: int64
A    10
B    10
C    10
D    10
E    10
G    10
dtype: int64
A    10.0
B    11.0
C    12.0
D    13.0
E    14.0
F     NaN
G     NaN
dtype: float64

4.2 DataFrame

4.2.1 创建DF对象

DataFrame的创建有很多种方式

• Serires对象转换为df：上一小节中学习了s.to_frame()以及s.reset_index()

• 读取文件数据返回df：在之前的学习中我们使用了pd.read_csv('csv格式数据文件路径')的方式获取了df对象

• 使用字典、列表、元组创建df：接下来就展示如何使用字段、列表、元组创建df

---

• 使用字典加列表创建df，使默认自增索引

df1_data = {
    '日期': ['2021-08-21', '2021-08-22', '2021-08-23'],
    '温度': [25, 26, 50],
    '湿度': [81, 50, 56] 
}
df1 = pd.DataFrame(data=df1_data)
df1
​
# 返回结果如下
        日期    温度    湿度
0    2021-08-21    25    81
1    2021-08-22    26    50
2    2021-08-23    50    56

• 使用列表加元组创建df，并自定义索引

df2_data = [
    ('2021-08-21', 25, 81),
    ('2021-08-22', 26, 50),
    ('2021-08-23', 27, 56)
]
​
df2 = pd.DataFrame(
    data=df2_data, 
    columns=['日期', '温度', '湿度'],
    index = ['row_1','row_2','row_3'] # 手动指定索引
)
df2
​
# 返回结果如下
            日期    温度    湿度
row_1    2021-08-21    25    81
row_2    2021-08-22    26    50
row_3    2021-08-23    27    56

4.2.2 DataFrame对象常用API

• DataFrame对象常用API与Series对象几乎相同

# 返回df的行数
len(df2)
​
# df中数据的个数
df2.size
​
# df中的行数和列数，元组 (行数, 列数)
df2.shape
​
# 返回列名和该列数据的类型
df2.dtypes
​
# 返回nparray类型的2维数组，每一行数据作为一维数组，所有行数据的数组再构成一个二维数组
df2.values
​
# 返回df的所有列名
df2.columns
​
# df遍历返回的只是列名 
for col_name in df2: 
    print(col_name)
​
# 返回df的索引对象
df2.index
​
# 返回第一行数据，默认前5行
df2.head(5)
​
# 返回倒数第1行数据，默认倒数5行
df2.tail(5)
​
# 返回df的基本信息：索引情况，以及各列的名称、数据数量、数据类型
df2.info() # series对象没有info()方法
​
# 返回df对象中所有数字类型数据的基础统计信息
# 返回对象的内容和Series.describe()相同
df2.describe()
​
# 返回df对象中全部列数据的基础统计信息
df2.describe(include='all')

4.2.3 DataFrame对象的运算

当DataFrame和数值进行运算时，DataFrame中的每一个元素会分别和数值进行运算，但df中的数据存在非数值类型时不能做加减法运算

两个DataFrame之间、以及df和s对象进行计算，和2个series计算一样，会根据索引的值进行对应计算：当两个对象的索引值不能对应时，不匹配的会返回NaN

• df和数值进行运算

f2 * 2 # 不报错
df2 + 1 # 报错，因为df2中有str类型（Object）的数据列

• df和df进行运算

# 索引完全不匹配
df1 + df2 
​
# 构造部分索引和df2相同的新df
df3 = df2[df2.index!='row_3']
df3 
​
# 部分索引相同
df2 + df3 
​
# 返回结果如下
   日期 温度 湿度
0    NaN    NaN    NaN
1    NaN    NaN    NaN
2    NaN    NaN    NaN
row_1    NaN    NaN    NaN
row_2    NaN    NaN    NaN
row_3    NaN    NaN    NaN
​
            日期    温度    湿度
row_1    2021-08-21    25    81
row_2    2021-08-22    26    50
​
                        日期    温度    湿度
row_1    2021-08-212021-08-21    50.0    162.0
row_2    2021-08-222021-08-22    52.0    100.0
row_3    NaN    NaN    NaN
​

4.3 pandas的数据类型

• df或s对象中具体每一个值的数据类型有很多，如下表所示

Pandas数据类型	说明	对应的Python类型
Object	字符串类型	string
int	整数类型	int
float	浮点数类型	float
datetime	日期时间类型	datetime包中的datetime类型
timedelta	时间差类型	datetime包中的timedelta类型
category	分类类型	无原生类型，可以自定义
bool	布尔类型	True,False
nan	空值类型	None

• 可以通过下列API查看s对象或df对象中数据的类型

s1.dtypes
df1.dtypes
df1.info() # s对象没有info()方法

5. pandas多格式数据读写

常用读写文件函数清单

文件格式	读取函数	写入函数
xlsx	pd.read_excel	df.to_excel
xls	pd.read_excel	df.to_excel
csv	pd.read_csv	df.to_csv
tsv	pd.read_csv	df.to_csv
json	pd.read_json	to_json
html	pd.read_html	df.to_html
sql	pd.read_sql	df.to_sql
剪贴板	df.read_clipboard	df.to_clipboard

5.1 写文件

数据准备

# 导包 加载数据集
import pandas as pd 
# 构造df数据集
df = pd.DataFrame(
    [
        ['1960-5-7', '刘海柱', '职业法师'],
        ['1978-9-1', '赵金龙', '大力哥'],
        ['1984-12-27', '周立齐', '窃格瓦拉'],
        ['1969-1-24', '于谦', '相声皇后']
    ], 
    columns=['birthday', 'name', 'AKA']
)
df

• 以写入csv文件为例

df.to_csv('./写文件.csv') # 此时应该在运行代码的相同路径下就生成了一个名为“写文件.csv”的文件

注意：执行df.to_csv()时，文件需要关闭才能写入，不然会报 PermissionError: [Errno 13] Permission denied: 'xxxx.csv'的异常

5.2 读文件

以读取csv文件为例

df = pd.read_csv('./写文件.csv')
df

• index_col 参数指定索引

  index_col参数可以在读文件的时候指定列作为返回dataframe的索引，两种用法如下:
  * 通过列下标指定为索引
  * 通过列名指定为索引

  • 通过列下标指定为索引index_col=[列下标]

  df = pd.read_csv('./写文件.csv', index_col=[0])
  df

  • 通过列名指定为索引index_col=['列名']

  df = pd.read_csv('./写文件.csv', index_col=['Unnamed: 0'])
  df

• parse_dates 参数指定列解析为时间日期类型

  parse_dates参数可以在读文件的时候解析时间日期类型的列，两种作用如下：
  ​
  - 将指定的列解析为时间日期类型
    - 通过列下标解析该列为时间日期类型
    - 通过列名解析该列为时间日期类型
  - 将df的索引解析为时间日期类型

  • 通过列下标解析该列为时间日期类型parse_dates=[列下标]

  pd.read_csv('./写文件.csv').info()
  pd.read_csv('./写文件.csv', parse_dates=[1]).info()

  • 通过列名解析该列为时间日期类型parse_dates=[列名]

  pd.read_csv('./写文件.csv').info()
  pd.read_csv('./写文件.csv', parse_dates=['birthday']).info()

  • 将df的索引解析为时间日期类型parse_dates=True

  df = pd.read_csv('./写文件.csv', index_col=[1], parse_dates=True) 
  df
  df.index

• encoding 参数 指定编码格式

  常见的编码格式有：ASCII、GB2312、UTF8、GBK 等

  pd.read_csv('../数据集/1960-2019全球GDP数据.csv', encoding='gbk').head()

• sep参数, 指定字段之间的分隔符号

  默认的分隔符号为逗号, 当文件中的字段之间的分隔符号不是逗号的时候, 我们可以采用此参数来调整

  pd.read_csv('../数据集/csv示例文件.csv', sep='\t', index_col=[0])

5.3 读写数据库

以MySQL数据库为例，此时默认你已经在本地安装好了MySQL数据库。如果想利用pandas和MySQL数据库进行交互，需要先安装与数据库交互所需要的python包

pip install pymysql==1.0.2
# 如果后边的代码运行提示找不到sqlalchemy的包，和pymysql一样进行安装即可
#pip install sqlalchemy==1.4.31

• 准备要写入数据库的数据

import pandas as pd 
df = pd.read_csv('../数据集/csv示例文件.csv', sep='\t', index_col=[0]) 
df

• 创建数据库操作引擎对象并指定数据库

# 需要安装pymysql，部分版本需要额外安装sqlalchemy
# 导入sqlalchemy的数据库引擎
from sqlalchemy import create_engine
​
# 创建数据库引擎，传入uri规则的字符串
engine = create_engine('mysql+pymysql://root:[email protected]:3306/test?charset=utf8')
# mysql+pymysql://root:[email protected]:3306/test?charset=utf8
# mysql 表示数据库类型
# pymysql 表示python操作数据库的包
# root:chuanzhi 表示数据库的账号和密码，用冒号连接
# 127.0.0.1:3306/test 表示数据库的ip和端口，以及名叫test的数据库
# charset=utf8 规定编码格式

• 将数据写入MySQL数据库

# df.to_sql()方法将df数据快速写入数据库
df.to_sql('test_pdtosql', engine, index=False, if_exists='append')
# 第一个参数为数据表的名称
# 第二个参数engine为数据库交互引擎
# index=False 表示不添加自增主键
# if_exists='append' 表示如果表存在就添加，表不存在就创建表并写入

• 此时我们就可以在本地test库的test_pdtosql表中看到写入的数据

• 从数据库中加载数据:

  • 读取整张表, 返回dataFrame

  # 指定表名，传入数据库连接引擎对象
  pd.read_sql('test_pdtosql', engine)

  • 使用SQL语句获取数据，返回dataframe

  # 传入sql语句，传入数据库连接引擎对象
  pd.read_sql('select name,AKA from test_pdtosql', engine)

可能出现的问题:

说明: 
    sqlalche 库版本过低导致的
​
解决方案:
    先删除原有版本: 
        pip uninstall sqlalchemy
    
    重新安装:
        pip install sqlalchemy==1.4.31