目录
一、pandas统计分析
1、读取数据
2、DataFrame的增删改查
3、DataFrame的描述分析
4、时间数据
5、分组聚合
6、透视表与交叉表
二、数据预处理
1、合并数据
2、清洗数据(重复值,缺失值,异常值)
3、数据标准化
4、数据的转换
三、补充
help、dir帮助函数
(1)数据库数据读取/存储:
import pymysql
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:123456@localhost:3306/databasename?charset=utf8')
sql = 'select * from tb_name'
df = pd.read_sql(sql=sql,con=con,index_col=True,coerce_float=True,columns=True)
或者:
df = pd.read_sql_table(tablename,con=con,index_col=True,coerce_float=True,columns=True)
(2)文本文件,csv文件读取/存储:
pd.read_table(filepath,sep='/t',header='infer',names=None,index_col=None,
dtype=None,encoding='utf-8',nrows=None)
pd.read_csv(filepath,sep=',',header='infer',names=None,index_col=None,
dtype=None,encoding='utf-8',nrows=None)
df.to_csv(path_or_buf,sep=',',na_rep='',columns=None,header=True,index=True,
index_label=None,mode='w',encoding='utf-8')
(3)excel文件读取/存储
pd.read_excel(filepath,sheetname='',header='infer',names=None,index_col=None,
dtype=None)
df.to_excel(excel_writer,sheetname='',na_rep='',header=True,index=True,
index_label=None,mode='w',encoding='utf-8')
2.1 查看DataFrame:
df.values # 查看所有元素
df.index # 查看索引
df.columns # 查看所有列名
df.dtype # 查看字段类型
df.size # 元素总数
df.ndim # 表的维度数
df.shape # 返回表的行数与列数
df.info # DataFrame的详细内容
df.T # 表转置
2.2 查看访问DataFrame中的数据
2.2.1 基本查看方式:
单列数据:df['col1']
单列多行:df['col1'][2:7]
多列多行:df[['col1','col2']][2:7]
多行数据:df[:][2:7]
前几行: df.head()
后几行: df.tail()
2.2.2 loc,iloc的查看方式(大多数时候建议用loc)
# loc[行索引名称或条件,列索引名称]
# iloc[行索引位置,列索引位置]
单列切片:df.loc[:,'col1']
df.iloc[:,3]
多列切片:df.loc[:,['col1','col2']]
df.iloc[:,[1,3]]
花式切片:df.loc[2:5,['col1','col2']]
df.iloc[2:5,[1,3]]
条件切片:df.loc[df['col1']=='245',['col1','col2']]
df.iloc[(df['col1']=='245').values,[1,5]]
2.3 更改某个字段的数据:
df.loc[df['col1']=='258','col1']=214
# 注意:数据更改的操作无法撤销,更改前最好对条件进行确认或者备份数据
2.4 增加一列数据:
df['col2'] = 计算公式/常量
2.5 删除数据:
# 删除某几行数据,inplace为True时在源数据上删除,False时需要新增数据集
df.drop(labels=range(1,11),axis=0,inplace=True)
# 删除某几列数据
df.drop(labels=['col1','col2'],axis=1,inplace=True)
DataFrame增删查改(总结) 1、创建DataFrame df=pd.DataFrame(data=[[150,0],[150,0],[150,0],[300,0]],columns=['张三','李四'],index=['语文','数学','英语','理综']) 字典创建: '数学':[93,89,80,77], '英语':[90,80,70,75]}, index=['张三', '李四', '王五', '赵六']) 2、访问 先写列名称,再写行名称。 df [列] [行] ①访问单列 df[‘date’] ②访问单列多行 df[‘date’] [:5] ③访问多列多行 df[‘id’,’date’] [:5] ④访问多行 df[‘date’][:5] df[:][1:6] ⑤使用loc 和 iloc df1=df[['date','format']][:5] #这2列的前5行数据 (列,行) df2=df[:][:5] #所有列的前5行数据 df2=df.iloc[0:5,0:5] df3=df.loc[:,'date'] 注意: (1)不要使用df.ix()函数了,已经不推荐使用了。 (2)loc函数的区间,左右都是闭区间。 (标签) (3)iloc函数的区间,左闭右开。 (位置,索引) (4)df [列] [行] df.loc[行,列] df.iloc[行,列] df.loc[ :, ’date’ ] df.iloc [ 0:5, 0:5] ⑥ 条件切片+花式切片 (必须学) (1)loc函数可以传入表达式,结果会返回满足表达式的所有值 df4=df.loc[df['format']=='AB',:] print(df4) 3、修改 (更改DataFrame中的数据) 更改DataFrame中的数据的原理是将这部分数据提取出来,重新赋值为新的数据。 (赋值用一个等号) #将order_id为458的变换为45800 , df.loc [ df['order_id']==458 , 'order_id' ] = 45800 df.loc [行,列] = 赋值 ①修改单个数据 方法二: df.iloc[0,3]=100 将第0行第4列的元素修改为100 df.iloc[2:5,3:6]=0 将第3-5行,第4-6列的元素修改为0 ②修改一列数据 ③修改满足条件的数据 一般情况下的修改是满足一定的条件才进行修改! ④列名/行名 重命名 df.rename(columns={‘原列名’:’新列名’}) df.rename(index={‘原行名’:’新行名’}) 4、增加 ① 新增一列 ① 新增一列固定值 ② 新增一列不同值 【1】 df['score']=[80,98,67,90] 一定要用df [‘新增列名’] 【2】 ② 新增一行 df.loc['new']=[0,0] 一定要用loc标签索引 5、删除 ① 删除一列 df.drop(labels='day', axis=1, inplace=True) axis=1表示列 |
#数值型:
df[['col1','col2']].describe()
#类别型:
df['col1'].value_counts()[0:10]
#category型:
df['col1'] = df['col1'].astype('category')
df['col1'].describe()
4.1 转换字符串时间为标准时间:
df['time'] = pd.to_datetime(df['time'])
4.2 提取时间序列信息
year = df['time'].year()
# year-年,month-月,day-天,hour-小时,minute-分钟,second-秒,date-日期,time-时间
week-一年中第几周,quarter-季节,dayofweek-一周中第几天,weekday_name-星期名称
4.3 加减时间:
# 使用Timedelta,支持weeks,days,hours,minutes,seconds,但不支持月和年
df['time'] = df['time'] + pd.Timedelta(days=1)
df['time'] = df['time'] - pd.to_datetime('2016-1-1')
# 时间跨度计算:
df['time'].max() - df['time'].min()
实操:使用pandas提取日期信息 方法一: 使用for循环,i.year/ i.month提取 案例实操:
方法二: 使用dt.year/ dt.month方法 案例实操:
|
5.1 使用groupby拆分数据并计算:
df.groupby(by='',axis=0,level=None,as_index=True,sort=True,group_keys=True
,squeeze=False).count()
# by--分组的字段 level--标签所在级别,默认None as_index--聚合标签是否以df形式输出,
默认True,sort--是否对分组依据,分组标签进行排序,默认True group_keys--是否显示分组
标签名称,默认True squeeze--是否对返回数据进行降维,默认False
# 聚合函数有count,head,max,min,median,size,std,sum
5.2 使用agg聚合数据:
# 求出当前数据的统计量
df[['col1','col2']].agg([np.mean,np.sum])
# 分别求字段的不同统计量
df.agg({'col1':np.sum,'col2':np.mean})
# 求不同字段不同数目的统计量
df.agg({'col1':np.sum,'col2':[np.mean,np.sum]})
综合应用 案例1: 需求:先按sex列分组,然后获取分组后age列的最大值 df.groupby(by='sex').agg({'age':np.max}) 案例2: (1)单层分组聚合: #求出不同性别学生数学成绩的最大数,只输出['成绩']列 grade_df2 = grade_df.groupby('性别')['成绩'].max() (2)多层分组聚合: # 获取不同班级、不同性别、戴与不戴眼镜的学生的最高分 grade_df5 = grade_df.groupby(['班级','眼镜','性别'])['成绩'].max() |
6.1使用pivot_table创建透视表
pd.pivot_table(data,index='order_id',aggfunc=np.sum)
# data为表,index为行分组键,columns为列分组键,values为要聚合的字段,aggfunc为聚合
函数,默认为mean,fill_value为指定填充缺失值,margins为是否显示汇总,默认为True
dropna为是否删除全部为NaN的列,默认False
案例一:
detailPivot1 = pd.pivot_table(detail[['order_id','counts','amounts']],index = 'order_id',aggfunc = np.sum)
6.2使用crosstab创建交叉表
案例一: 以order_id和dishes_name为分组键、counts为值的交叉表
1.1 横向合并数据:
pd.concat([df1,df2,df3],axis=1,join='inner',ignore_index=False,keys=None,
levels=None,names=None,verify_integrity=False)
# 当axis=1时,concat作行合并,join参数为inner(交集)和outer(并集),默认为outer
ignore_index,keys,levels,names,verify_integrity这几个参数不常用,设为默认即可
1.2 纵向合并数据
# 使用concat合并
pd.concat([df1,df2,df3],axis=0,join='inner',ignore_index=False,keys=None,
levels=None,names=None,verify_integrity=False)
# 使用append合并,前提条件是两张表的列名需完全一致
df1.append(df2,ignore_index=False,verify_integrity=False) 例如: df3.append(df4)
1.3 主键合并数据(表联接)
# 使用merge合并:
pd.merge(left,right,how='inner',on=None,left_on=None,right_on=None,
left_index=False,right_index=False,sort=False,
suffixes=('_x','_y'),copy=True,indicator=False)
# left和right为联接的表1和表2,how为联接的方式(inner,outer,right,left),默认inner
left_on为表1的主键,right为表2的主键,left_index为是否将表1的index作为主键,默认False
sort为是否根据连接键对合并后的数据进行排序,默认False,suffixes为合并后数据列名相同的
后缀,默认('_x','_y')。
# 使用join进行合并,前提是俩张表的主键的名字必须相同
df1.join(df2,on=None,how='inner',lsuffix='',rsuffix='',sort=None)
# lsuffix为合并后左侧重叠列名的后缀,rsuffix为合并后右侧重叠列名的后缀
1.4 重叠合并数据:
俩张表的内容几乎一致,但某些特征在一张表上是完整的,但在另外一张表上是缺失的
df1.combine_first(df2)
2.1重复值的检测及处理: (duplicates 英[ˈdjuːplɪkeɪts] n. 复制品; 副本;)
# 判断某个字段是否有重复值
len(df.col1.unique()) #将返回值与len(df.col1)进行比较
# 记录重复处理:
df.drop_duplicates(subset=['col1','col2'],keep='first',inplace=False)
# subset为需要去重复的列,keep参数有first(保留第一个),last(保留最后一个),
false(只要有重复都不保留) inplace为是否在源数据上操作,默认False
案例1:对dishes_name去重
dishes_name = detail.drop_duplicates(subset=['dishes_name'])
案例2:对订单编号、会员编号去重
shapeDet = detail.drop_duplicates(subset = ['order_id','emp_id'])
2.2 缺失值的检测及处理
# 判断字段是否有缺失
df.isnull().sum() 或 df.notnull().sum() 例如:df['date'].isnull().sum()
# 缺失值处理1--删除:
df.dropna(axis=1,how='any',inplace=False)
# axis为1是删除列,为0时删除行 how参数为any(只要有缺失值存在就删除),all(全部为缺失值
时才删除,默认为any inplace为是否在源数据上操作,默认为False
# 缺失值处理2--替换法
# 替换数值型字段时,常用平均数,中位数,替换类别性字段时,常用众数
df.fillna(value=None,method=None,axis=1,inplace=False,limit=None)
# method参数为ffill(用上一个非缺失值填充),bfill(用下一个非缺失值来填充)
# 缺失值处理3--插值法
# 线性插值: # 拉格朗日插值: # 样条插值:
# 线性插值法需要x与y存在线性关系,效果才好,大多数情况下,用拉格朗日法和样条插值法较好
2.3 异常值的检测及处理
# 使用3σ原则识别异常值,不过该原则只对正态分布或近似正态分布的数据有效
def outRange(ser1):
boolInd = (ser1.mean()-3*ser1.std()>ser1)|(ser1.mean()+3*ser1.std()
index = np.arange(ser1.shape[0])[boolInd]
outRange = ser1.iloc[index]
return outRange
outlier = outRange(df['col1'])
len(outlier)
# 用箱线图来分析异常值
import matplotlib.pyplot as plt
plt.figure(figsize=(10,7))
p = plt.boxplot(df['col1'].values,notch=True)
outlier = p['fliers'][0].get_ydata()
plt.show()
len(outlier)
3.1 离差标准化数据(区间缩放)
# 自定义离差标准化函数
def MinMaxScale(data):
data = (data-data.min())/(data-data.max())
return data
df['col1_scale'] = MinMaxScale(df['col1'])
3.2 标准差标准化数据
# 自定义标准差标准化函数
def StandardScale(data):
data = (data-data.mean())/data.std()
return data
df['col1_scale'] = StandardScale(df['col1'])
3.3 小数定标标准化数据:通过移动数据的小数位数,将数据映射到区间【-1,1】
# 自定义小数定标标准化数据
def DecimalScale(data):
data = data/10**np.ceil(np.log10(data.abs().max()))
return data
df['col1_scale'] = DecimalScale(df['col1'])
离差标准化缺点为若数据集中某个数据值很大,则离差标准化的值就会趋近于0,并且相互之间差别不大。但方法简单,便于理解。标准差标准化受数据分布的影响较小,小数定标标准化的适用范围更广。
4.1 哑变量处理
pd.get_dummies(data,prefix=None,prefix_sep='_',dummmy_na=False,columns=None)
# prefix为哑变量后列名的前缀,默认为None dummy_na为是否需要为NaN值添加一列,默认None
columns默认为None,表示对所有的object和category类型的字段进行处理
4.2 连续型数据离散化(分箱处理)
# 等宽法:对数据分布要求较高,若数据分布非常不均匀,这种方法不合适
pd.cut(df['col1'],bins=5,labels='',precision=3)
# bins为离散化后的类别数目,labels为离散化后各个类别的名称,默认为空 precision是标签精度
默认为3
# 等频法:
def SameRateCut(data,k):
w = data.quantile(np.arange(0,1+1.0/k,1.0/k))
data = pd.cut(data,w)
return data
result = SameRateCut(df['col1'],5).value_counts()
help、dir帮助函数 (1)help()函数是查看函数或模块用途的详细说明、示例 (2)dir()函数是查看函数或模块内的操作方法都有什么,输出的是方法列表 (有哪些函数)。 举例: (1)help( df.rename ) 查看rename函数的用法、例子 (2)help(list.append) 查看append函数的用法、例子 (3)dir(df) 查看df有哪些函数可以用 (4)dir(list) dir(dict) 查看列表、字典有哪些函数可以用 |
1、对字段进行重命名 :
df.rename(columns={'old':'new'},inplace=True)
法二:
columns=({'col1':'new1', 'col2':'new2', 'col3':'new3'})
df.rename(columns=columns,inplace=True)
2、利用apply + lambda 对变量进行赋值
df['col'] = df.apply(lambda x:'a' if x.col<10 else 'b' if x.col>=10 and x.col<=20
else 'c',axis=1)
3、利用loc 进行多条件筛选:
and用"&"表示,or用“|"表示。 用" isin"筛选多个值。 用"-"实现not in筛选
df.loc[(df['col1']>=20)&(df['col2']=='a')&((df['col3']<10)|(df['col4']==30)),:]
df.loc[df['col1'].isin(['a','b','c'],:]
df.loc[-(df['col1']=='a'),:]
4、使用正则表达式进行模糊匹配
df.loc[df.col.str.contains('^35'),:] # 匹配字段为35开头的记录
df.loc[df.col.str.contains('35$'),:] # 匹配字段为35结尾的记录
5、用groupby和agg对分组后的多个字段进行不同方式的聚合:
常用的聚合函数:
计数:pd.Series.count
求和:np.sum
平均值:np.mean
最大值:np.max
最小值:np.min
df.groupby(by=['col1','col2'],as_index=False).agg({'col3':pd.Series.count,'col5':np.mean,'col6':np.sum})
6、非重复计数:
df.groupby(by='col1',as_index=False).agg({'col2':pd.Series.nunique})
df.col.nunique() #对某个字段进行非重复计数
df.nunique(axis=0) #对表中的每个字段进行非重复计数
7、用sort_values 和 reset_index对多个字段进行排序
df.sort_values(by=['col1','col2'],ascending=['False','True']).reset_index(drop=True)
8、根据某个字段筛选前n条记录,后n条记录
df.nlargest(n,columns=['col'])
df.nsmallest(n,columns=['col'])
9、分组之后的筛选每组前n条记录:
df.assign(rn=df.groupby('col1').col2.rank(method='first',ascending=False)).\
query('rn<=3').sort_values(['col1','rn']).reset_index().loc[:,['col1','col2','rn']]
10、对某列排序后并编号,相当于给出排序名次:
df['rank']= df['col'].rank(method='first',ascending=False).apply(lambda x:int(x))
df.sort_values(by='rank',ascending=True)
11、对一个字段中的值进行替换操作:
df.replace({'col':{'a':'A','b':'B','c':'C'}},inplace=True)
12、导入必要的包并进行参数设置:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
plt.style.use('ggplot')
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus']=False
import seaborn as sns
sns.set(style='ticks',palette='muted',font_scale=1.5,font='ETBembo',rc={'figure.figsize':(8,4)})
# sns 的style有'dark','white','darkgrid','whitegrid','ticks'五种设置,
# palette有'muted','deep','pastel','bright','dark','colorblind'
import warnings
warnings.filterwarnings('ignore') #去除弹出的warnings
pd.set_option('precision',5) #设置精度
pd.set_option('display.float_format', lambda x: '%.3f' % x) #不显示科学计数法,设置小数位为3
pd.options.display.max_rows=200 #最多显示200行
13、查看变量类型
df.dtypes #每个字段的类型
set(df.dtypes) #数据集包含哪几种数据类型
df.select_dtypes(include=['float64']).columns #查看每种类型对应的字段
14、对分类型变量作描述分析
df.select_dtypes(include=['0']).describe().T\
.assign(missing_pct=df.apply(lambda x: (len(x)-x.count())/len(x)))
# 对于object类型describe会给出非空值数量、unique数量、最大频数变量、最大频数
15、对连续型变量作描述分析
(df.select_dtypes(include=['int64','float64']).describe().T)\
.drop(['25%','50%','75%'],axis=1)\
.assign(missing_pct = df.apply(lambda x: (len(x)-x.count())/len(x)),
nunique = df.apply(lambda x:x.nunique()),
pct_10 = df.select_dtypes(include=['int64','float64']).apply(lambda x:x.dropna().quantile(0.1)),
pct_25 = df.select_dtypes(include=['int64','float64']).apply(lambda x:x.dropna().quantile(0.25)),
pct_50 = df.select_dtypes(include=['int64','float64']).apply(lambda x:x.dropna().quantile(0.5)),
pct_75 = df.select_dtypes(include=['int64','float64']).apply(lambda x:x.dropna().quantile(0.75)),
pct_90 = df.select_dtypes(include=['int64','float64']).apply(lambda x:x.dropna().quantile(0.9)))
(禁止转载,谢谢!)