pandas归一化某一列_十分钟带你了解pandas常用知识

pandas常用知识

一、读取csv文件为dataframe

二、dataframe的数据概况

三、取列数据

四、取行数据

五、取某一单元格数据

六、缺失值处理

七、归一化处理

八、排序

九、索引重新编号

十、求均值

十一、矢量化操作(批量操作)

十二、透视表

一、读取csv文件为dataframe

pandas很好的一点是，可以操作表文件。输出为dataframe格式，这点很nice。 使用pandas.read_csv()读取csv文件，输出为dataframe格式数据。 这里数据tran.csv数据集下载自kaggle网站。

import pandas as pd

filepath = r'/Users/suosuo/Desktop/titanic/train.csv'

df = pd.read_csv(filepath)

#为了方便，我只显示三行，其实结果并不是这样子

print(df)

插入图片

#检测下数据格式是否为DataFrame

print(type(df))

class 'pandas.core.frame.DataFrame

二、 DataFrame数据概况

我们想知道数据如下知识：

展示dataframe前后几条记录

显示dataframe的列名字

查看dataframe的维度情况(几行几列)

2.1展示dataframe前后几行

#展示前两条记录(根据需要显示条数)

df.head(2)

#展示后三条记录

df.tail(3)

2.2展示dataframe列名

#展示列名

col_names = df.columns

col_names

Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp', 'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'], dtype='object')

#查看下col_names格式

type(col_names)

pandas.indexes.base.Index

#将col_names转化为list

col_list = col_names.tolist()

col_list

['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp', 'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked']

三、从dataframe中取列数据

使用dataframe[column_name]，返回series格式数据。 series序列数据类似于list，你可以近似等同于list。 只不过返回数据中会多一列index索引。如下面的左侧数字序号

3.1 取一列数据

#这里我们一列，如取Name列数据

df['Name'][:5]

3.2取多列数据

#这里返回的数据还是dataframe格式，为了方便也只显示前几条记录

cols = ['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex']

df[cols]

四、从dataframe中取行数据(记录)

这里方法很多，有loc、iloc、ix。我就只写ix， 总之没必要学那么多，搞糊涂了，够用就好。 ix[row, col] 中括号中第一个参数row是行参数，你想选择的数据行数。 第二个参数col是列参数，选择你想要的列数据项。

4.1取一行数据

#第一行所有数据

df.ix[0, :]

#第一行的某几列数据

col = ['Survived', 'Pclass', 'Sex']

df.ix[0, col]

Survived 0

Pclass 3

Sex male

Name: 0, dtype: object

4.2取多行数据

#取多行数据，所有列。这里我选择前5行，所有列.

#这里是不是很像切片操作。python基础很重要

df.ix[:5, :]

#取多行，某几列

df.ix[:5, col]

五、取某一单元格数据

会了三四节，这部分其实你已经会了。 比如我想获取第一行第一列。df.ix[0,0] 第三行第七列。df.ix[2,6]

df.ix[0,0]

1

df.ix[2,6]

0

六、缺失值处理

缺失值一般标记为NaN,处理办法如下

df.dropna(axis)

默认直接使用df.dropna()

axis=1,按照行进行缺失值处理

axis=0，按照列进行缺失值处理

df.dropna(axis=0,subset)

axis=0,按照列方向处理subset中的列缺失值

subset=[column] subset含有一个或多个列名的的list

6.1按照行进行缺失值处理

#为了显示方便，只显示前五行。

#axis=1表示按照行方向处理NAN

df.dropna(axis=1)

6.2按照列进行缺失值处理

#按照列处理缺失值(为显示方便，只显示前5行)

df.dropna(axis=0)

#对指定列进行缺失值处理

df.dropna(axis=0,subset=['Sex','Age'])

七、归一化处理

数据集中，不同的列的数据可能在不同量级，如果直接进行分析。模型会认为数字大的影响力大，数字小的影响力小。 最终结果可能导致量级小的变量被剔除出模型。因此需要将数据归一化，变成同一量级的数据，这就是归一化操作。 在这里我们只对一列操作下，其余列也需要操作，但为了方便，这里只写一列的归一化处理。

处理步骤：

1.选取该列的最大值

max_value = df[col].max()

2.该列所有值均除以max_value

这里要注意，我们会用到pandas特性，矢量化操作，也就是可以对一个列

表进行批量同样的操作。

#这里我们选Fare列进行归一化，先看下Fare的数据

#为了方便显示，只显示了前10个

df['Fare']

#这里我们选Fare列进行归一化

max_value = df['Fare'].max()

max_value

#这里我们选Fare列进行归一化

max_value = df['Fare'].max()

max_value

512.32920000000001

#归一化，并将数据传入新列new_Fare

df['new_Fare']=df['Fare']/max_value

df['new_Fare']

八、排序

df.sort_values(col,inplace,ascending)

col 对col列进行排序

inplace 布尔型值，是否原地操作。

True时，操作结果覆盖掉原数据，原数据被修改

False时，新建一个新数据，原数据未被修改

ascending 布尔型值。升序降序。 False降序，True升序

#对Age列进行降序操作，不修改原始数据

df.sort_values('Age',inplace=False,ascending=False)

九、索引重新

将排序后的索引重新排序

df.reset_index(drop)

drop 为布尔型值，True表示修改原始数据的索引。

False保留原始数据索引序列。

df.reset_index(drop=False)

十、求平均值

10.1所有列的平均值信息

df.mean()

10.2 单个列的平均值

df['Age'].mean()

29.69911764705882

十一、矢量化操作(批量操作)

一般对如list样式的数据批量操作，需要写循环，但是这样费时费力。 pandas基于numpy，可进行矢量化操作，一行就能完成复杂的循环语句，而且运行效率还很高。

#对Age列批量加10

df['Age']+10).head

#对Age列批量减20

df['Age']-10

十二、透视表

这个透视表不好说是什么意思。大家直接看结果吧。

df.pivot_table(index=col1,values=col2,aggfunc='numpy函数')

围绕index参数列，分析各个col2，aggfunc是np函数，当然这里的aggfunc也可以是自定义函数。

#分析平均年龄对对生存率的影响。

#0为死亡，1为生存。

#这里我们发现年龄对生存率有影响。

import numpy as np

df.pivot_table(index='Survived',values='Age',aggfunc=np.mean)

#分析仓位等级对生存率影响。0为死亡，1为生存。

#仓位为一等二等三等分别取值1，2，3

#一等舱最高级。我们发现仓位等级对生存也有影响。

df.pivot_table(index='Survived',values='Pclass',aggfunc=np.mean)