Python数据分析-Pandas

Pandas

个人笔迹，建议不看

import pandas as pd
import numpy as np

Series类型

s=pd.Series([1，3，5，np.nan,6,8],index=['a','b','c','d','e'])
print(s) # 默认0-n-1，否则用index数组作行标
s.index
s.value # array()
s['a'] => 1 # 取值 
s[0:3]		# 切片
s[::2] # 其实跟 array 类似，就是输出不一样
# 索引赋值
s.index.name = '索引'
s.index = list('abcdef');
s['a':'c']; # 切片左闭右闭

DataFrame类型

是一个二维结构，类似于一张excel表

1)构造时间序列
date = pd.date_range('20180101',periods=6)
print(date)
2)创建一个DataFrame结构
## 传入二维数组
df = pd.DateFrame(np.random.randn(6,4))
df = pd.DateFrame(np.random.randn(6,4),index = date, columns=list('ABCD'))
## 用字典创建
df2 = pd.DataFrame({'A':1.,'B':pd.Timestamp('20181001'),'C':pd.Series(1,index=list(range(4)),dtype = float),'D':np.array([3]*4,dtype=float),'E':
pd.Categorical(['test','train','test','train']),'F':abc});

DateFrame只要求每列的数据类型相同就可以了

• 查看数据

df.head() # 默认产生前五行
df.tail(3) 
df2.dtypes # 查看各列的数据类型
## 下标用index属性查看
df.index
df.columns
df.values # 只看值

• 读取数据及数据操作

# 读取excel,同一目录下
df=pd.read_excel('name.xlsx')
df=pd.read_csv('name.csv')
df=pd.read_excel(r'C:\Users\Administrator\Desktop\name.xlsx') # r 代表不需要转义

• 行操作

# iloc的参数为具体的数字行列号，loc的参数为设置的index值和列名
df.iloc[0] 看第0行
df.iloc[0:5] # 左闭右开，df.loc[0:4].左闭右闭
## 添加一行
##先定义Series
dit={'名字':'复仇者联盟3','投票人数':123456,'类型':'剧情','产地':'美国',上映时间':'2018-05-04'}
s=pd.Series(dit)
s.name = 38737
df = df.append(s);
df[-5:]；# 查看后5行
df[0:2]
## 删除行
df=df.drop([0,1,2])  # 给的是索引
## 查看
df['columnName'] # 显示名字这一列的所有信息
df['columnName'][:5]# 先取系列，后取下标
## 增加字段
df['newCol'] = range(1,len(df)+1)
## 删除列
df = df.drop('序号',axis=1) 
## 通过标签进行数据选择， 先行后列用loc
df.loc[[index],[column]]
df.loc['a','名字']
df.loc[[1,3,5,7,9],['名字','评分']]

• 条件选择

df['产地'] == '美国' # bool series
df[df['产地'] == '美国'][:5]
## 选取产地为美国并且评分大于9
df[(df.产地=='美国')&(df.评分>9)][:5]
## 产地为美国或中国并且评分大于9
df[((df.产地=='美国')|(df.产地=='中国'))&(df.评分>9)] # 其实是位运算，注意加括号

• 缺失值及异常值处理

dropna
fillna
isnull
notnull

判断缺失值：

df.isnull()
返回二维bool数组
df['名字'].isnull()
df.col.notnull()
df[df.col.isnull][:5]

填充缺失值：

fillna()	# NaN
df['评分'].fillna(value)

删除缺失值

df.dropna() 
参数：
how = 'all' : 某行某列全为0时删除
inplace = true ： 覆盖掉原先的数据，即直接变为新数据
axis=0：选择行或者列

练习

import pandas as pd
data = pd.read_excel('豆瓣电影数据.xlsx')
print(type(data))

data.to_excel(r'C:/Users/xxx/desktop/movie.xlsx')

df = pd.DataFrame({'name':['zs','ls'],'age':[1,2]})
df
df.describe()
#type(df)

	age
count	2.000000
mean	1.500000
std	0.707107
min	1.000000
25%	1.250000
50%	1.500000
75%	1.750000
max	2.000000

data.columns

Index(['Unnamed: 0', '名字', '投票人数', '类型', '产地', '上映时间', '时长', '年代', '评分',
       '首映地点'],
      dtype='object')

df = pd.read_excel(r'C:/Users/xxx/desktop/附件.xlsx')
df.drop(['Unnamed: 15','Unnamed: 16'],axis = 1)
df.drop(df.columns[15:22],axis=1,inplace = True)
df.to_excel(r'C:/Users/xxx/desktop/test.xlsx')
df.fillna(df.mean())

	编号	母亲年龄	婚姻状况	教育程度	妊娠时间（周数）	分娩方式	CBTS	EPDS	HADS	婴儿行为特征	婴儿性别	婴儿年龄（月）	整晚睡眠时间（时：分：秒）	睡醒次数	入睡方式
0	1	34	2	5	37.0	1	3	13	9	中等型	1	1	10:00:00	3.000000	2.000000
1	2	33	2	5	42.0	1	0	0	3	安静型	2	3	11:00:00	0.000000	4.000000
2	3	37	2	5	41.0	1	4	8	9	安静型	1	1	12:00:00	1.000000	2.000000
3	4	31	2	5	37.5	1	6	16	13	安静型	2	3	11:00:00	2.000000	1.000000
4	5	36	1	5	40.0	1	1	3	3	中等型	2	3	10:30:00	1.000000	4.000000
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
405	406	31	2	3	39.5	1	1	4	4	NaN	2	2	NaN	1.461538	3.025641
406	407	26	2	2	37.0	1	4	9	14	NaN	2	2	NaN	1.461538	3.025641
407	408	26	2	5	39.0	1	0	3	3	NaN	1	1	NaN	1.461538	3.025641
408	409	27	2	5	41.2	1	0	0	4	NaN	1	1	NaN	1.461538	3.025641
409	410	31	2	5	38.0	1	3	7	7	NaN	2	2	NaN	1.461538	3.025641

410 rows × 15 columns

df[df.婴儿行为特征 == '安静型']

	编号	母亲年龄	婚姻状况	教育程度	妊娠时间（周数）	分娩方式	CBTS	EPDS	HADS	婴儿行为特征	婴儿性别	婴儿年龄（月）	整晚睡眠时间（时：分：秒）	睡醒次数	入睡方式
1	2	33	2	5	42.0	1	0	0	3	安静型	2	3	11:00:00	0.0	4.0
2	3	37	2	5	41.0	1	4	8	9	安静型	1	1	12:00:00	1.0	2.0
3	4	31	2	5	37.5	1	6	16	13	安静型	2	3	11:00:00	2.0	1.0
5	6	32	2	5	41.0	1	1	2	3	安静型	1	1	12:00:00	0.0	4.0
9	10	34	1	3	37.2	1	3	5	10	安静型	1	3	11:00:00	0.0	4.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
377	378	29	2	4	41.0	1	6	7	9	安静型	2	2	11:00:00	1.0	4.0
378	379	41	2	3	39.4	1	10	13	11	安静型	1	1	10:00:00	0.0	4.0
380	381	32	2	5	40.0	1	5	5	3	安静型	1	1	09:00:00	0.0	5.0
387	388	31	2	5	41.6	1	0	3	1	安静型	1	1	10:30:00	2.0	1.0
388	389	27	2	3	40.0	1	1	10	5	安静型	1	1	06:00:00	2.0	1.0

120 rows × 15 columns

import numpy as np

d = dict(A = np.array([1,2]),B =np.array([1,2,3,4]))

df1 = pd.DataFrame({'name':['zs','ls'],'age':[1,2]})
df2 = pd.DataFrame({'mane':['ww','ll'],'sex':[0,1]})
pd.concat([df1,df2])

	name	age	mane	sex
0	zs	1.0	NaN	NaN
1	ls	2.0	NaN	NaN
0	NaN	NaN	ww	0.0
1	NaN	NaN	ll	1.0

df1 = pd.DataFrame({'name':['zs','ls'],'age':[1,2]})
df2 = pd.DataFrame({'name':['ww','ll'],'age':[0,1]})
df3 = pd.concat([df1,df2])
df3['age+1'] =df3['age'] + 1
df3.dtypes
df3

	name	age	age+1
0	zs	1	2
1	ls	2	3
0	ww	0	1
1	ll	1	2

df2.size # 面积 4 * 3
df.shape
df.var()
# df.discribe()
df.std()

编号          118.501055
母亲年龄          4.362262
婚姻状况          0.359970
教育程度          1.001642
妊娠时间（周数）      1.900777
分娩方式          0.109890
CBTS          4.963365
EPDS          6.757595
HADS          4.259715
婴儿性别          0.500319
婴儿年龄（月）       0.821911
睡醒次数          1.612071
入睡方式          1.408516
dtype: float64