python之pandas庫
一、生成數據表
1、首先導入pandas庫，一般都會用到numpy庫，所以我們先導入備用：
import pandas as pd2、導入CSV或者xlsx文件：
df = pd.DataFrame(pd.read_csv(‘name.csv‘,header=1))
df = pd.DataFrame(pd.read_excel(‘name.xlsx‘))3、用pandas創建數據表：
df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], "date":pd.date_range(‘20130102‘, periods=6), "city":[‘Beijing ‘, ‘SH‘, ‘ guangzhou ‘, ‘Shenzhen‘, ‘shanghai‘, ‘BEIJING ‘], "age":[23,44,54,32,34,32], "category":[‘100-A‘,‘100-B‘,‘110-A‘,‘110-C‘,‘210-A‘,‘130-F‘], "price":[1200,np.nan,2133,5433,np.nan,4432]}, columns =[‘id‘,‘date‘,‘city‘,‘category‘,‘age‘,‘price‘])
2、數據表信息查看
1、維度查看：
df.shape2、數據表基本信息（維度、列名稱、數據格式、所占空間等）：
df.info()3、每一列數據的格式：
df.dtypes4、某一列格式：
df[‘B‘].dtype5、空值：
df.isnull()6、查看某一列空值：
df.isnull()7、查看某一列的唯一值：
df[‘B‘].unique()8、查看數據表的值：
df.values （可以將數據轉為矩陣）
9、查看列名稱：
df.columns10、查看前10行數據、後10行數據：
df.head() #默認前10行數據
df.tail() #默認後10 行數據三、數據表清洗
1、用數字0填充空值：
df.fillna(value=0)2、使用列prince的均值對NA進行填充：
df[‘prince‘].fillna(df[‘prince‘].mean())3、清楚city字段的字符空格：
df[‘city‘]=df[‘city‘].map(str.strip)4、大小寫轉換：
df[‘city‘]=df[‘city‘].str.lower()5、更改數據格式：
df[‘price‘].astype(‘int‘) 6、更改列名稱：
df.rename(columns={‘category‘: ‘category-size‘}) 7、刪除後出現的重復值：
df[‘city‘].drop_duplicates()
8、刪除先出現的重復值：
df[‘city‘].drop_duplicates(keep=‘last‘)9、數據替換：
df[‘city‘].replace(‘sh‘, ‘shanghai‘)四、數據預處理
df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],
"gender":[‘male‘,‘female‘,‘male‘,‘female‘,‘male‘,‘female‘,‘male‘,‘female‘],
"pay":[‘Y‘,‘N‘,‘Y‘,‘Y‘,‘N‘,‘Y‘,‘N‘,‘Y‘,],
"m-point":[10,12,20,40,40,40,30,20]})1、數據表合並
df_inner=pd.merge(df,df1,how=‘inner‘) # 匹配合並，交集
df_left=pd.merge(df,df1,how=‘left‘) #
df_right=pd.merge(df,df1,how=‘right‘)
df_outer=pd.merge(df,df1,how=‘outer‘) #並集2、設置索引列
df_inner.set_index(‘id‘)3、按照特定列的值排序：
df_inner.sort_values(by=[‘age‘])4、按照索引列排序：
df_inner.sort_index()5、如果prince列的值>3000，group列顯示high，否則顯示low：
df_inner[‘group‘] = np.where(df_inner[‘price‘] > 3000,‘high‘,‘low‘)6、對復合多個條件的數據進行分組標記
df_inner.loc[(df_inner[‘city‘] == ‘beijing‘) & (df_inner[‘price‘] >= 4000), ‘sign‘]=17、對category字段的值依次進行分列，並創建數據表，索引值為df_inner的索引列，列名稱為category和size
pd.DataFrame((x.split(‘-‘) for x in df_inner[‘category‘]),index=df_inner.index,columns=[‘category‘,‘size‘]))8、將完成分裂後的數據表和原df_inner數據表進行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)五、數據提取
主要用到的三個函數：loc,iloc和ix，loc函數按標簽值進行提取，iloc按位置進行提取，ix可以同時按標簽和位置進行提取。
1、按索引提取單行的數值
df_inner.loc[3]2、按索引提取區域行數值
df_inner.iloc[0:5]3、重設索引
df_inner.reset_index()4、設置日期為索引
df_inner=df_inner.set_index(‘date‘) 5、提取4日之前的所有數據
df_inner[:‘2013-01-04‘]6、使用iloc按位置區域提取數據
df_inner.iloc[:3,:2] #冒號前後的數字不再是索引的標簽名稱，而是數據所在的位置，從0開始，前三行，前兩列。7、適應iloc按位置單獨提起數據
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列8、使用ix按索引標簽和位置混合提取數據
df_inner.ix[:‘2013-01-03‘,:4] #2013-01-03號之前，前四列數據9、判斷city列的值是否為北京
df_inner[‘city‘].isin([‘beijing‘])10、判斷city列裏是否包含beijing和shanghai，然後將符合條件的數據提取出來
df_inner.loc[df_inner[‘city‘].isin([‘beijing‘,‘shanghai‘])] 11、提取前三個字符，並生成數據表
pd.DataFrame(category.str[:3])六、數據篩選
使用與、或、非三個條件配合大於、小於、等於對數據進行篩選，並進行計數和求和。
1、使用“與”進行篩選
df_inner.loc[(df_inner[‘age‘] > 25) & (df_inner[‘city‘] == ‘beijing‘), [‘id‘,‘city‘,‘age‘,‘category‘,‘gender‘]]2、使用“或”進行篩選
df_inner.loc[(df_inner[‘age‘] > 25) | (df_inner[‘city‘] == ‘beijing‘), [‘id‘,‘city‘,‘age‘,‘category‘,‘gender‘]].sort([‘age‘]) 3、使用“非”條件進行篩選
df_inner.loc[(df_inner[‘city‘] != ‘beijing‘), [‘id‘,‘city‘,‘age‘,‘category‘,‘gender‘]].sort([‘id‘]) 4、對篩選後的數據按city列進行計數
df_inner.loc[(df_inner[‘city‘] != ‘beijing‘), [‘id‘,‘city‘,‘age‘,‘category‘,‘gender‘]].sort([‘id‘]).city.count()5、使用query函數進行篩選
df_inner.query(‘city == ["beijing", "shanghai"]‘)6、對篩選後的結果按prince進行求和
df_inner.query(‘city == ["beijing", "shanghai"]‘).price.sum()七、數據匯總
主要函數是groupby和pivote_table
1、對所有的列進行計數匯總
df_inner.groupby(‘city‘).count()2、按城市對id字段進行計數
df_inner.groupby(‘city‘)[‘id‘].count()3、對兩個字段進行匯總計數
df_inner.groupby([‘city‘,‘size‘])[‘id‘].count()4、對city字段進行匯總，並分別計算prince的合計和均值
df_inner.groupby(‘city‘)[‘price‘].agg([len,np.sum, np.mean]) 八、數據統計
數據采樣，計算標準差，協方差和相關系數
1、簡單的數據采樣
df_inner.sample(n=3) 2、手動設置采樣權重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights) 3、采樣後不放回
df_inner.sample(n=6, replace=False) 4、采樣後放回
df_inner.sample(n=6, replace=True)5、 數據表描述性統計
df_inner.describe().round(2).T #round函數設置顯示小數位，T表示轉置6、計算列的標準差
df_inner[‘price‘].std()7、計算兩個字段間的協方差
df_inner[‘price‘].cov(df_inner[‘m-point‘]) 8、數據表中所有字段間的協方差
df_inner.cov()9、兩個字段的相關性分析
df_inner[‘price‘].corr(df_inner[‘m-point‘]) #相關系數在-1到1之間，接近1為正相關，接近-1為負相關，0為不相關10、數據表的相關性分析
df_inner.corr()九、數據輸出
分析後的數據可以輸出為xlsx格式和csv格式
1、寫入Excel
df_inner.to_excel(‘excel_to_python.xlsx‘, sheet_name=‘bluewhale_cc‘) 2、寫入到CSV
df_inner.to_csv(‘excel_to_python.csv‘)
python之pandas庫