Python学习教程：20个Pandas代码 助数据从业人员开启新征程！

Python学习教程：20个Pandas代码 助数据从业人员开启新征程！

摘要

Pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而建立的。很多利用Python作数据分析的朋友应该对Pandas不陌生，这里给你们总结了20个经常使用的Pandas代码帮助你们更快速的理解数据。

我这里将这20个Pandas代码分红三类：

• 基本数据信息
• 基本数据处理
• 操做Data frames

基本数据信息

一、基本读写数据集（CSV、Execl）

# csv
# 读
pd.DataFrame.from_csv(“csv_file”) 
pd.read_csv(“csv_file”)
# 写
df.to_csv("data.csv", sep=",", index=False) # 逗号分隔，没有下标
# execl
pd.read_excel("excel_file")
df.to_execl("data.xlsx",sheet_name='a')
复制代码

二、基本数据集特征

df.info()
复制代码

三、基本数据统计

df.describe()
复制代码

四、将data frames输出到一张表里（tabulate模块）

from tabulate import tabulate
print(tabulate(print_table, headers=headers))
# print_table 为包含列表的列表
# headers 为表头所包含的字段
复制代码

五、列出全部的字段

df.columns
复制代码

六、获得先后n行

df.head(n) #前n行
df.tail(n) #后n行
复制代码

七、经过特征、位置定位数据

df.loc[feature_name]
#选择“size”列的第一行
df.loc([0], ['size'])
df.iloc[n] # 位置
复制代码

基本数据处理

八、去除缺失值

df.dropna(axis=0, how='any')
复制代码

九、替换缺失值

df.replace(to_replace=None, value=None)
# 将“to_replace”中的值替换为“value”
复制代码

十、检查缺失值

pd.isnull(object)
# 检测缺失值(数值数组中的NaN，对象数组中的None/NaN)
复制代码

十一、删除一个字段

df.drop('feature_variable_name', axis=1)
# 轴对于行是0，对于列是1
复制代码

十二、将对象类型转换为数值

pd.to_numeric(df["feature_name"], errors='coerce')
# 将对象类型转换为numeric以便可以执行计算(若是它们是字符串)
复制代码

1三、将Dataframe转换为numpy数组

df.as_matrix()
复制代码

操做Data frames

1四、将函数应用于dataframe

# 这个将把数据的“height”列中的全部值乘以2
一、df["height"].apply(lambda height: 2 * height)
二、def multiply(x):
 return x * 2
df["height"].apply(multiply)
复制代码

1五、从命名一列

# 这里，将把数据的第三列重命名为“size”
df.rename(columns = {df.columns[2]:'size'}, inplace=True)
复制代码

1六、获取某列的惟一项

# 这里将获得列“name”的惟一条目
df["name"].unique()
复制代码

1七、多级访问

# 在这里，将从数据中获取列的选择，“name”和“size”
new_df = df[["name", "size"]]
复制代码

1八、数据的一些统计量df.sum()

df.min()
df.max()
df.idxmin()
df.idxmax() #返回最大值索引
df.mean()
df.median()
df.corr() # 不一样列之间的相关系数
df["size"].median
复制代码

1九、 数据排序

df.sort_values(ascending = False)
复制代码

20、布尔索引

df[df["size"] == 5] #布尔型索引复制代码

更多的Python学习教程接下来橙子会继续为你们分享！