Pandas数据分析从放弃到入门

时间 2020-05-30

标签 pandas 数据分析放弃入门繁體版

原文原文链接

[toc]html

什么是Pandas

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。 Pandas归入了大量库和一些标准的数据模型，提供了大量能使咱们快速便捷地处理数据的函数和方法。主要包含两种数据类型：Series和DataFramemysql

Series能够理解为dict的升级版本，主数组存放numpy数据类型，index数据存放索引
DataFrame至关于多维的Series，有两个索引数组，分别是行索引和列索引，能够理解成Series组成的字典

1、如何读取数据库-read_sql

示例代码以下数据库

from sqlalchemy import create_engine
import pandas as pd

username = '用户名'
password = '密码'
host = '链接地址'
db = '数据库'
port = 端口号

link = f'''mysql+pymysql://{username}:{password}@{host}:{port}/{db}?charset=utf8'''
engine = create_engine(link, pool_recycle=3600)

核心方法read_sql数组

log:pd.DataFrame = pd.read_sql("SELECT * FROM log ORDER BY id DESC ",engine)

执行结果以下 app

2、如何筛选数据

筛选建立时间大于某个时间点的记录

import datetime
log[log['create_time'] > '2020-01-15 16:14:22']

筛选指定列的DataFrame 直接传递数组给给DataFrame

logs[['user_id','type']]

获取一列Series

logs['type']

iloc和loc iloc[行，列]是根据行号和列号获取，loc[行索引 ,列索引]是根据索引名获取

3、如何连表-merge

如今我须要将user_id对应的用户名找出来，示例代码以下dom

#查询出全部的用户,以便将log和users作join
users:pd.DataFrame=pd.read_sql("SELECT * FROM users",engine)
users

* users和log的字段太多，先作一下筛选函数

log=log[['type','user_id','project_id','create_time']]
users=users[['id','username','real_name']]

执行join，使用merge方法，how指定左连，left_on指定左表使用的字段， right_on指定右表使用的字段工具

log.merge(users,how='left',left_on='user_id',right_on='id')

4、如何删除一行或一列-drop

drop方法，axis为0表明行，1表明列spa

renameRes.drop('建立时间',axis=1)

5、如何分组统计-groupyby

dropRes.groupby(['type','real_name']).count()

groupby也能够能够传入一个可以访问索引上字段的函数

rng=pd.date_range('1/1/2020',periods=100,freq='D')
ts=pd.Series(np.random.randn(len(rng)),index=rng)

ts.groupby(lambda x:x.month).mean()
2020-01-31 0.182420
2020-02-29 0.200134
2020-03-31 -0.108818
2020-04-30 -0.187426
Freq: M, dtype: float64

6、如何排序-sort_values/sort_index

by指定字段，ascending指定升序仍是降序

log.sort_values(by='user_id',ascending=False)

7、如何重建索引-groupby(as_index=False)/reset_index

默认groupby后的结果是行索引是groupby的字段

log.merge(users,how='left',left_on='user_id',right_on='id').groupby('type').count()

groupby指定参数as_index

log.merge(users,how='left',left_on='user_id',right_on='id').groupby('type',as_index=False).count()

另外，还能够count完后直接调用reset_index方法

log.merge(users,how='left',left_on='user_id',right_on='id').groupby('type').count().reset_index()

8、如何翻转dataframe-T

log.T

9、如何重命名列-rename

使用rename方法，传递一个字典便可，以下

pd.DataFrame = res[['type','username','real_name','create_time']].rename({'create_time':'建立时间'},axis=1)

10、如何强制转换类型-astype

log['create_time'].astype(str)

11、如何在只有一列的状况下groupby并count-size

count是必须依赖其余列作统计的，当只有一列的时候如何还使用count，是看不出统计字段的，正确的方法应该是使用size

test4=pd.read_sql("SELECT `type` FROM log LIMIT 100",engine)
test4.groupby('type').size()

12、如何操做时间-.dt.

例如，要将create_time转为YY-MM-DD格式，可使用函数.dt.date

log['create_time'].dt.date

具体方法能够参考Series的API文档的Datetime操做

十3、如何操做字符串-.str.

例如，转为大写

log['type'].str.upper()

具体方法能够参考Series的API文档的字符串操做

十4、如何进行数据透视-pivot/pivot_table

简单的理解就是一个更高级的groupby功能

df = pd.DataFrame({'foo': ['one', 'one', 'one', 'two', 'two',
                            'two'],
                    'bar': ['A', 'B', 'C', 'A', 'B', 'C'],
                    'baz': [1, 2, 3, 4, 5, 6],
                    'zoo': ['x', 'y', 'z', 'q', 'w', 't']})
df.pivot(index='foo', columns='bar', values='baz')

pivot_table支持分组后再聚合操做

df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo",
                          "bar", "bar", "bar", "bar"],
                    "B": ["one", "one", "one", "two", "two",
                          "one", "one", "two", "two"],
                    "C": ["small", "large", "large", "small",
                          "small", "large", "small", "small",
                          "large"],
                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7],
                    "E": [2, 4, 5, 5, 6, 6, 8, 9, 9]}
                 )

根据ABC分组，计算D的值，AB为行索引，C为列索引再使用sum函数，以下

df.pivot_table(values='D', index=['A', 'B'], columns=['C'], aggfunc=np.sum, fill_value=0)

十5、如何进行可视化-plot

通常使用matplotlib进行绘图例如，统计全部的操做日志最多的前10个绘制直方图先取出这些数据，以下

#获取全部操做类型最多的10条数据
countRes=log.groupby('type',as_index=False).count().drop(['create_time','project_id'],axis=1).rename({'user_id':'count'},axis=1).sort_values(by='count',ascending=False).head(10)

为了让图是递增的状态，咱们反转一下

countRes=countRes.iloc[::-1]

再使用matplotlib绘制直方图

import matplotlib.pyplot as plt
plt.barh(countRes['type'],countRes['count'])

十6、如何应用函数和映射

apply（DataFrame） DataFrame的函数，apply将函数应用到由各列或行所造成的一维数组上，默认是传入列的Series，能够指定axis=1传入行
applymap（DataFrame） DataFrame的函数，对每一个元素应用函数
map/apply（Series）对应Dataframe的applymap

十7、如何处理缺失数据

pands使用NaN（Not a Number）表示缺失数据，处理方法有

dropna：对轴标签进行过滤
fillna：用指定值或插值方法（如ffill或bfill）填充缺失数据
isnull：返回一个含有布尔值的对象
notnull：isnull的否认形式

十8、如何使用多级索引

Series多级索引

data = pd.Series(np.random.randn(10),
    index=[
        ['a','a','a','b','b','b','c','c','d','d'],
        [1, 2, 3, 1, 2, 3, 1, 2, 2, 3]
    ]
)

选取一个子集

data['b']

选取多个子集

data['b':'c']

选取内层：,号后面添加行号

data[:,2]

Series和DataFrame互转

#Series转换为DataFrame
data.unstack()

#将DataFrame转换为一个Series
data.unstack().stack()

DataFrame的多级索引

frame=pd.DataFrame(np.arange(12).reshape((4,3)),
                index=[
                    ['a','a','b','b'],
                    [1,2,1,2]
                ],
                columns=[
                    ['Ohio','Ohio','Colorado'],
                    ['Green','Red','Green']
                ],
               )

给索引命名

frame.index.names=['key1','key2']
frame.columns.names=['state','color']

swaplevel：重排分级顺序，互换级别的对象

frame.swaplevel('key1','key2')

sort_index：根据单个级别中的值对数据进行反序

frame.sort_index(level=0,ascending=False)

set_index：将其一个或多个列转换为行索引，并建立一个新的DataFrame

df=pd.DataFrame({
    'a':range(7),
    'b':range(7,0,-1),
    'c':['one','one','one','two','two','two','two'],
    'd':[0,1,2,0,1,2,3]
})
df.set_index(['c','d'])

reset_index：功能和set_index相反，层次化索引的级别会被转移到列里面

十9、如何删除重复数据-drop_duplicated

data=pd.DataFrame({
    'k1':['one']*3 + ['two']*4,
    'kw':[1,1,2,3,3,4,4]
})

data.drop_duplicates()

二10、如何替换值-replace

df = pd.DataFrame({'foo': ['one', 'one', 'one', 'two', 'two',
                            'two'],
                    'bar': ['A', 'B', 'C', 'A', 'B', 'C'],
                    'baz': [1, 2, 3, 4, 5, 6],
                    'zoo': ['x', 'y', 'z', 'q', 'w', 't']})
```![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200124194732259-1785798498.png)
替换A和B为chenqionghe，第一个参数为查找值，第二个参数为替换的值

df.replace(['A','B'],'chenqionghe')

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200124194819344-15531173.png)
也能够传入字典，替换多个值

df.replace({'A':'cqh','B':'chenqionghe'})

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200124194857037-559423089.png)

# 二11、如何链接两个dataframe-concat

df1=DataFrame(np.arange(6).reshape(3,2), index=list('abc'), columns=['one','two'] ) df2=DataFrame(5+np.arange(4).reshape(2,2), index=list('ac'), columns=['three','four'] )

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200125115518373-170864795.png)

列拼接

pd.concat([df1,df2],sort=False)

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200125115605107-1026040971.png)
行拼接

pd.concat([df1,df2],axis=1,sort=False)

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200125115637705-1852574024.png)

# 二12、如何从新设置索引-reindex

frame=pd.DataFrame(np.arange(9).reshape((3,3)), index=['a','b','c'], columns=['light','weight','baby'] )

#默认修改行索引 frame2=frame.reindex(['a','b','c','d'])

#同时修改行索引和列索引 frame.reindex(index=['a','b','c','d'],columns=['light','gym','muscle'])

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200128215641810-167644499.png)

# 二12、如何从新采样-resample
建立3个周三的时间序列

ts1=pd.Series( np.random.randn(3), index=pd.date_range('2020-6-13',periods=3,freq='W-WED') )

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200128220141053-298413888.png)
升采样转为每一个工做日

ts1.resample('B').asfreq()

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200128220236362-436316376.png)
指定为ffill的填充

ts1.resample('B').ffill()

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200128220321970-40283871.png)

# 二十3、如何打补丁-combine_first
combine_first至关于用参数对象中的数据为调用者对象的缺失数据”打补丁“

df1=pd.DataFrame({ 'a':[1,np.nan,5,np.nan], 'b':[np.nan,2,np.nan,6], 'c':range(2,18,4) }) df2=pd.DataFrame({ 'a':[5,4,np.nan,3,7], 'b':['chenqionghe',3,4,6,8] })

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200129105439147-1248030932.png)
而后咱们能够用df2的值给d1打补丁，以下

df1.combine_first(df2)

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200129105523308-281267967.png)
# 二十4、如何进行排名-rank

a=pd.DataFrame(np.arange(60).reshape(10,6),columns=['a','b','c','d','e','f'])

默认是对行进行排序，以下

a.rank()

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200129175212767-726731626.png)
能够传axis=1对列进行排序

a.rank(axis=1)

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200129175254771-1825633915.png)

默认是升序，能够传入ascending=False进行降序

a.rank(ascending=False)

![](https://img2018.cnblogs.com/blog/662544/202001/662544-20200129175427403-1255282354.png)

# 二十5、如何应用函数修改原dataframe-指定参数inplace
pandas 中 inplace 参数在不少函数中都会有，它的做用是：是否在原对象基础上进行修改
- inplace = True：不建立新的对象，直接对原始对象进行修改；
- inplace = False：对数据进行修改，建立并返回新的对象承载其修改结果。
默认是False，即建立新的对象进行修改，原对象不变，和深复制和浅复制有些相似。

原文出处：https://www.cnblogs.com/chenqionghe/p/12197607.html