欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python pandas用法最全整理

 更新時間:2019年08月04日 08:28:12   作者:愛喝馬黛茶的安東尼  
在本篇文章里小編給大家分享的是關(guān)于Python pandas用法以及相關(guān)實(shí)例代碼,需要的朋友們可以學(xué)習(xí)下。

1、首先導(dǎo)入pandas庫,一般都會用到numpy庫,所以我們先導(dǎo)入備用:

import numpy as npimport pandas as pd

2、導(dǎo)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(chuàng)建數(shù)據(jù)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'])

二、數(shù)據(jù)表信息查看

1、維度查看:

df.shape

2、數(shù)據(jù)表基本信息(維度、列名稱、數(shù)據(jù)格式、所占空間等):

df.info()

3、每一列數(shù)據(jù)的格式:

df.dtypes

4、某一列格式:

df['B'].dtype

5、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(shù)據(jù)表的值:

df.values

9、查看列名稱:

df.columns

10、查看前10行數(shù)據(jù)、后10行數(shù)據(jù):

df.head() #默認(rèn)前10行數(shù)據(jù)df.tail()  #默認(rèn)后10 行數(shù)據(jù)

相關(guān)推薦:《Python視頻教程》

三、數(shù)據(jù)表清洗

1、用數(shù)字0填充空值:

df.fillna(value=0)

2、使用列prince的均值對NA進(jìn)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(zhuǎn)換:

df['city']=df['city'].str.lower()

5、更改數(shù)據(jù)格式:

df['price'].astype('int')

6、更改列名稱:

df.rename(columns={'category': 'category-size'})

7、刪除后出現(xiàn)的重復(fù)值:

df['city'].drop_duplicates()

8、刪除先出現(xiàn)的重復(fù)值:

df['city'].drop_duplicates(keep='last')

9、數(shù)據(jù)替換:

df['city'].replace('sh', 'shanghai')

四、數(shù)據(jù)預(yù)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(shù)據(jù)表合并

df_inner=pd.merge(df,df1,how='inner') # 匹配合并,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') #并集

2、設(shè)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(fù)合多個條件的數(shù)據(jù)進(jìn)行分組標(biāo)記

df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

7、對category字段的值依次進(jìn)行分列,并創(chuàng)建數(shù)據(jù)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、將完成分裂后的數(shù)據(jù)表和原df_inner數(shù)據(jù)表進(jìn)行匹配

df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

五、數(shù)據(jù)提取

主要用到的三個函數(shù):loc,iloc和ix,loc函數(shù)按標(biāo)簽值進(jìn)行提取,iloc按位置進(jìn)行提取,ix可以同時按標(biāo)簽和位置進(jìn)行提取。

1、按索引提取單行的數(shù)值

df_inner.loc[3]

2、按索引提取區(qū)域行數(shù)值

df_inner.iloc[0:5]

3、重設(shè)索引

df_inner.reset_index()

4、設(shè)置日期為索引

df_inner=df_inner.set_index('date')

5、提取4日之前的所有數(shù)據(jù)

df_inner[:'2013-01-04']

6、使用iloc按位置區(qū)域提取數(shù)據(jù)

df_inner.iloc[:3,:2] #冒號前后的數(shù)字不再是索引的標(biāo)簽名稱,而是數(shù)據(jù)所在的位置,從0開始,前三行,前兩列。

7、適應(yīng)iloc按位置單獨(dú)提起數(shù)據(jù)

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(biāo)簽和位置混合提取數(shù)據(jù)

df_inner.ix[:'2013-01-03',:4] #2013-01-03號之前,前四列數(shù)據(jù)

9、判斷city列的值是否為北京

df_inner['city'].isin(['beijing'])

10、判斷city列里是否包含beijing和shanghai,然后將符合條件的數(shù)據(jù)提取出來

df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

11、提取前三個字符,并生成數(shù)據(jù)表

pd.DataFrame(category.str[:3])

六、數(shù)據(jù)篩選

使用與、或、非三個條件配合大于、小于、等于對數(shù)據(jù)進(jìn)行篩選,并進(jìn)行計數(shù)和求和。

1、使用“與”進(jìn)行篩選

df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

2、使用“或”進(jìn)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(jìn)行篩選

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

4、對篩選后的數(shù)據(jù)按city列進(jìn)行計數(shù)

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

5、使用query函數(shù)進(jìn)行篩選

df_inner.query('city == ["beijing", "shanghai"]')

6、對篩選后的結(jié)果按prince進(jìn)行求和

df_inner.query('city == ["beijing", "shanghai"]').price.sum()

七、數(shù)據(jù)匯總

主要函數(shù)是groupby和pivote_table

1、對所有的列進(jìn)行計數(shù)匯總

df_inner.groupby('city').count()

2、按城市對id字段進(jìn)行計數(shù)

df_inner.groupby('city')['id'].count()

3、對兩個字段進(jìn)行匯總計數(shù)

df_inner.groupby(['city','size'])['id'].count()

4、對city字段進(jìn)行匯總,并分別計算prince的合計和均值

df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

八、數(shù)據(jù)統(tǒng)計

數(shù)據(jù)采樣,計算標(biāo)準(zhǔn)差,協(xié)方差和相關(guān)系數(shù)

1、簡單的數(shù)據(jù)采樣

df_inner.sample(n=3)

2、手動設(shè)置采樣權(quán)重

weights = [0, 0, 0, 0, 0.5, 0.5]df_inner.sample(n=2, weights=weights)

3、采樣后不放回

df_inner.sample(n=6, replace=False)

4、采樣后放回

df_inner.sample(n=6, replace=True)

5、 數(shù)據(jù)表描述性統(tǒng)計

df_inner.describe().round(2).T #round函數(shù)設(shè)置顯示小數(shù)位,T表示轉(zhuǎn)置

6、計算列的標(biāo)準(zhǔn)差

df_inner['price'].std()

7、計算兩個字段間的協(xié)方差

df_inner['price'].cov(df_inner['m-point'])

8、數(shù)據(jù)表中所有字段間的協(xié)方差

df_inner.cov()

9、兩個字段的相關(guān)性分析

df_inner['price'].corr(df_inner['m-point']) #相關(guān)系數(shù)在-1到1之間,接近1為正相關(guān),接近-1為負(fù)相關(guān),0為不相關(guān)

10、數(shù)據(jù)表的相關(guān)性分析

df_inner.corr()

九、數(shù)據(jù)輸出

分析后的數(shù)據(jù)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')

以上就是最全的Python pandas用法總結(jié)的詳細(xì)內(nèi)容,感謝大家的閱讀和對腳本之家的支持。

相關(guān)文章

  • Python中對數(shù)據(jù)庫的操作詳解

    Python中對數(shù)據(jù)庫的操作詳解

    今天簡單說說MySQL,我們存儲數(shù)據(jù),直接用本地文件即可,但是,本地文件不利于存放海量數(shù)據(jù),也不利于用程序?qū)ξ募臄?shù)據(jù)進(jìn)行查詢與管理,我們可以使用數(shù)據(jù)庫
    2023-02-02
  • python request不走代理proxy方式

    python request不走代理proxy方式

    文章主要介紹了在Linux系統(tǒng)中配置代理后,使用Python的request包請求URL時會通過代理訪問的情況,并提供了如何在代碼中設(shè)置以避免通過代理訪問的方法
    2024-11-11
  • Django中celery執(zhí)行任務(wù)結(jié)果的保存方法

    Django中celery執(zhí)行任務(wù)結(jié)果的保存方法

    今天小編就為大家分享一篇Django中celery執(zhí)行任務(wù)結(jié)果的保存方法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-07-07
  • Python Pygame實(shí)現(xiàn)俄羅斯方塊

    Python Pygame實(shí)現(xiàn)俄羅斯方塊

    這篇文章主要為大家詳細(xì)介紹了Python Pygame實(shí)現(xiàn)俄羅斯方塊,文中示例代碼介紹的非常詳細(xì),具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2021-02-02
  • 線程和進(jìn)程的區(qū)別及Python代碼實(shí)例

    線程和進(jìn)程的區(qū)別及Python代碼實(shí)例

    這篇文章主要介紹了線程和進(jìn)程的區(qū)別及Python代碼實(shí)例,本文給出了一個python的腳本讓一個進(jìn)程中運(yùn)行兩個線程,需要的朋友可以參考下
    2015-02-02
  • Python對列表排序的方法實(shí)例分析

    Python對列表排序的方法實(shí)例分析

    這篇文章主要介紹了Python對列表排序的方法,實(shí)例分析了Python列表排序函數(shù)的相關(guān)使用技巧,非常簡單實(shí)用,需要的朋友可以參考下
    2015-05-05
  • Python Selenium XPath根據(jù)文本內(nèi)容查找元素的方法

    Python Selenium XPath根據(jù)文本內(nèi)容查找元素的方法

    這篇文章主要介紹了Python Selenium XPath根據(jù)文本內(nèi)容查找元素的方法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2020-12-12
  • 四行Python3代碼實(shí)現(xiàn)圖片添加美顏效果

    四行Python3代碼實(shí)現(xiàn)圖片添加美顏效果

    這篇文章主要為大家介紹了如何利用Python語言實(shí)現(xiàn)給圖片添加美顏效果,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起了解一下
    2022-04-04
  • python 實(shí)現(xiàn)在無序數(shù)組中找到中位數(shù)方法

    python 實(shí)現(xiàn)在無序數(shù)組中找到中位數(shù)方法

    這篇文章主要介紹了python 實(shí)現(xiàn)在無序數(shù)組中找到中位數(shù)方法,具有很好對參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-03-03
  • Python提取PDF中的圖片的實(shí)現(xiàn)示例

    Python提取PDF中的圖片的實(shí)現(xiàn)示例

    本文主要介紹了Python提取PDF中的圖片的實(shí)現(xiàn)示例,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2022-07-07

最新評論