pyhton_Pandas教程

Pandas 是 Python 语言的一个扩展程序库，用于数据分析。

　　Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。

　　Pandas 名字衍生自术语 "panel data"（面板数据）和 "Python data analysis"（Python 数据分析）。

　　Pandas 一个强大的分析结构化数据的工具集，基础是 numpy（提供高性能的矩阵运算）。

　　Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。

　　Pandas 可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。

数据结构

Series 是一种类似于一维数组的对象，它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。

DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

一、Pandas 安装

　　安装 pandas 需要基础环境是 Python，开始前我们假定你已经安装了 Python 和 Pip。

pip install pandas

　查看pandas的版本

import pandas as pd

print(pd.__version__)

 

二、Pandas 数据结构 -- Series

　　pandas.Series( data, index, dtype, name, copy)
　　data：一组数据(ndarray 类型)。
　　index：数据索引标签，如果不指定，默认从 0 开始。
　　dtype：数据类型，默认会自己判断。
　　name：设置名称。
　　copy：拷贝数据，默认为 False。

mydataset = {
'sites': ["Google", "Runoob", "Wiki"],
'number': [1, 2, 3]
}
#将字典类型转化成dataframe类型
myvar = pd.DataFrame(mydataset)
print(myvar)
print()

a = [1, 2, 3]
myvar = pd.Series(a)
print(myvar)
print(myvar[1])#指定索引查询

sites = {1: "Google", 'runoob': "Runoob", 3: "Wiki"}
myvar = pd.Series(sites)#使用字典类型创建Series，key的值就成了索引值
print(myvar)
print()

# 参数index
a = ["Google", "Runoob", "Wiki"]
myvar = pd.Series(a, index = ["x", "y", "z"])#index指定索引名称
print(myvar)
print(myvar['y'])
print()

sites = {1: "Google", 2: "Runoob", 3: "Wiki"}
myvar = pd.Series(sites, index = [3, 2])#使用索引，截取字典中所需的部分
print(myvar)
print()

# 参数name,设置name属性
sites = {1: "Google", 2: "Runoob", 3: "Wiki"}
myvar = pd.Series(sites, index = [1, 2], name="I is series(name)" )
print(myvar)

　　

三、Pandas 数据结构 - DataFrame

　　pandas.DataFrame( data, index, columns, dtype, copy)
　　data：一组数据(ndarray、series, map, lists, dict 等类型)。
　　index：索引值，或者可以称为行标签。
　　columns：列标签，默认为 RangeIndex (0, 1, 2, …, n) 。
　　dtype：数据类型。
　　copy：拷贝数据，默认为 False。

data = [['Google',10],['Runoob',12],['Wiki',13]]
df = pd.DataFrame(data,columns=['Site','Age'],dtype=float) # 列表转dataframe
print(df)

data = {'Site':['Google', 'Runoob', 'Wiki'], 'Age':[10, 12, 13]}
df = pd.DataFrame(data) # 字典转dataframe
print (df)

data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print (df)

data = {
"calories": [420, 380, 390],
"duration": [50, 40, 45]
}
df = pd.DataFrame(data)
print(df)
print(df.loc[0])# 使用df.loc[]返回第一行
print(df.loc[1])# 使用df.loc[]返回第一行
print(df.loc[[0,1]])# 使用df.loc[[ ]]返回两行数据
print(df.loc[0:1,['calories']])# 使用df.loc[a:b ,[' ']]返回指定某列 a~b的数据

data = {
"calories": [420, 380, 390],
"duration": [50, 40, 45]
}
df = pd.DataFrame(data, index = ["day1", "day2", "day3"])#指定索引值
print(df)
print(df.loc['day2'])

 

 四、Pandas CSV 文件

 　　1、read_csv()  将csv（）文件导入，存在Dataframe对象中

import pandas as pd

# pd.read_csv() 读取csv文件
df = pd.read_csv('./nba.csv',encoding='GBK')
print(df.to_string())
print(df.loc[:,['Name']])#获取列

# head()
print(df.head().to_string())#默认获取前5行
print(df.head(3).to_string())#获取前3行

# tail()
print(df.tail().to_string())#默认获取后5行
print(df.head(3).to_string())#获取后3行

# info() 返回表格的一些基本信息
print(df.info())

　　　2、to_csv() 将 DataFrame 存储为 csv 文件

import pandas as pd


# 使用 to_csv() 方法将 DataFrame 存储为 csv 文件
nme = ["Google", "Runoob", "Taobao", "Wiki"]
st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"]
ag = [90, 40, 80, 98]
dict = {'name': nme, 'site': st, 'age': ag}
df = pd.DataFrame(dict)
# print(df)

df.to_csv('./aaa.csv')# 保存 dataframe到该文件夹下
df.to_csv(r'C:\Users\Public\Desktop\a1.csv',encoding='utf8')# 保存 dataframe到指定路径

path = r"C:\Users\Public\Desktop"
wen = '\ccc.csv'
df.to_csv(path+wen,encoding='utf8')

　3、to_string() 用于返回 DataFrame 类型的数据，如果不使用该函数，则输出结果为数据的前面 5 行和末尾 5 行，中间部分以 ... 代替。

import pandas as pd

df = pd.read_csv('nba.csv')
print(df)

　　

五、Pandas JSON

1、JSON 对象与 Python 字典具有相同的格式，所以我们可以直接将 Python 字典转化为 DataFrame 数据：

import pandas as pd

# 字典格式的 JSON                                                                                              
s = {
    "col1":{"row1":1,"row2":2,"row3":3},
    "col2":{"row1":"x","row2":"y","row3":"z"}
}
# 读取 JSON 转为 DataFrame                                                                                          
df = pd.DataFrame(s)
print(df)

　　以上实例输出结果为：

      col1 col2
row1     1    x
row2     2    y
row3     3    z

　　2、从 URL 中读取 JSON 数据：

import pandas as pd

URL = 'https://static.runoob.com/download/sites.json'
df = pd.read_json(URL)
print(df)

　　

六、Pandas 数据清洗

　　数据清洗是对一些没有用的数据进行处理的过程。

　　很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要对使数据分析更加准确，就需要对这些没有用的数据进行处理。

　　在这个教程中，我们将利用 Pandas包来进行数据清洗。

 

1、Pandas 清洗空值

 　　如果我们要删除包含空字段的行，可以使用 dropna() 方法，语法格式如下：

　　　　DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
参数说明： 
 axis：　　默认为 0，表示逢空值剔除整行，如果设置参数 axis＝1 表示逢空值去掉整列。
 how：　　 默认为 'any' 如果一行（或一列）里任何一个数据有出现 NA 就去掉整行，如果设置 how='all' 一行（或列）都是 NA 才去掉这整行。
 thresh： 设置需要多少非空值的数据才可以保留下来的。
 subset： 设置想要检查的列。如果是多个列，可以使用列名的 list 作为参数。
 inplace：如果设置 True，将计算得到的值直接覆盖之前的值并返回 None，修改的是源数据。默认为False

　　1.1、添加na_values属性指定的某些数据修改为空数据（NaN）

# df = pd.read_csv(r'C:\Users\Administrator\Desktop\property-data.csv')
missing_values = ["n/a", "na", "--","N","Y"]
df1 = pd.read_csv('./property-data.csv')
df2 = pd.read_csv('./property-data.csv',na_values=missing_values)#添加na_values属性指定的某些数据修改为空数据（NaN）
print(df1)
print(df2)
# print(df2['SQ_FT'].isnull())#判断某列中的各个单元格是否为空

　　1.2、 dropna() 方法 返回一个新的 DataFrame，不会修改源数据。

# 如果你要修改源数据 DataFrame, 可以使用 inplace = True 参数:
new_df = df1.dropna()#如果某行中有一个单元格数据为空则删除整行
new_df2 = df1.dropna(subset=['NUM_BATH'])# 某指定列如果有空数据，则删除空数据所在行
print(new_df)
# print(new_df2)

　　1.3、 fillna()方法 来替换一些空字段

df3 = df1.fillna('666') #添加 inplace=True属性会改变源数据
df4 = df1['NUM_BEDROOMS'].fillna('555') #指定某列获取数据并替换空数据
print(df3)
print(df4)

　　1.4、使用 mean() 方法计算列的均值并替换空单元格

x = df1["ST_NUM"].mean() #指定某列进行平均值计算
df1["ST_NUM"].fillna(x, inplace = True)#使用fillna()方法进行数据替换
print(x)
print(df1)

　　1.5、使用 median() 方法计算列的中位数并替换空单元格：

x = df1["PID"].median()
df1_1 = df1["PID"].fillna(x)
print(x)
print(df1_1)

　　1.6、使用 mode() 方法计算列的众数并替换空单元格

x = df1["PID"].mode()
df1["PID"].fillna(x,inplace=True)
print(x)
print(df1)

　　

2、Pandas 清洗格式错误数据

3、Pandas 清洗错误数据

4、Pandas 清洗重复数据