文章目录
数据读写
代码 | 作用 |
df = pd.DataFrame(pd.read_csv(‘input.csv’,header=1)) | 读取csv |
df = pd.DataFrame(pd.read_excel(‘input.xlsx’)) | 读取xlsx |
df_inner.to_csv(‘output.csv’) | 写入CSV |
df_inner.to_excel(‘output.xlsx’, sheet_name=‘sheet1’) | 写入Excel |
设置列名dataframe.columns=['col1','col2','col3']
设置索引dataframe.set_index("col_name")
读取行数pd.read_csv(file_path,skiprows=9,nrows=10)
数据创建
代码 | 作用 |
pd.Series([1, 2, 3, 4, 5]) | list创建Series |
pd.date_range(‘20171022’, periods=6) | 时间索引 |
pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list([‘c1’, ‘c2’, ‘c3’, ‘c4’])) | 列标签 |
pd.DataFrame.from_dict({“A”:1, “B”:2, “C”:3}, orient=‘index’).T | 字典创建 |
数据查看
代码 | 作用 |
df.shape | 维度 |
df.info() | 数据表基本信息(维度、列名称、数据格式、所占空间等) |
df.dtypes | 列数据的格式 |
df[‘Name’].dtype | 某一列格式 |
df.isnull() | 空值 |
df.isnull() | 查看某一列空值 |
df[Name’].unique() | 某一列的唯一值 |
df.values | 数据表的值 |
df.columns | 列名称 |
df.head() | 查看前10行数据 |
df.tail() | 查看后10行数据 |
数据操作
代码 | 作用 |
df.fillna(value=0) | 数字0填充空值 |
df[‘prince’].fillna(df[‘prince’].mean()) | 使用列prince的均值对NA进行填充 |
df[‘city’]=df[‘city’].map(str.strip) | 清除city字段的字符空格 |
df[‘city’]=df[‘city’].str.lower() | 大小写转换 |
df[‘price’].astype(‘int’) | 更改数据格式 |
df.rename(columns={‘category’: ‘category-size’}) | 更改列名称 |
df[‘city’].replace(‘sh’, ‘shanghai’) | 数据替换 |
df1.dropna(how=‘any’) | 去掉包含缺失值的行 |
df1.fillna(5) | 对缺失值进行填充 |
pd.isnull(df1) | 对缺失值进行布尔填充 |
数据提取
代码 | 作用 |
df_csv.loc[:, [‘chrom’, ‘q_value’]] | 索引+列标签切片 |
df_csv.loc[0, [‘chrom’]] df_csv.loc[0, ‘chrom’] df_csv.at[0, ‘chrom’] df_csv.iloc[1, 1] df_csv.iat[1, 1] | 提取一个标量 |
df_csv.iloc[3] df_inner.loc[3] | 提取一行 |
df_inner.iloc[0:5] df_csv.iloc[3:5, 0:2] df_csv.iloc[[1, 2, 4], [0, 2]] df_csv.iloc[1:3, :] df_inner.ix[:‘2013-01-03’,:4] | 提取区域 |
df_inner[‘city’].isin([‘beijing’]) | 判断city列的值是否为北京 |
df_inner.loc[df_inner[‘city’].isin([‘beijing’,‘shanghai’])] | 判断city列里是否包含beijing和shanghai,然后将符合条件的数据提取出来 |
pd.DataFrame(category.str[:3]) | 提取前三个字符,并生成数据表 |
df_csv.loc[:, [‘chrom’, ‘q_value’]] | 索引+列标签切片 |
数据筛选
代码 | 作用 |
df_inner.loc[(df_inner[‘age’] > 25) & (df_inner[‘city’] == ‘beijing’), [‘id’,‘city’,‘age’,‘category’,‘gender’]] | 使用“与”进行筛选 |
`df_inner.loc[(df_inner[‘age’] > 25) | (df_inner[‘city’] == ‘beijing’), [‘id’,‘city’,‘age’,‘category’,‘gender’]].sort([‘age’]) ``` | |
df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,‘city’,‘age’,‘category’,‘gender’]].sort([‘id’]) | 使用“非”条件进行筛选 |
df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,‘city’,‘age’,‘category’,‘gender’]].sort([‘id’]).city.count() | 对筛选后的数据按city列进行计数 |
df_inner.query(‘city == [“beijing”, “shanghai”]’) | 使用query函数进行筛选 |
df_inner.query(‘city == [“beijing”, “shanghai”]’).price.sum() | 对筛选后的结果按prince进行求和 |
数据统计
代码 | 作用 |
df_inner.groupby(‘city’).count() | 对所有的列进行计数汇总 |
df_inner.groupby(‘city’)[‘id’].count() | 按城市对id字段进行计数 |
df_inner.groupby([‘city’,‘size’])[‘id’].count() | 对两个字段进行汇总计数 |
df_inner.groupby(‘city’)[‘price’].agg([len,np.sum, np.mean]) | 对city字段进行汇总,并分别计算prince的合计和均值 |
df_inner.sample(n=3) | 简单的数据采样 |
weights = [0, 0, 0, 0, 0.5, 0.5]df_inner.sample(n=2, weights=weights) | 手动设置采样权重 |
df_inner.sample(n=6, replace=False) | 采样后不放回 |
df_inner.sample(n=6, replace=True) | 采样后放回 |
df_inner.describe().round(2).T | 数据表描述性统计 |
df_inner[‘price’].std() | 计算列的标准差 |
df_inner[‘price’].cov(df_inner[‘m-point’]) | 计算两个字段间的协方差 |
df_inner.cov() | 数据表中所有字段间的协方差 |
df_inner[‘price’].corr(df_inner[‘m-point’]) | 两个字段的相关性分析 相关系数在-1到1之间,接近1为正相关,接近-1为负相关,0为不相关 |
df_inner.corr() | 数据表的相关性分析 |
操作数据表结构
代码 | 作用 |
df_inner.set_index(‘id’) | 设置索引列 |
df_inner.sort_values(by=[‘age’]) | 按照 age 列排序 |
df_inner.sort_index() | 按照索引列排序 |
df_inner[‘group’] = np.where(df_inner[‘price’] > 3000,‘high’,‘low’) | 如果prince列的值>3000,group列显示high,否则显示low |
df_inner.loc[(df_inner[‘city’] == ‘beijing’) & (df_inner[‘price’] >= 4000), ‘sign’]=1 | 对复合多个条件的数据进行分组标记 |
pd.DataFrame((x.split(’-’) for x in df_inner[‘category’]),index=df_inner.index,columns=[‘category’,‘size’])) | 对category字段的值依次进行分列,并创建数据表,索引值为df_inner的索引列,列名称为category和size |
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True) | 将完成分裂后的数据表和原df_inner数据表进行匹配 |
df_inner.reset_index() | 重设索引 |
df_inner=df_inner.set_index(‘date’) | 设置日期为索引 |
数据表合并
代码 | 作用 |
df_inner=pd.merge(df,df1,how=‘inner’) | 内连接(取两个集合的交集) |
df_left=pd.merge(df,df1,how=‘left’) | 左连接(以 df 为基准,df1 在 df 中无匹配则为空) |
df_right=pd.merge(df,df1,how=‘right’) | 右连接(以 df1 为基准,df 在 df1 中无匹配则为空) |
df_outer=pd.merge(df,df1,how=‘outer’) | 全连接(取两个集合的并集,包含有 df , df1 的全部数据行,无匹配则填充空) |
修改列名
代码 | 作用 |
a.columns = [‘a’,‘b’,‘c’] | 列名全部修改 |
a.rename(columns={‘A’:‘a’}, inplace = True) | 修改部分列名 |
插入一列
代码 | 作用 |
frame.insert(0, ‘num’, 1) | 在第一列插入名为num的列,值为1 |
frame.insert(0, ‘num’, np.[i for i in rang(10)], allow_duplicates=True) | 在第一列插入名为num的列,值为1…10,允许有重复列 |