文章目录


​数据读写​​​​数据创建​​​​数据查看​​​​数据操作​​​​数据提取​​​​数据筛选​​​​数据统计​​​​操作数据表结构​​​​数据表合并​​​​修改列名​​​​插入一列​



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