python数据文件处理库-pandas

内容目录

pandas 是一个 Python提供的快速、灵活的数据结构处理包，让“关系型”或“标记型”数据的交互既简单又直观。

一、pandas介绍

pandas 有两个主要数据结构，Series（一维）和 DataFrame（二维）, 可以处理多种类型的数据.
主要功能:

处理缺失数据（以 NaN 表示），无论是浮点数还是非浮点数数据大小可变性：可以向 DataFrame 和更高维度的对象插入和删除列
自动和显式数据对齐：对象可以显式地对齐到一组标签，或者用户可以简单地忽略标签，让 Series、DataFrame
等自动在计算中对齐数据按组操作功能: 用于对数据集执行分割-应用-合并操作，既可用于聚合数据，也可用于转换数据多源数据转换: 将其他
Python 和 NumPy 数据结构中的不规则、不同索引的数据转换为 DataFrame 对象
智能的基于标签的切片、花式索引和大数据集的子集划分直观的数据集合并和连接灵活的数据集重塑和旋转
轴的分层标记（每个刻度可以有多个标签）强大的 IO 工具，用于从（CSV 和分隔符）加载数据，从 Excel
文件、数据库加载数据，以及保存/加载超快速 HDF5 格式的数据时间序列的功能：日期范围生成和频率转换，移动窗口统计，日期偏移和滞后。

Pandas结构:
在这里插入图片描述

import pandas as pd

df = pd.DataFrame(
    {
        "Name": [
            "Braund, Mr. Owen Harris",
            "Allen, Mr. William Henry",
            "Bonnell, Miss. Elizabeth",
        ],
        "Age": [22, 35, 58],
        "Sex": ["male", "male", "female"],
    }
)

print(df)

#                        Name  Age     Sex
# 0   Braund, Mr. Owen Harris   22    male
# 1  Allen, Mr. William Henry   35    male
# 2  Bonnell, Miss. Elizabeth   58  female

其中DataFrame的每一列都是Series对象
在这里插入图片描述

print(type(df['Name']))
# <class 'pandas.core.series.Series'>

二、数据加载和写出

pandas支持多种形式的数据格式, 不仅可以在代码中显示的加载列表、数组等, 还可以引入外部文件, 支持的外部文件格式也较多

在这里插入图片描述

加载时调用对应的方法==read_xxx()==
在这里插入图片描述

# 数据加载
df = pd.read_excel('./static/pd_file.xlsx')

写出时调用对应的方法to_xxx()
在这里插入图片描述

df = pd.to_excel('./static/pd_file_new.xlsx')

三、数据清洗

dropna(axis=0, how=‘any’): 删除含有缺失值的行或列。

data = {'A': [1, 2, np.nan], 'B': [5, np.nan, np.nan], 'C': [1, 2, 3]}
df = pd.DataFrame(data)

# 删除含有缺失值的行
df_cleaned = df.dropna(axis=0, how='any')
print(df_cleaned)

fillna(value=None, method=‘ffill’, …): 用指定值或方法填充缺失值。

# 使用前一个有效值填充缺失值
df_filled = df.fillna(method='ffill')
print(df_filled)
drop(labels, axis=0): 删除指定行或列。
# 删除第一行
df_dropped_row = df.drop(0, axis=0)
print(df_dropped_row)

# 删除某列，例如 'B' 列
df_dropped_col = df.drop('B', axis=1)
print(df_dropped_col)

replace(to_replace=value, value=None): 替换指定值。

# 将缺失值替换为0
df_replaced = df.replace(np.nan, 0)
print(df_replaced)

rename(columns={old_name: new_name}, index={…}): 重命名列名或索引。

df_renamed = df.rename(columns={'A': 'NewA', 'B': 'NewB', 'C': 'NewC'})
print(df_renamed)

四、数据转换

生成列

# 对a列按照'|'分割, 取1、9、10列作为新列
df[['city','poi_1', 'poi_2']] = df['a'].str.split('|', expand=True)[[0,8,9]]

删除列

# 删除a列
df = df.drop(columns=['a'])

转换列格式

# 修改dt类型为datetime格式
df['dt'] = pd.to_datetime(df['dt'])
# 处理日期为day、month、year
df['dt_day'] = df['dt'].dt.strftime('%Y-%m-%d')
df['dt_month'] = df['dt'].dt.strftime('%Y-%m')
df['dt_year'] = df['dt'].dt.year

pivot(index, columns, values): 数据透视表操作。

# 示例数据
data = {
    'Category': ['Fruit', 'Fruit', 'Vegetable', 'Fruit', 'Vegetable'],
    'Product': ['Apple', 'Banana', 'Carrot', 'Orange', 'Potato'],
    'Sales': [100, 200, 150, 300, 250]
}

df = pd.DataFrame(data)

# 使用pivot创建数据透视表，以'Category'为行，'Product'为列，'Sales'为值
pivot_table = df.pivot(index='Category', columns='Product', values='Sales')
print(pivot_table)

pivot_table(index, values, aggfunc=np.mean, …): 创建带有聚合函数的数据透视表。

data = {
    'City': ['New York', 'New York', 'San Francisco', 'San Francisco', 'Chicago', 'Chicago'],
    'Month': ['Jan', 'Feb', 'Jan', 'Feb', 'Jan', 'Feb'],
    'Temperature': [5, 8, 12, 14, 3, 6]
}

df = pd.DataFrame(data)

# 使用pivot_table计算每个月各城市的平均温度
pivot_table = df.pivot_table(index='Month', columns='City', values='Temperature', aggfunc=np.mean)
print(pivot_table)

apply(func, axis=0): 应用函数到DataFrame的行或列上。

# 示例DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})

# 定义一个计算平方的函数
def square(x):
    return x**2

# 对DataFrame的每一列应用square函数
squared_df = df.apply(square, axis=0)
print(squared_df)

groupby(by=None): 根据某一列或多列进行分组。

data = {
    'Category': ['Fruit', 'Fruit', 'Vegetable', 'Fruit', 'Vegetable'],
    'Sales': [100, 200, 150, 300, 250]
}

df = pd.DataFrame(data)

# 按'Category'列进行分组，并计算'Sales'的总和
grouped_sales = df.groupby('Category')['Sales'].sum()
print(grouped_sales)

五、数据查询和筛选

loc()方法
DataFrame和Series对象的一种索引器，允许基于行和列的标签来选择数据。
语法: df.loc[row_selection, column_selection]，其中row_selection和column_selection可以是单个标签、列表、切片或布尔数组，
- 特性：
  - 支持“前闭后闭”的区间选择，意味着如果用切片指定范围，两端的标签都会被包含在内。
  - 可以用来选取单行、单列、多行、多列或行与列的组合。
  - 不仅可以用于选择数据，还可以用于修改现有数据或插入新数据。

import pandas as pd

data = {
    'Country': ['China', 'United States', 'India'],
    'Population': [1404200000, 332639102, 1393409038],
    'Area (sq km)': [9600000, 9372610, 3287263]
}
df = pd.DataFrame(data)
df.set_index('Country', inplace=True)

选取单列

population = df.loc[:, 'Population']

选取多列

subset = df.loc[:, ['Population', 'Area (sq km)']]

选取特定行

china_data = df.loc['China']

选取行范围

us_to_india = df.loc['United States':'India']

布尔索引

large_countries = df.loc[df['Population'] > 1000000000]

修改数据

df.loc['China', 'Population'] = 1444200000  # 更新中国人口数据

插入新数据

df.loc['Brazil'] = ['Brazil', 213993437, 8511965]  # 新增巴西数据

iloc()方法
DataFrame和Series对象的另一个重要索引器，它提供了基于整数位置的数据选择和修改功能。与loc基于标签索引不同，iloc完全依赖于数据在结构中的物理位置
语法：df.iloc[row_selection, column_selection]，其中row_selection和column_selection可以是整数、整数列表、切片或布尔数组，来指定数据的位置
- 特性：
  - 支持整数索引的“左闭右开”区间选择，意味着切片操作的结束位置是不包含在内的。
  - 适合于快速按位置访问或修改数据，尤其是在处理没有明确标签或者标签不如位置重要时。
  - 不能直接使用列名或行标签进行索引，只能使用整数位置。

选取单个元素

element = df.iloc[1, 2]  # 选取第二行第三列的元素

选取整行或整列

second_row = df.iloc[1, :]  # 选取第二行
third_column = df.iloc[:, 2]  # 选取第三列

选取多行多列

subset = df.iloc[0:2, 1:3]  # 选取前两行的第二列至第三列

切片选择

last_two_rows = df.iloc[-2:]  # 选取最后两行的所有列

布尔索引（结合.iloc需先转换为位置）

bool_index = df['A'] > 1
position_based_bool_index = df.index[bool_index]
rows_with_A_gt_1 = df.iloc[position_based_bool_index]

loc()和iloc()的区别
- loc是通过标签来访问数据,而iloc是通过整数位置来访问数据
- 在使用loc时,选择的行和列都是闭区间,即包括开始和结束位置;而在使用iloc时,选择的行和列都是左闭右开区间,即包括开始位置但不包括结束位置。
- loc可以使用布尔数组进行筛选,而iloc不支持。
- loc可以使用标签名和标签列表作为索引,而iloc只能使用整数作为索引。
- loc和iloc都支持使用冒号(:)来选择所有行或列,但是在使用loc时,冒号前后必须加上标签名或标签列表;而在使用iloc时,冒号前后可以省略,表示选择所有行或列。
使用案例

# 数据查询
# 查询某列
city = df['city']

# 按索引
# 查询第二列的所有行, 其中第一个为行, 第二个为列
name = df.iloc[:,1]

# 获取某些列
c1 = df[['city','poi_1']]
c2 = df.iloc[:,1:3]

查询切片

# 按索引
# 查询第二列的所有行, 其中第一个为行, 第二个为列
name = df.iloc[:,1]

查询指定列
数据查询

# 数据查询
city = df['city']
# 按索引
name = df.iloc[:,1]
# 获取某些列
c1 = df[['city','poi_1']]
c2 = df.iloc[:,1:3]
print(name.head(5))
print(c2.head(5))
数据筛选
# 索引筛选
# 筛选前二十行数据
print(df.iloc[0:21, :])
# 或者
print(df.head(20))

# 按条件筛选
# 获取广州的记录
df.set_index('city', inplace=True)
print(df.loc['广州'])

# 获取第二列='广州市正骨医院'的记录
print(df.loc[df['poi_1'] == '广州市正骨医院', :])

六、数据统计

sum(), mean(), median(), min(), max(): 计算总和、均值、中位数、最小值、最大值。

# 示例数据
data = {'A': [1, 2, 3, 4, 5],
        'B': [5, 15, 10, 20, np.nan],
        'C': [7, 8, 9, 10, 11]}

df = pd.DataFrame(data)

# 计算'B'列的总和、均值、中位数、最小值、最大值
total_B = df['B'].sum()
mean_B = df['B'].mean()
median_B = df['B'].median()
min_B = df['B'].min()
max_B = df['B'].max()

print(f"Sum of B: {total_B}")
print(f"Mean of B: {mean_B}")
print(f"Median of B: {median_B}")
print(f"Min of B: {min_B}")
print(f"Max of B: {max_B}")

count(): 非NA值的数量。

# 计算每列的非空值数量
non_na_counts = df.count()
print(non_na_counts)

corr(): 计算相关系数矩阵。

# 计算相关系数矩阵
correlation_matrix = df.corr()
print(correlation_matrix)

cov(): 计算协方差矩阵。

# 计算协方差矩阵
covariance_matrix = df.cov()
print(covariance_matrix)

sort_values(by, ascending=True): 根据一列或多列的值排序。

# 按'A'列升序排序
sorted_df = df.sort_values(by='A', ascending=True)
print(sorted_df)

rank(method=‘average’): 计算每行或每列的排名。

# 计算'B'列的排名
ranked_df = df['B'].rank(method='average')
print(ranked_df)

七、数据可视化

使用Matplotlib的基本绘图
首先确保已经安装了matplotlib库，如果没有安装可以通过pip安装：pip install matplotlib。

import pandas as pd
import matplotlib.pyplot as plt

# 示例数据
data = {'Year': [2000, 2001, 2002, 2003, 2004],
        'Sales': [10, 15, 20, 25, 30]}
df = pd.DataFrame(data)

# 绘制折线图
plt.figure(figsize=(10, 5))
df.plot(kind='line', x='Year', y='Sales', color='blue')
plt.title('Sales Over Years')
plt.xlabel('Year')
plt.ylabel('Sales')
plt.show()