Pandas入门教程

Python爬虫与数据挖掘

共 6341字,需浏览 13分钟

 ·

2022-01-26 13:18

点击上方“Python共享之家

回复“资料”可获赠Python学习福利

声喧乱石中,色静深松里。

    大家好,我是皮皮。其实这个pandas教程,卷的很严重了,才哥,小P等人写了很多的文章,这篇文章是粉丝【古月星辰】投稿,自己学习过程中整理的一些基础资料,整理成文,这里发出来给大家一起学习。

Pandas入门

本文主要详细介绍了pandas的各种基础操作,源文件为zlJob.csv,可以私我进行获取,下图是原始数据部分一览。

pandas官网:

https://pandas.pydata.org/pandas-docs/stable/getting_started/index.html


目录结构:

  • 生成数据表

  • 数据表基本操作

  • 数据清洗

  • 时间序列


一.生成数据表

1.1 数据读取

一般情况下我们得到的数据类型大多数csv或者excel文件,这里仅给出csv,

  • 读取csv文件

pd.read_csv()
  • 读取excel文件

pd.read_excel()

1.2 数据的创建

pandas可以创建两种数据类型,series和DataFrame;

  • 创建Series(类似于列表,是一个一维序列)

    s = pd.Series([1,2,3,4,5])

  • 创建dataframe(类似于excel表格,是二维数据)

    df2 = pd.DataFrame(    {        "A": 1.0,        "B": pd.Timestamp("20130102"),        "C": pd.Series(1, index=list(range(4)), dtype="float32"),        "D": np.array([3] * 4, dtype="int32"),        "E": pd.Categorical(["test", "train", "test", "train"]),        "F": "foo",    })


二、数据表的基本操作

2.1 数据查看

  • 查看前五行

    data.head() # head() 参数表示前几行,默认为5


  • 基本信息

data.shape

(990, 9)

data.dtypes

  • 查看空值

data['name'].isnull() # 查看name这一列是否有空值


2.2 行和列的操作

  • 添加一列

dic = {'name':'前端开发','salary':2万-2.5万,  'company':'上海科技有限公司',  'adress':'上海','eduBack':'本科','companyType':'民营',  'scale':1000-10000人,'info':'小程序'}
df = pd.Series(dic)df.name = 38738data = data.append(df)data.tail()

结果:

  • 删除一行

data = data.drop([990])
  • 添加一列

data  = data["xx"] = range(len(data))
  • 删除一列

data = data.drop('序号',axis=1)

axis表示轴向,axis=1,表示纵向(删除一列)


2.3 索引操作

  • loc

    loc主要是基于标签(label)的,包括行标签(index)和列标签(columns),即行名称和列名称,可以使用df.loc[index_name,col_name],选择指定位置的数据,其它的用法有:

  • 1. 使用单个标签

    data.loc[10,'salary']#  9千-1.3

    2. 单个标签的list

    data.loc[:,'name'][:5]


    3. 标签的切片对
    data.loc[:,['name','salary']][:5]


  • iloc

iloc是基于位置的索引,利用元素在各个轴上的索引序号进行选择,序号超出范围会产生IndexError,切片时允许序号超过范围,用法包括:

1. 使用整数

data.iloc[2] # 取出索引为2的那一行


2. 使用列表或数组

data.iloc[:5]


3. 切片对象

data.iloc[:5,:4] # 以,分割,前面切片5行,后面切片4列

常见的方法就如上所示。


2.4 层次化索引

  • series层次化索引

s = pd.Series(np.arange(1,10),index=[list('aaabbccdd'),[1,2,3,1,2,3,1,2,3]])

  • dataframe层次化索引

df = pd.DataFrame(np.arange(12).reshape(4,3),index=[['a','a','b','b'],[1,2,1,2]],columns=[['X','X','Y'],['m','n','t']])

层次化索引应用于当目标数据的特征值很多时,我们需要对多个特征进行分析。


三、数据预处理

3.1 缺失值处理

首先创建一个简单的表格:

df = pd.DataFrame({'state':['a','b','c','d'],'year':[1991,1992,1993,1994],'pop':[6.0,7.0,8.0,np.NaN]})df

结果如下:

判断缺失值

df['pop'].isnull()

结果如下:

填充缺失值

df['pop'].fillna(0,inplace=True) # 使用0填充缺失值df

删除缺失值

data.dropna(how = 'all')    # 传入这个参数后将只丢弃全为缺失值的那些行 

结果如下:

当然还有其他情况:

data.dropna(axis = 1)       # 丢弃有缺失值的列(一般不会这么做,这样会删掉一个特征)data.dropna(axis=1,how="all")   # 丢弃全为缺失值的那些列data.dropna(axis=0,subset = ["Age", "Sex"])   # 丢弃‘Age’和‘Sex’这两列中有缺失值的行

这里就不做一一展示(原理都是一样的)


3.2 字符处理

  • 清除字符空格

df['A']=df['A'].map(str.stri())
  • 大小写转换

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


3.3 重复值处理

  • 删除后面出现的重复值

df['A'] = df['A'].drop_duplicates() # 某一列后出现重复数据被清除
  • 删除先出现的重复值

df['A'] = df['A'].drop_duplicates(keep=last) # # 某一列先出现重复数据被清除
  • 数据替换

df['A'].replace('sh','shanghai') # 同于字符串替换


四、数据表操作

分组

groupby

group = data.groupby(data['name']) # 根据职位名称进行分组group

根据职位名称进行分组:

得到一个对象,我们可以去进行平均值,总和计算;

当然了可以根据多个特征进行分组,也是没有问题的;


聚合

concat():

pd.concat(    objs,    axis=0,    join="outer",    ignore_index=False,    keys=None,    levels=None,    names=None,    verify_integrity=False,    copy=True, )

官网参数解释如下:

  • objs: Series 或 DataFrame 对象的序列或映射。如果传递了 dict,排序后的键将用作keys参数,除非传递,在这种情况下将选择值(见下文)。任何 None 对象都将被静默删除,除非它们都是 None 在这种情况下将引发 ValueError 。

  • axis :{0, 1, …},默认为 0。要沿其连接的轴。

  • join: {'inner', 'outer'}, 默认为 'outer'。如何处理其他轴上的索引。外部用于联合,内部用于交集。

  • ignore_index: 布尔值,默认为 False。如果为 True,则不要使用串联轴上的索引值。结果轴将被标记为 0, …, n - 1。如果您在连接轴没有有意义的索引信息的情况下连接对象,这将非常有用。请注意,其他轴上的索引值在连接中仍然有效。

  • keys: 序列,默认无。使用传递的键作为最外层构建分层索引。如果通过了多个级别,则应包含元组。

  • levels: 序列列表,默认无。用于构建 MultiIndex 的特定级别(唯一值)。否则,它们将从密钥中推断出来。

  • names: 列表,默认无。生成的分层索引中级别的名称。

  • verify_integrity: 布尔值,默认为 False。检查新的串联轴是否包含重复项。相对于实际的数据串联,这可能非常昂贵。

  • copy: 布尔值,默认为真。如果为 False,则不要不必要地复制数据。


测试:

df1 = pd.DataFrame(    {        "A": ["A0", "A1", "A2", "A3"],        "B": ["B0", "B1", "B2", "B3"],        "C": ["C0", "C1", "C2", "C3"],        "D": ["D0", "D1", "D2", "D3"],    },    index=[0, 1, 2, 3],)
df2 = pd.DataFrame( { "A": ["A4", "A5", "A6", "A7"], "B": ["B4", "B5", "B6", "B7"], "C": ["C4", "C5", "C6", "C7"], "D": ["D4", "D5", "D6", "D7"], }, index=[4, 5, 6, 7],)
df3 = pd.DataFrame( { "A": ["A8", "A9", "A10", "A11"], "B": ["B8", "B9", "B10", "B11"], "C": ["C8", "C9", "C10", "C11"], "D": ["D8", "D9", "D10", "D11"], }, index=[8, 9, 10, 11],)
frames = [df1, df2, df3]
result = pd.concat(frames)result

结果如下:

merge()

pd.merge(    left,    right,    how="inner",    on=None,    left_on=None,    right_on=None,    left_index=False,    right_index=False,    sort=True,    suffixes=("_x", "_y"),    copy=True,    indicator=False,    validate=None,)

这里给出常用参数解释:

  • left:一个 DataFrame 或命名的 Series 对象;right:另一个 DataFrame 或命名的 Series 对象;

  • on: 要加入的列或索引级别名称;

  • left_on:左侧 DataFrame 或 Series 的列或索引级别用作键。可以是列名称、索引级别名称或长度等于 DataFrame 或 Series 长度的数组;right_on:来自正确 DataFrame 或 Series 的列或索引级别用作键。可以是列名称、索引级别名称或长度等于 DataFrame 或 Series 长度的数组

  • left_index:如果True,则使用左侧 DataFrame 或 Series 中的索引(行标签)作为其连接键;right_index:与left_index正确的 DataFrame 或 Series 的用法相同;

  • how: 'left', 'right', 'outer', 之一'inner'。默认为inner. 有关每种方法的更详细说明,请参见下文。


测试:

left = pd.DataFrame(    {        "key": ["K0", "K1", "K2", "K3"],        "A": ["A0", "A1", "A2", "A3"],        "B": ["B0", "B1", "B2", "B3"],    })

right = pd.DataFrame( { "key": ["K0", "K1", "K2", "K3"], "C": ["C0", "C1", "C2", "C3"], "D": ["D0", "D1", "D2", "D3"], })

result = pd.merge(left, right, on="key")result

结果如下:

相同的字段是'key',所以指定on='key',进行合并。


五、时间序列

5.1 生成一段时间范围

date = pd.period_range(start='20210913',end='20210919')date

输出结果:

PeriodIndex(['2021-09-13', '2021-09-14', '2021-09-15', '2021-09-16',             '2021-09-17', '2021-09-18', '2021-09-19'],            dtype='period[D]', freq='D')


5.2 时间序列在pandas中的应用

index = pd.period_range(start='20210913',end='20210918')df = pd.DataFrame(np.arange(24).reshape((6,4)),index=index)df

输出结果:


六、总结

    本文基于源文件zlJob.csv,进行了部分pandas操作,演示了pandas库常见的数据处理操作,由于pandas功能复杂,具体详细讲解请参见官网:

https://pandas.pydata.org/pandas-docs/stable/getting_started/index.html


需要源数据的小伙伴可以添加我为好友,私我进行获取。

    小伙伴们,快快用实践一下吧!如果在学习过程中,有遇到任何问题,欢迎加我好友,我拉你进Python学习交流群共同探讨学习。

------------------- End -------------------

往期精彩文章推荐:

欢迎大家点赞,留言,转发,转载,感谢大家的相伴与支持

想加入Python学习群请在后台回复【入群

万水千山总是情,点个【在看】行不行

浏览 28
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报