pandas介绍#

Pandas 是一个开源的数据分析和数据处理库，它是基于 Python 编程语言的。

Pandas 提供了易于使用的数据结构和数据分析工具，特别适用于处理结构化数据，如表格型数据（类似于Excel表格）。

Pandas 是数据科学和分析领域中常用的工具之一，它使得用户能够轻松地从各种数据源中导入数据，并对数据进行高效的操作和分析。

Pandas 主要引入了两种新的数据结构：DataFrame 和 Series

• Series： 类似于一维数组或列表，是由一组数据以及与之相关的数据标签（索引）构成。Series 可以看作是 DataFrame 中的一列，也可以是单独存在的一维数据结构。
• DataFrame： 类似于一个二维表格，它是 Pandas 中最重要的数据结构。DataFrame 可以看作是由多个 Series 按列排列构成的表格，它既有行索引也有列索引，因此可以方便地进行行列选择、过滤、合并等操作。

Pandas 提供了丰富的功能，包括：

• 数据清洗：处理缺失数据、重复数据等。
• 数据转换：改变数据的形状、结构或格式。
• 数据分析：进行统计分析、聚合、分组等。
• 数据可视化：通过整合 Matplotlib 和 Seaborn 等库，可以进行数据可视化。

pandas安装#

1. 安装python

   官网下载/docker安装

2. 安装pandas

   pip install pandas

   验证使用：

   1
   import pandas as pd
   2
   pd.__version__

结构#

• 索引： 每个 Series 都有一个索引，它可以是整数、字符串、日期等类型。如果没有显式指定索引，Pandas 会自动创建一个默认的整数索引。
• 数据类型： Series 可以容纳不同数据类型的元素，包括整数、浮点数、字符串等。

1
pandas.Series( data, index, dtype, name, copy)
2

3
## data：一组数据(ndarray 类型)。
4
## index：数据索引标签，如果不指定，默认从 0 开始。
5
## dtype：数据类型，默认会自己判断。
6
## name：设置名称。
7
## copy：拷贝数据，默认为 False。

实例#

1. 使用series

   1
   import pandas as pd
   2
   
   3
   a = [1, 2, 3]
   4
   myvar = pd.Series(a)
   5
   print(myvar)
   6
   print(myvar[1])

   输出为：

   

2. 使用pd.Series设置索引

   1
   import pandas as pd
   2
   
   3
   a = ["Google", "Runoob", "Wiki"]
   4
   myvar = pd.Series(a, index = ["x", "y", "z"])
   5
   print(myvar)
   6
   print(myvar["y"])

3. 通过字典来创建

   1
   import pandas as pd
   2
   
   3
   sites = {1: "Google", 2: "Runoob", 3: "Wiki"}
   4
   myvar = pd.Series(sites)
   5
   print(myvar)
   6
   
   7
   myvar = pd.Series(sites, index = [1, 2], name="RUNOOB-Series-TEST" )
   8
   print(myvar)
   9
   
   10
   myvar = pd.Series(sites, index = [1, 2], name="RUNOOB-Series-TEST" )
   11
   print(myvar)

基本操作#

• 基本操作

  1
  ## 获取值
  2
  value = series[2]  ## 获取索引为2的值
  3
  
  4
  ## 获取多个值
  5
  subset = series[1:4]  ## 获取索引为1到3的值
  6
  
  7
  ## 使用自定义索引
  8
  value = series_with_index['b']  ## 获取索引为'b'的值
  9
  
  10
  ## 索引和值的对应关系
  11
  for index, value in series_with_index.items():
  12
      print(f"Index: {index}, Value: {value}")

• 基本运算

  1
  ## 算术运算
  2
  result = series * 2  ## 所有元素乘以2
  3
  
  4
  ## 过滤
  5
  filtered_series = series[series > 2]  ## 选择大于2的元素
  6
  
  7
  ## 数学函数
  8
  import numpy as np
  9
  result = np.sqrt(series)  ## 对每个元素取平方根

• 属性和方法

  1
  ## 获取索引
  2
  index = series_with_index.index
  3
  
  4
  ## 获取值数组
  5
  values = series_with_index.values
  6
  
  7
  ## 获取描述统计信息
  8
  stats = series_with_index.describe()
  9
  
  10
  ## 获取最大值和最小值的索引
  11
  max_index = series_with_index.idxmax()
  12
  min_index = series_with_index.idxmin()

• 注意事项

  • Series 中的数据是有序的。
  • 可以将 Series 视为带有索引的一维数组。
  • 索引可以是唯一的，但不是必须的。
  • 数据可以是标量、列表、NumPy 数组等。

dataframe结构#

• 列和行： DataFrame 由多个列组成，每一列都有一个名称，可以看作是一个 Series。同时，DataFrame 有一个行索引，用于标识每一行。
• 二维结构： DataFrame 是一个二维表格，具有行和列。可以将其视为多个 Series 对象组成的字典。
• 列的数据类型： 不同的列可以包含不同的数据类型，例如整数、浮点数、字符串等。

1
pandas.DataFrame( data, index, columns, dtype, copy)
2

3
# data：一组数据(ndarray、series, map, lists, dict 类型)。
4
# index：索引值，或者可以称为行标签
5
# columns：列标签，默认为 RangeIndex (0, 1, 2, …, n)
6
# dtype：数据类型，默认会自己判断。
7
# copy：拷贝数据，默认为 False。

dataframe实例#

1. 使用dataframe

   1
   import pandas as pd
   2
   
   3
   data = [['Google',10],['Runoob',12],['Wiki',13]]
   4
   df = pd.DataFrame(data,columns=['Site','Age'])
   5
   print(df)

2. 使用ndarrays创建

   1
   import pandas as pd
   2
   
   3
   data = {'Site':['Google', 'Runoob', 'Wiki'], 'Age':[10, 12, 13]}
   4
   df = pd.DataFrame(data)
   5
   print (df)

3. 通过字典来创建

   1
   import pandas as pd
   2
   
   3
   data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
   4
   df = pd.DataFrame(data)
   5
   print (df)

   没有对应的部分数据为 NaN。

4. 通过loc返回指定行 Pandas 可以使用 loc 属性返回指定行的数据，如果没有设置索引，第一行索引为 0，第二行索引为 1，以此类推

   1
   import pandas as pd
   2
   
   3
   data = {
   4
     "calories": [420, 380, 390],
   5
     "duration": [50, 40, 45]
   6
   }
   7
   
   8
   # 数据载入到 DataFrame 对象
   9
   df = pd.DataFrame(data)
   10
   
   11
   # 返回第一行
   12
   print(df.loc[0])
   13
   # 返回第二行
   14
   print(df.loc[1])
   15
   
   16
   # 返回第一行和第二行
   17
   print(df.loc[[0, 1]])
   18
   
   19
   # 指定索引
   20
   print(df.loc["duration"])

5. pd.DataFrame指定索引

   1
   import pandas as pd
   2
   data = {
   3
     "calories": [420, 380, 390],
   4
     "duration": [50, 40, 45]
   5
   }
   6
   
   7
   df = pd.DataFrame(data, index = ["day1", "day2", "day3"])
   8
   print(df)

dataframe基本操作#

• 基本操作

  1
  # 获取列
  2
  name_column = df['Name']
  3
  
  4
  # 获取行
  5
  first_row = df.loc[0]
  6
  
  7
  # 选择多列
  8
  subset = df[['Name', 'Age']]
  9
  
  10
  # 过滤行
  11
  filtered_rows = df[df['Age'] > 30]

• 数据操作

  1
  # 添加新列
  2
  df['Salary'] = [50000, 60000, 70000]
  3
  
  4
  # 删除列
  5
  df.drop('City', axis=1, inplace=True)
  6
  
  7
  # 排序
  8
  df.sort_values(by='Age', ascending=False, inplace=True)
  9
  
  10
  # 重命名列
  11
  df.rename(columns={'Name': 'Full Name'}, inplace=True)

• 属性和方法

  1
  # 获取列名
  2
  columns = df.columns
  3
  
  4
  # 获取形状（行数和列数）
  5
  shape = df.shape
  6
  
  7
  # 获取索引
  8
  index = df.index
  9
  
  10
  # 获取描述统计信息
  11
  stats = df.describe()

• 外部数据源创建

  1
  # 从CSV文件创建 DataFrame
  2
  df_csv = pd.read_csv('example.csv')
  3
  
  4
  # 从Excel文件创建 DataFrame
  5
  df_excel = pd.read_excel('example.xlsx')
  6
  
  7
  # 从字典列表创建 DataFrame
  8
  data_list = [{'Name': 'Alice', 'Age': 25}, {'Name': 'Bob', 'Age': 30}]
  9
  df_from_list = pd.DataFrame(data_list)

• 注意事项

  • DataFrame 是一种灵活的数据结构，可以容纳不同数据类型的列。
  • 列名和行索引可以是字符串、整数等。
  • DataFrame 可以通过多种方式进行数据选择、过滤、修改和分析。
  • 通过对 DataFrame 的操作，可以进行数据清洗、转换、分析和可视化等工作。

介绍#

CSV（Comma-Separated Values，逗号分隔值，有时也称为字符分隔值，因为分隔字符也可以不是逗号），其文件以纯文本形式存储表格数据（数字和文本）。

CSV 是一种通用的、相对简单的文件格式，被用户、商业和科学广泛应用。

1. 处理csv Pandas 可以很方便的处理 CSV 文件

   1
   import pandas as pd
   2
   df = pd.read_csv('site.csv')
   3
   print(df.to_string())

2. 存储csv 可以使用 to_csv() 方法将 DataFrame 存储为 csv 文件

   1
   import pandas as pd
   2
   
   3
   # 三个字段 name, site, age
   4
   nme = ["Google", "Runoob", "Taobao", "Wiki"]
   5
   st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"]
   6
   ag = [90, 40, 80, 98]
   7
   # 字典
   8
   dict = {'name': nme, 'site': st, 'age': ag}
   9
   df = pd.DataFrame(dict)
   10
   
   11
   # 保存 dataframe
   12
   df.to_csv('site.csv')

数据处理#

1
import pandas as pd
2

3
df = pd.read_csv('nba.csv')
4
print(df.head())
5

6
print(df.head(10))

1
import pandas as pd
2

3
df = pd.read_csv('nba.csv')
4
print(df.tail())
5

6
print(df.tail(10))

1
import pandas as pd
2

3
df = pd.read_csv('nba.csv')
4
print(df.info())

普通JSON处理#

1
import pandas as pd
2

3
df = pd.read_json('sites.json')
4
print(df.to_string())
5

6
URL = '<https://static.runoob.com/download/sites.json>'
7
df = pd.read_json(URL)
8
print(df)

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

内嵌JSON处理#

使用 json_normalize() 方法将内嵌的数据完整的解析出来

1
import pandas as pd
2
import json
3

4
# 使用 Python JSON 模块载入数据
5
with open('nested_list.json','r') as f:
6
    data = json.loads(f.read())
7

8
# 展平数据
9
df_nested_list = pd.json_normalize(data, record_path =['students'])
10
print(df_nested_list)

更加复杂的数据

1
import pandas as pd
2
import json
3

4
# 使用 Python JSON 模块载入数据
5
with open('nested_mix.json','r') as f:
6
    data = json.loads(f.read())
7

8
df = pd.json_normalize(
9
    data,
10
    record_path =['students'],
11
    meta=[
12
        'class',
13
        ['info', 'president'],
14
        ['info', 'contacts', 'tel']
15
    ]
16
)
17

18
print(df)

读取内嵌JSON中的一组数据#

使用 glom 模块来处理数据套嵌，glom 模块允许我们使用 . 来访问内嵌对象的属性

• 安装glom

  1
  pip3 install glom

• 使用

  1
  import pandas as pd
  2
  from glom import glom
  3
  
  4
  df = pd.read_json('nested_deep.json')
  5
  
  6
  data = df['students'].apply(lambda row: glom(row, 'grade.math'))
  7
  print(data)

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：

1
DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
2

3
# 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。
4
# 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。
5
# thresh：设置需要多少非空值的数据才可以保留下来的。
6
# 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。
7
# 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。

可以通过 isnull() 判断各个单元格是否为空。

在pandas.read_csv中可以指定na_values来指定空值

1
import pandas as pd
2

3
df = pd.read_csv('property-data.csv')
4

5
print(df['NUM_BEDROOMS'])
6
print(df['NUM_BEDROOMS'].isnull())
7

8
# 指定空数据
9
missing_values = ["n/a", "na", "--"]
10
df = pd.read_csv('property-data.csv', na_values = missing_values)
11

12
print (df['NUM_BEDROOMS'])
13
print (df['NUM_BEDROOMS'].isnull())
14

15
# 删除空数据
16
new_df = df.dropna()
17
print(new_df.to_string())
18

19
# 修改原DataFrame
20
df.dropna(inplace = True)
21
print(df.to_string())
22

23
# 移除指定有空值的行
24
df.dropna(subset=['ST_NUM'], inplace = True)
25
print(df.to_string())

使用fillna()替换空值

替换空单元格的常用方法是计算列的均值、中位数值或众数。

Pandas使用 mean()、median() 和 mode() 方法计算列的均值（所有值加起来的平均值）、中位数值（排序后排在中间的数）和众数（出现频率最高的数）。

1
import pandas as pd
2

3
df = pd.read_csv('property-data.csv')
4

5
# 使用 12345 替换空字段
6
df.fillna(12345, inplace = True)
7
print(df.to_string())
8

9
# 使用均值替换空字段
10
x = df["ST_NUM"].mean()
11
df["ST_NUM"].fillna(x, inplace = True)
12
print(df.to_string())
13

14
# 使用中位数替换空字段
15
x = df["ST_NUM"].median()
16
df["ST_NUM"].fillna(x, inplace = True)
17
print(df.to_string())
18

19
# 使用众数替换空字段
20
x = df["ST_NUM"].mode()
21
df["ST_NUM"].fillna(x, inplace = True)
22
print(df.to_string())

清洗格式错误#

数据格式错误的单元格会使数据分析变得困难，甚至不可能。

我们可以通过包含空单元格的行，或者将列中的所有单元格转换为相同格式的数据。

1
import pandas as pd
2

3
# 第三个日期格式错误
4
data = {
5
  "Date": ['2020/12/01', '2020/12/02' , '20201226'],
6
  "duration": [50, 40, 45]
7
}
8
df = pd.DataFrame(data, index = ["day1", "day2", "day3"])
9

10
# 在新的python3中，下句会报错，需要加上format='mixed'明确格式混合可以正常运行
11
# pd.to_datetime(df['Date'])
12
df['Date'] = pd.to_datetime(df['Date'], format='mixed')
13
print(df.to_string())

使用astype修改数据格式

1
data['语文'].dropna(how='any').astype('int')

清洗错误数据#

1
import pandas as pd
2

3
person = {
4
  "name": ['Google', 'Runoob' , 'Taobao'],
5
  "age": [50, 200, 12345]
6
}
7

8
df = pd.DataFrame(person)
9

10
# 直接修改数据
11
df.loc[2, 'age'] = 30
12

13
# 循环判断
14
for x in df.index:
15
  if df.loc[x, "age"] > 120:
16
    df.loc[x, "age"] = 120
17

18
# 删除行
19
for x in df.index:
20
  if df.loc[x, "age"] > 120:
21
    df.drop(x, inplace = True)
22

23
print(df.to_string())

清洗重复数据#

如果我们要清洗重复数据，可以使用 duplicated() 和 drop_duplicates() 方法。

如果对应的数据是重复的，duplicated() 会返回 True，否则返回 False。

1
import pandas as pd
2

3
person = {
4
  "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],
5
  "age": [50, 40, 40, 23]
6
}
7
df = pd.DataFrame(person)
8

9
# 查找重复数据
10
print(df.duplicated())
11

12
# 删除重复数据
13
df.drop_duplicates(inplace = True)
14
print(df)