Python数据分析与挖掘所需的Pandas常用知识
前言 Pandas基于两种数据类型：series与dataframe。 一个series是一个一维的数据类型，其中每一个元素都有一个标签。series类似于Numpy中元素带标签的数组。其中，标签可以是数字或者字符串。 一个dataframe是一个二维的表结构。Pandas的dataframe可以存储许多种不同的数据类型，并且每一个坐标轴都有自己的标签。你可以把它想象成一个series的字典项。 Pandas常用知识 一、读取csv文件为dataframe二、dataframe的数据概况三、取列数据四、取行数据五、取某一单元格数据六、缺失值处理七、归一化处理八、排序九、索引重新编号十、求均值十一、矢量化操作（批量操作）十二、透视表 一、读取csv文件为dataframe Pandas很好的一点是，可以操作表文件。输出为dataframe格式，这点很nice。 使用pandas.read_csv()读取csv文件，输出为dataframe格式数据。 这里数据data.csv数据集下载自百度地图。 import pandas as pd filepath = r'C:/Users/lenovo/Desktop/20180108-百度地图/20180108-百度地图/data.csv' df = pd.read_csv(filepath) #为了方便，我只显示三行，其实结果并不是这样子 print(df) 检测下数据格式 #检测下数据格式是否为DataFrame print(type(df)) #输出class 'pandas.core.frame.DataFrame 二、 DataFrame数据概况 我们想知道数据如下知识： 展示dataframe前后几条记录 显示dataframe的列名字 查看dataframe的维度情况（几行几列） 2.1展示dataframe前后几行 #展示前两条记录（根据需要显示条数） df.head(2) print(df.head(2)) #展示后三条记录 df.tail(3) print(df.tail(3)) 2.2展示dataframe列名 #展示列名 col_names = df.columns print(col_names) #查看下col_names格式 type(col_names) #将col_names转化为list col_list = col_names.tolist() col_list 三、从dataframe中取列数据 使用dataframe[column_name]，返回series格式数据。 series序列数据类似于list，你可以近似等同于list。 只不过返回数据中会多一列index索引。如下面的左侧数字序号 3.1 取一列数据 #这里我们一列，如取Name列数据 df['Name'][:5] print(df['Name'][:5]) 3.2取多列数据 #这里返回的数据还是dataframe格式，为了方便也只显示前几条记录 cols = ['name', 'province_name', 'city_name', 'city_code', 'area', 'addr'] df[cols] print(df[cols]) 四、从dataframe中取行数据（记录） ix[row, col] 中括号中第一个参数row是行参数，你想选择的数据行数。 第二个参数col是列参数，选择你想要的列数据项。 4.1取一行数据 #第一行所有数据 df.ix[0, :] print(df.ix[0, :]) #第一行的某几列数据 col = ['Survived', 'Pclass', 'Sex'] df.ix[0, col] print(df.ix[0, col]) 2取多行数据 #取多行数据，所有列。这里我选择前5行，所有列. #这里是不是很像切片操作。python基础很重要 df.ix[:5, :] print(df.ix[:5, :]) #取多行，某几列 df.ix[:5, col] print(df.ix[:5, col]) 五、取某一单元格数据 取第一行第一列。df.ix[0,0] 第三行第七列。df.ix[2,6] 六、缺失值处理 缺失值一般标记为NaN,处理办法如下 df.dropna(axis) 默认直接使用df.dropna() axis=1,按照行进行缺失值处理 axis=0，按照列进行缺失值处理 df.dropna(axis=0,subset) axis=0,按照列方向处理subset中的列缺失值 subset=[column] subset含有一个或多个列名的的list 6.1按照行进行缺失值处理 #按照列处理缺失值(为显示方便，只显示前5行) df.dropna(axis=0) #对指定列进行缺失值处理 df.dropna(axis=0,subset=['Sex','Age']) 七、归一化处理 数据集中，不同的列的数据可能在不同量级，如果直接进行分析。模型会认为数字大的影响力大，数字小的影响力小。 最终结果可能导致量级小的变量被剔除出模型。因此需要将数据归一化，变成同一量级的数据，这就是归一化操作。 在这里我们只对一列操作下，其余列也需要操作，但为了方便，这里只写一列的归一化处理。 处理步骤： 1.选取该列的最大值 max_value = df[col].max() 2.该列所有值均除以max_value 这里要注意，我们会用到pandas特性，矢量化操作，也就是可以对一个列表进行批量同样的操作。 #这里我们选Fare列进行归一化，先看下Fare的数据 #为了方便显示，只显示了前10个 df['Fare'] #这里我们选Fare列进行归一化 max_value = df['Fare'].max() max_value #这里我们选Fare列进行归一化 max_value = df['Fare'].max() max_value #归一化，并将数据传入新列new_Fare df['new_Fare']=df['Fare']/max_value df['new_Fare'] 八、排序 df.sort_values(col,inplace,ascending) col 对col列进行排序 inplace 布尔型值，是否原地操作。 True时，操作结果覆盖掉原数据，原数据被修改 False时，新建一个新数据，原数据未被修改 ascending 布尔型值。升序降序。 False降序，True升序 #对Age列进行降序操作，不修改原始数据 df.sort_values('Age',inplace=False,ascending=False) 九、索引重新 将排序后的索引重新排序 df.reset_index(drop) drop 为布尔型值，True表示修改原始数据的索引。 False保留原始数据索引序列。 df.reset_index(drop=False) 十、求平均值 10.1所有列的平均值信息 df.mean() 10.2 单个列的平均值 df['Age'].mean() 十一、矢量化操作（批量操作） 一般对如list样式的数据批量操作，需要写循环，但是这样费时费力。 pandas基于numpy，可进行矢量化操作，一行就能完成复杂的循环语句，而且运行效率还很高。 #对Age列批量加10 df['Age']+10).head #对Age列批量减20 df['Age']-10 十二、透视表 df.pivot_table(index=col1,values=col2,aggfunc='numpy函数') 围绕index参数列，分析各个col2，aggfunc是np函数，当然这里的aggfunc也可以是自定义函数。 #分析平均年龄对对生存率的影响。 #0为死亡，1为生存。 #这里我们发现年龄对生存率有影响。 import numpy as np df.pivot_table(index='Survived',values='Age',aggfunc=np.mean) #分析仓位等级对生存率影响。0为死亡，1为生存。 #仓位为一等二等三等分别取值1，2，3 #一等舱最高级。我们发现仓位等级对生存也有影响。 df.pivot_table(index='Survived',values='Pclass',aggfunc=np.mean) pandas提取html中的表格数据 pandas会在网页中寻找任何符合html表形式的数据，并将其转化WieDataFrame对象作为返回结果 Code pandas使用方法 import pandas as pd #header=1 显示列名；header=0，不显示 pd.read_html(url,header) 实战代码开始 import pandas as pd url = "http://hz.house.ifeng.com/detail/2014_10_28/50087618_1.shtml" data = pd.read_html(url,header=1) print(data) 注意啊，这里得到的数据格式是list。 [ 序号 楼盘名称 城区 签约套数 预定套数 签约面积（㎡）签约均价（元/㎡） 0 1.0 龙湖春江郦城 滨江 18 0 2178.61 23757.0 1 2.0 海威钱塘之星 滨江 13 0 629.55㎡ 17398.0 2 3.0 大家运河之星 拱墅 12 0 1052.72㎡ 10457.0 3 4.0 保利城市果岭 下沙 8 0 743.05㎡ 10457.0 .. ... ... ... ... ... ... ... 85 86.0 广宇锦绣桃源 拱墅 1 0 86.44㎡ 12473.0 86 87.0 景瑞申花壹号院 拱墅 1 0 89.18㎡ 21529.0 87 88.0 复地黄龙和山 西湖 0 1 0㎡ 0.0 88 89.0 中粮方圆府 下城 0 1 0㎡ 0.0 89 90.0 东方铭楼 下沙 0 16 0㎡ 0.0 90 NaN 总计签约： 主城区 216 40 21755.55㎡ NaN [91 rows x 7 columns], 2 DataFrame对象 df.to_json() 而只要知道数据存储在DataFrame中，一切都变的简单起来。 比如我很希望数据以json记形式输出，很简单！这只是一行代码的事情。 import pandas as pd data = pd.read_html(url,header=1) #data数据是list类型，要先转化为dataframe df = pd.DataFrame(data) df.to_json(orient='records') df.to_csv() dataframe对象，还可以将数据输出保存为csv文件 import pandas as pd data = pd.read_html(url,header=1) df = pd.DataFrame(data) #encoding为gbk编码，可以在office excel中看中文不乱吗 df.to_csv('data.csv',encoding='gbk') 转自：https://mp.weixin.qq.com/s?__biz=MzI5NDY1MjQzNA==&mid=2247485475&idx=1&sn=81f5a117335181a9e846b84e20bd921a&chksm=ec5ed75edb295e48538eea0e7c28d4bbbffdd3405784d3019db5f65592424ef4a0fab18f73ab&mpshare=1&scene=23&srcid=0208YIogc0ZyLNbYf1ISMvMx#rd
