Pandas

Pandas 是 Python 中一个非常强大的数据处理库，它提供了快速、灵活和表达式丰富的数据结构，旨在使“关系”或“标签”数据的处理工作变得既简单又直观。Pandas 非常适合于数据清洗和准备阶段，以便进行进一步的分析和建模。

这篇我们接着来介绍Pandas方法：

变量类型的转换

Pandas支持的数据类型：

float、int、string、bool、datetime64[nsr]、datetime64[nsr,tz]、timedelta[ns]、category以及object。

查看各列数据类型

#查看各列数据类型

book_df.dtypes
----------------------
ID         int64
name      object
age        int64
gender    object
clazz     object
dtype: 	  object

改变数据类型

格式：

df.astype(
 dtype :指定希望转换的数据类型，可以使用 numpy 或者 python 中的数据类型： int/float/bool/str
 copy = True :是否生成新的副本，而不是替换原数据框
 errors = 'raise' : 转换出错时是否抛出错误，
    raise/ ignore )

# 改变数据类型

book_df['age'].astype("float")
----------------------------------
0      22.0
1      24.0
2      22.0
3      24.0
4      22.0
       ... 
995    24.0
996    21.0
997    22.0
998    23.0
999    23.0
Name: age, Length: 1000, dtype: float64

重置索引

#重置索引--------->reset_index

a_pd = pd.DataFrame(np.random.randint(0,10,(3,2)),columns=list('ab'),index=list('efg'))
a_pd.reset_index(drop=True)	#索引从0开始重置
--------------
	a	b
0	2	3
1	4	0
2	1	9

删除行

# 删除行

new_a_pd.drop(1,inplace=True)	#删除第一行
new_a_pd
---------------
	a	b
0	5	3
2	6	0

索引和切片

series

索引：

data=pd.Series([4,3,25,2,3],index=list('abcde'))
data
--------
a     4
b     3
c    25
d     2
e     3
dtype: int64
=============================
data['a'] #根据key获取
-------------------
4
==========================
data[1] #索引获取
--------------
3
===========================
data[-1]
----------------
3

切片：

#切片
data['a':'d']
---------------
a     4
b     3
c    25
d     2
dtype: int64
=============================
data[2:4] #索引切片
---------------------
c    25
d     2
dtype: int64
===========================
data[-3:-1]
----------------------
c    25
d     2
dtype: int64
=============================
data[data>3]   #获取满足条件的所有行
--------------------
a     4
c    25
dtype: int64

如果索引与行名相同都是1，这时候就不知道是按照哪个来获取，所以获取时候使用loc、iloc:

loc函数：通过行索引 “Index” 中的具体值来取行数据及根据普通索引获取。

iloc函数：通过行号来取行数据，及根据位置索引获取。

data=pd.Series([5,3,2,5,9],index=[1,2,3,4,5])

data.loc[1]		#输入名称
----------------
5
====================
data.iloc[1]	#输入位置
-------------
3

DataFrame

取列

当想要获取 df 中某列数据时，只需要在 df 后面的方括号中指明要选择的列即可。如果是一列，则只需要传入一个列名;如果是同时选择多列，则传入多个列名即可（注意：多个列名 用一个 list 存放）。

#获取一列
df[col]
#获取多列
df[[col1 , col2]]  #输入列名

除了传入具体的列名，我们可以传入具体列的位置，即第几行，对数据进行选取，通过传入位置来获取数据时需要用到 iloc 方法。

df.iloc[行位置,[0,2]]

按行列索引选择

DataFrame对象按照行列检索获取，可以使用loc和iloc函数，方括号中逗号之前的部分表示要获取的行的索引，如果输入一个冒号，或不输入任何数值表示获取所有的行或列，逗号之后方括号表示要获取的列的索引。

1 df.loc[普通行索引,普通列索引]
2 df.iloc[位置行索引,位置列索引]

loc与iloc获取

import numpy as np
import pandas as pd

data=pd.DataFrame(np.arange(12).reshape(3,4),
index=list('abc'),columns=list('ABCD'))

#获取行为'b'的行
data.loc['b']

#使用iloc获取，行为'b'的行，行号为1
data.iloc[1]

isin()选择

df.isin(values) 返回结果为相应的位置是否匹配给出的 values

values 为序列：对应每个具体值

values 为字典：对应各个变量名称

values 为数据框：同时对应数值和变量名称

1 df.col.isin([1,3,5])
2 df[ df.col.isin([1,3,5])]
3 df[ df.col.isin(['val1','val2'])]
4 df[ df.index.isin(['val1','val2'])]

query()的使用

使用boolean值表达式进行筛选

df.query(

expr：语句表达式

inplace=False;是否直接替换原数据框

)

可以使用前缀“@”引用环境变量，等号为==，而不是=。

df.query("col>10 and col<90 and col1=val")
======================
limit = 5
df.query("col<=@limit & col==val")
df.query("col<=@limit & col!=val")

排序

用索引排序

df.sort_index（

level :（多重索引时）指定用于排序的级别顺序号/名称18

ascending = True :是否为升序排列，多列时以表形式提供

inplace = False :

na_position = 'last‘ :缺失值的排列顺序 ( first/last)

）

df = pd.read_excel（"stu_data.xlsx",index_col=["学号”,”性别”]） df.set_index( ['学号','性别'], inplace = True )

# 通过索引进行排序                                      
df.sort_index()                              
df.sort_index(ascending=False)
df.sort_index(ascending = [True,False])
           
#设置哪个索引进行排序                          
df.sort_index(level="支出")
df.sort_index(level= ["支出","体重"])

使用变量值排序

df.sort_values（

by :指定用于排序的变量名，多列时以列表形式提供

ascending = True :是否为升序排列

inplace = False :

na_position = 'last‘ :缺失值的排列顺序，( first/last)

）

# 根据值进行排序
df.sort_values(by='身高')

修改替换变量值

本质上是如何直接指定单元格的问题，只要能准确定位单元地址，就能够做到准确替换。

# 判断哪一行是我们要的数据
df.体重[1] = 78
df['体重'][1] = 68
df.loc[1,'体重'] = 78
df.开设.isin(['不清楚'])
df.开设[df.开设.isin(['不清楚'])] = '可以'

对应数值的替换

df.replace(

to_replace = None :将被替换的原数值，所有严格匹配的数值将被用 value 替换，可以

str/regex/list/dict/Series/numeric/None

value = None :希望填充的新数值

inplace = False

)

df.开设.replace('可以','不清楚',inplace = True)

df.性别.replace(['女','男'],[0,1],inplace =True)

df.性别.replace({0:'女',1:'男'},inplace =True)

数据分组

df.groupby(

by :用于分组的变量名/函数

level = None :相应的轴存在多重索引时，指定用于分组的级别

as_index = True :在结果中将组标签作为索引

sort = True :结果是否按照分组关键字逬行排序

)#生成的是分组索引标记，而不是新的 df

dfg = df.groupby ('开设')

#查看dfg里面的数据
dfg.groups

#查看具体描述
dfg.describe( )

#按多列分组
dfg2 = df.groupby(['性别','开设'])

dfg2.mean ()

基于拆分进行筛选

筛选出其中一组

dfgroup.get_group()

dfg.get_group ('不必要').mean ()
dfg.get_group ('不必要').std ()

筛选出所需的列

该操作也适用于希望对不同的变量列进行不同操作时

dfg['身高'].max()

分组汇总

在使用 groupby 完成数据分组后，就可以按照需求进行分组信息汇总，此时可以使用其它专门的汇总命令，如 agg 来完成汇总操作。

使用 agg 函数进行汇总

df.aggregate( )

名称可以直接简写为 agg，可以用 axis 指定汇总维度，可以直接使用的汇总函数。

dfg.agg( 'count')

dfg.agg('median')

dfg.agg(['mean', 'median'])

dfg.agg(['mean', 'median'])

#引用非内置函数
import numpy as np
df2.身高.agg (np. sum)

dfg.身高.agg (np. sum)

引用自定义函数

def mynum(x:int) ->int:
    return x.min()

df2.身高.agg (mymean)
dfg.agg(mymean)

处理缺失值

认识缺失值

系统默认的缺失值 None 和 np. nan。

data=pd.Series([3,4,np.nan,1,5,None])
df=pd.DataFrame([[1,2,None],[4,np.nan,6],[5,6,7]])

缺失值查看

直接调用info()方法就会返回每一列的缺失情况。

df=pd.DataFrame([[1,2,np.nan],[4,np.nan,6],[5,6,7]])
df.info()

获取所有缺失值

Pandas中缺失值用NaN表示，从用info()方法的结果来看，索引1这一列是1 2 non-null float64，表示这一列有2个非空值，而应该是3个非空值，说明这一列有1个空值。还可以用isnull()方法来判断哪个值是缺失值，如果是缺失值则返回True，如果不是缺失值返回False。df.isna(): 检查相应的数据是否为缺失值同 df.isnull().

df.notna()等同于notnull()

data=pd.Series([3,4,np.nan,1,5,None])print('isnull()方法判断是否是缺值：')

print(data.isnull())
print(data.isna())
print('获取缺值：')
print(data[data.isnull()])
print('获取非空值')
print(data[data.notnull()])

填充缺失值

调用fillna()方法对数据表中的所有缺失值进行填充，在fillna()方法中输入要填充的值。还可以通过method参数使用前一个数和后一个数来进行填充。

df.fillna(
      value :用于填充缺失值的数值，也可以提供dict/Series/DataFrame 以进—步指明哪些索引/列会被替换不能使用 list
      method = None :有索引时具体的填充方法，向前填充，向后填充等
      limit = None :指定了 method 后设定具体的最大填充步长，此步长不能填充
      axis : index (0), columns (1)
       inplace = False
)

Series对象缺失值填充:

data=pd.Series([3,4,np.nan,1,5,None])

print('以0进行填充:')
print(data.fillna(0))
print('以前一个数进行填充:')
print(data.fillna(method='ffill'))
print('以后一个数进行填充:')
print(data.fillna(method='bfill'))
print('先按前一个，再按后一个')
print(data.fillna(method='bfill').fillna(meth od='ffill'))

DataFrame对象缺失值填充:

df=pd.DataFrame([[1,2,np.nan],[4,np.nan,6],[5,6,7]])

print('使用数值0来填充：')
print(df.fillna(0))
print('使用行的前一个数来填充：')
print(df.fillna(method='ffill'))
print('使用列的后一个数来填充：')
print(df.fillna(method='bfill' ,axis=1))

列的平均值来填充:

df=pd.DataFrame([[1,2,np.nan],[4,np.nan,6],[5,6,7]])

for i in df.columns:
    df[i]=df[i].fillna(np.nanmean(df[i]))
df

数据查重

标识出重复的行

标识出重复行的意义在于进一步检査重复原因，以便将可能的错误数据加以修改:

df['dup' ] = df.duplicated( ['课程','开设'])

利用索引进行重复行标识df.index.duplicated()
df2 = df.set_index ( ['课程','开设'] )
df2.index.duplicated ()

直接删除重复的行

drop_duplicates (
     subset=“ ”按照指定的行逬行去重
     keep='first' 、 'last' 、 False 是否直接删除有重复的所有记录
		)

df. drop_duplicates ( ['课程', '开设' ] )
df. drop_duplicates ( ['课程', '开设' ] , keep = False )

利用査重标识结果直接删除:

#df[~df.duplicated( )]

df[~df . duplicated ( ['课程', '开设' ] )]

总结

本篇介绍了，pandas中常用的一些数据处理方法，结合上一篇，常用方法就介绍完了哦，务必好好整理！