Python数据攻略-Pandas的数据计算和清洗整理

news2024/11/8 19:36:41

大家好,我是Mr数据杨,今天带大家以《三国演义》为背景,探索Python数据处理的奥秘。

将眼光投向谋士们,他们就如同Python的算术运算和NumPy、SciPy函数,精准的计算和预测是他们的必备技能。比如,郭嘉分析敌我兵力、粮草等情况,判断战斗是否可行,这就像是进行算术运算。而诸葛亮的锦囊妙计,相当于应用NumPy和SciPy函数,一步步分解复杂问题,高效解决。

再看吕布这样的武将,他们像是DataFrame排序功能的体现,能够快速确定战场上敌我状况,比如谁是主将,谁是小兵,谁是友军,这就是排序的力量。而DataFrame的过滤数据功能,如同曹操在混乱的局势中迅速找出敌军主将,然后集中力量进行攻击。

再看看袁绍,他和他的 advisers,犹如DataFrame数据统计和数据遍历功能,他们用于监控和管理各地的资源和兵力情况。常用的数据处理操作,随机抽样,插入缺失值,等等,都是他们的家常便饭。

再来看看赵云,他在战场上快速反应,灵活应对,就像处理缺失值,填补数据,删除缺失值,以及插值等操作,适应数据的各种变化。

最后再回到诸葛亮,他的举世闻名的羽扇纶巾,用来指挥战局,宛如Python的分组运算-GroupBy,能够将复杂的情况,分解成各个部分,然后各个击破,达到最后的胜利。

在Python的世界里,我们就像是《三国演义》中的人物,使用智慧和勇气,战胜一切数据处理上的困难和挑战。

文章目录

  • 应用算术运算
  • 应用NumPy和SciPy函数
    • DataFrame进行排序
    • DataFrame过滤数据
    • DataFrame数据统计
    • DataFrame数据遍历
    • 块遍历
  • 常用数据处理操作
    • 随机抽样
    • 缺失值处理
    • 插入缺失值
    • 缺失值的运算
    • 清理/填补缺失数据
    • 删除缺失值
    • 插值
    • 分组运算-GroupBy
    • GroupBy对象属性

应用算术运算

我们首先介绍如何应用基本的算术运算。下面是一个示例,演示了如何对DataFrame中的列进行加减乘除运算:

df['没年'] - df['生年']

这段代码将计算"没年"列和"生年"列之间的差值,并返回一个新的Series对象。

另一个示例是对"寿命"列进行除法运算:

df['寿命'] / 100

这段代码将"寿命"列中的每个元素除以100,并返回一个新的Series对象。

除了基本的算术运算,我们还可以使用线性组合公式计算汇总数据。下面的代码演示了如何使用线性组合公式计算汇总数据并将其添加到DataFrame中:

df['total'] = 0.4 * df['商業'] + 0.3 * df['農業'] + 0.3 * df['文化']

这段代码将根据给定的权重,对"商業"、"農業"和"文化"三列进行线性组合计算,并将结果添加到名为"total"的新列中。

运算结果示例

应用NumPy和SciPy函数

接下来,我们将介绍如何使用NumPy和SciPy函数在Pandas的Series或DataFrame对象上进行操作。下面的代码演示了如何使用NumPy的numpy.average()函数计算考生的总考试成绩:

import numpy as np

data = df.iloc[:, 13:16]
np.average(data.astype(np.float), axis=1, weights=[0.4, 0.3, 0.3])

这段代码首先从DataFrame中提取出包含考试成绩的三列数据,然后使用numpy.average()函数计算加权平均值。其中,axis=1表示按行进行计算,weights=[0.4, 0.3, 0.3]指定了每个列的权重。

另外,我们还可以直接在DataFrame中添加计算结果列。下面的代码演示了如何将加权平均值添加到DataFrame中:

del df['total']
df['total'] = np.average(df.iloc[:, 13:16].astype(np.float), axis=1, weights=[0.4, 0.3, 0.3])

这段代码

先删除原有的"total"列(如果存在),然后将新的加权平均值计算结果添加到"total"列中。

加权平均值结果示例

DataFrame进行排序

我们可以使用.sort_values()方法对DataFrame进行排序。下面的代码演示了如何按照"寿命"列进行降序排序:

df.sort_values(by='寿命', ascending=False)

这段代码将按照"寿命"列的值进行降序排序,并返回一个排序后的DataFrame。

按照寿命排序结果示例

除了单列排序,我们还可以指定多个列和多个排序方式进行排序。下面的代码演示了如何先按照"生年"列进行降序排序,然后再按照"寿命"列进行降序排序:

df.sort_values(by=['生年', '寿命'], ascending=[False, False])

这段代码将先按照"生年"列进行降序排序,对于生年相同的数据再按照"寿命"列进行降序排序。

按照生年和寿命排序结果示例

DataFrame过滤数据

Pandas的过滤功能类似于在NumPy中使用布尔数组进行索引。下面的代码演示了如何根据条件过滤DataFrame中的数据:

filter_ = df['寿命'] >= 50
df[filter_]

这段代码首先根据条件"寿命大于等于50"生成一个布尔数组,并赋值给filter_变量。然后,使用df[filter_]返回满足条件的行数据。

按照寿命过滤结果示例

我们还可以使用逻辑运算符进行多条件筛选。下面的代码演示了如何筛选出"生年大于等于80"且"寿命大于等于65"的数据:

df[(df['生年'] >= 80) & (df['寿命'] >= 65)]

这段代码使用&运算符对两个条件进行逻辑与操作,并返回满足条件的行数据。

多条件筛选结果示例

此外,我们还可以使用.where()方法替换不满足条件的位置的值。下面的代码演示了如何将"登場"列中不满足条件"登場

大于等于220"的位置替换为0.0:

df['登場'].where(cond=df['登場'] >= 220, other=0.0)

这段代码使用.where()方法将不满足条件的位置的值替换为指定的other值。

DataFrame数据统计

我们可以使用.describe()方法获取DataFrame的基本统计信息。下面的代码演示了如何获取DataFrame的基本统计信息:

df.describe()

这段代码将返回DataFrame的基本统计信息,包括计数、均值、标准差、最小值、25%分位数、50%分位数、75%分位数和最大值等。

另外,我们还可以直接调用相应的方法获取特定统计信息。例如,可以使用.mean()方法获取DataFrame的均值:

df.mean()

这段代码将返回DataFrame的每列的均值。

也可以针对特定的列进行统计,例如:

df['total'].mean()

这段代码将返回"total"列的均值。

同样地,使用.std()方法可以获取DataFrame或特定列的标准差。

df.std()
df['total'].std()

DataFrame数据遍历

在遍历DataFrame时,我们可以使用.items().iteritems()方法遍历DataFrame的列。每次迭代都会产生一个以列名和列数据作为Series对象的元组。

下面的代码演示了如何使用.items()方法遍历DataFrame的列:

for col_label, col in df.iteritems():
    print(col_label, col, sep='\n', end='\n\n')

这段代码将依次打印出每列的列名和列数据。

同样地,我们还可以使用.iterrows()方法遍历DataFrame的行。下面的代码演示了如何使用.iterrows()方法遍历DataFrame的行:

for row_label, row in df.iterrows():
    print(row_label, row, sep='\n', end='\n\n')

这段代码将依次打印出每行的行索引和行数据。

块遍历

可以将数据拆分为较小的块并逐个处理。通过设置chunksize参数,可以将数据拆分为指定大小的块。

data_chunk = pd.read_csv('temp_data/data.csv', index_col=0, chunksize=8)
data_chunk 
<pandas.io.parsers.TextFileReader object at 0x2587ef8a390>

结合for循环,拼接数据块以获取完整数据集。

示例代码:

for df_chunk in pd.read_csv('temp_data/data.csv', index_col=0, chunksize=8):
    print(df_chunk, end='\n\n')
    print('memory:', df_chunk.memory_usage().sum(), 'bytes', end='\n\n\n')

在这里插入图片描述

常用数据处理操作

随机抽样

使用sample()方法可以从Series,DataFrame随机选择行或列。该方法将默认采样行,并接受指定数量的行/列返回。

s = pd.Series([0,1,2,3,4,5])
s
0    0
1    1
2    2
3    3
4    4
5    5
dtype: int64

默认抽样为一个,也可以选择多个。

s.sample()
5    5
dtype: int64


s.sample(n=3)
5    5
3    3
2    2
dtype: int64

可以指定返回百分比,但是不能与n同时使用。

s.sample(frac=0.5)
1    1
4    4
0    0
dtype: int64

默认情况下,一行样本最多返回一次,即为无放回抽样。但也可以使用replace选项替换抽样方式。

s.sample(n=6, replace=False)
3    3
4    4
1    1
0    0
2    2
5    5
dtype: int64


s.sample(n=6, replace=True)
0    0
2    2
4    4
2    2
2    2
4    4
dtype: int64

默认情况下,每一行被选择的概率相等。但是如果希望各行具有不同的概率,则可以提供权重作为sample方法的抽样权重。权重可以是列表,数字数组或Series,但长度必须与要采样的对象长度相同。

如果权重之和不为1,那么函数会将所有权重除以权重之和来重新归一化。

example_weights = [0, 0, 0.2, 0.2, 0.2, 0.4]
s.sample(n=3, weights=example_weights)
5    5
4    4
3    3
dtype: int64


example_weights2 = [0.5, 0, 0, 0, 0, 0]
s.sample(n=1, weights=example_weights2)
0
dtype: int64

应用于DataFrame时,可以使用DataFrame的列作为采样权重(采样行而不是列的情况下),只需将列的名称作为字符串传递进去即可。

df2 = pd.DataFrame({'col1':[9,8,7,6], 'weight_column':[0.5, 0.4, 0.1, 0]})
df2
  col1	weight_column
0	9	0.5
1	8	0.4
2	7	0.1
3	6	0.0


df2.sample(n = 3, weights = 'weight_column')
   col1	weight_column
2	7	0.1
1	8	0.4
0	9	0.5

通过sampleaxis参数可以对列进行采样。

df3 = pd.DataFrame({'col1':[1,2,3], 'col2':[2,3,4]})
df3
	col1	col2
0	1	2
1	2	3
2	3	4


df3.sample(n=1, axis=1)
	col2
0	2
1	3
2	4

如果需要重现随机结果,可以通过 random_state参数设置随机数种子。

df4 = pd.DataFrame({'col1':[1,2,3], 'col2':[2,3,4]})
df4
  col1	col2
0	1	2
1	2	3
2	3	4


df4.sample(n=2, random_state=2)
   col1	col2
2	3	4
1	2	3


df4.sample(n=2, random_state=2)
   col1	col2
2	3	4
1	2	3

缺失值处理

Pandas中主要使用np.nan来表示缺失的数据。默认情况下不会被包括在计算中。

df = pd.DataFrame(np.random.randn(5, 3),
                  index=['a', 'c', 'e', 'f', 'h'],
                  columns=['one', 'two', 'three'])

df['four'] = 'bar'
df['five'] = df['one'] > 0

df
          one	      two	   three	four five
a	-0.200007	-0.367818	0.731074	bar	False
c	0.385657	-1.837256	0.235959	bar	True
e	-0.096963	-0.608573	-0.321498	bar	False
f	-0.630936	0.498058	0.715187	bar	False
h	1.360360	-0.873389	1.138654	bar	True


df2 = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
df2
         one	  two	    three	   four	five
a	-0.200007	-0.367818	0.731074	bar	False
b	NaN	NaN	NaN	NaN	NaN
c	0.385657	-1.837256	0.235959	bar	True
d	NaN	NaN	NaN	NaN	NaN
e	-0.096963	-0.608573	-0.321498	bar	False
f	-0.630936	0.498058	0.715187	bar	False
g	NaN	NaN	NaN	NaN	NaN
h	1.360360	-0.873389	1.138654	bar	True

为了使检测到的缺失值更容易(并且跨不同列和数据类型)。Pandas提供了isnull()notnull()`函数,它们也是Series和DataFrame对象的方法。

pd.isnull(df2['one'])
a    False
b     True
c    False
d     True
e    False
f    False
g     True
h    False
Name: one, dtype: bool


df2.isnull()
      one	 two	three	four	five
a	False	False	False	False	False
b	True	True	True	True	True
c	False	False	False	False	False
d	True	True	True	True	True
e	False	False	False	False	False
f	False	False	False	False	False
g	True	True	True	True	True
h	False	False	False	False	False

需要注意的是在 NumPy 中 np.nan 之间是不同的。

None == None
True

np.nan == np.nan
False

type(np.nan)
float

这样的条件判断是无效的。

df2['one'] == np.nan
a    False
b    False
c    False
d    False
e    False
f    False
g    False
h    False
Name: one, dtype: bool

插入缺失值

根据实际的需要对缺失的数据部分进行插入填充。

df3 = df[['one', 'two', 'three']].copy()
df3.iloc[[0,1,-1],0] = np.nan
df3
     one	two	    three
a	NaN	-0.367818	0.731074
c	NaN	-1.837256	0.235959
e	-0.096963	-0.608573	-0.321498
f	-0.630936	0.498058	0.715187
h	NaN	-0.873389	1.138654


df2 = df.copy()
df2['timestamp'] = pd.Timestamp('20120101')
df2
          one	      two	   three	four five	timestamp
a	-0.200007	-0.367818	0.731074	bar	False	2012-01-01
c	0.385657	-1.837256	0.235959	bar	True	2012-01-01
e	-0.096963	-0.608573	-0.321498	bar	False	2012-01-01
f	-0.630936	0.498058	0.715187	bar	False	2012-01-01
h	1.360360	-0.873389	1.138654	bar	True	2012-01-01


df2.loc[['a','c','h'],['one','timestamp']] = np.nan
df2
       one	two	three	four	five	timestamp
a	NaN	-0.367818	0.731074	bar	False	NaT
c	NaN	-1.837256	0.235959	bar	True	NaT
e	-0.096963	-0.608573	-0.321498	bar	False	2012-01-01
f	-0.630936	0.498058	0.715187	bar	False	2012-01-01
h	NaN	-0.873389	1.138654	bar	True	NaT


df2.get_dtype_counts()
float64           3
object            1
bool              1
datetime64[ns]    1
dtype: int64

缺失值的运算

当进行求和运算时,缺失的数据将会被当作零来计算。如果数据全部为NA,那么结果也会返回NA。像 cumsumcumprod 等方法回忽略NA值,但是会在返回的结果数组中回显示缺失的值。

df3
     one	  two	three
a	NaN	-0.367818	0.731074
c	NaN	-1.837256	0.235959
e	-0.096963	-0.608573	-0.321498
f	-0.630936	0.498058	0.715187
h	NaN	-0.873389	1.138654


df3['one'].sum()
-0.7278992566416747


df3.mean(1)
a    0.181628
c   -0.800649
e   -0.342345
f    0.194103
h    0.132633
dtype: float64


df3.cumsum()
     one	two	    three
a	NaN	-0.367818	0.731074
c	NaN	-2.205073	0.967032
e	-0.096963	-2.813647	0.645535
f	-0.727899	-2.315588	1.360722
h	NaN	-3.188978	2.499376

groupBy中的NA值,在groupByNA值会被直接忽略,这点同R相同。

df3.groupby('one').mean()
				two		three
one		
-0.630936	0.498058	0.715187
-0.096963	-0.608573	-0.321498

清理/填补缺失数据

Pandas对象具有多种数据处理方法来处理缺失的数据。fillna方法可以通过几种方式将非空数据填补到NA值的位置。

使用标量填补。

df2
		one	two	three	four	five	timestamp
a	NaN	-0.367818	0.731074	bar	False	NaT
c	NaN	-1.837256	0.235959	bar	True	NaT
e	-0.096963	-0.608573	-0.321498	bar	False	2012-01-01
f	-0.630936	0.498058	0.715187	bar	False	2012-01-01
h	NaN	-0.873389	1.138654	bar	True	NaT


df2.fillna(0)
		one			two			three	four five	timestamp
a	0.000000	-0.367818	0.731074	bar	False	0
c	0.000000	-1.837256	0.235959	bar	True	0
e	-0.096963	-0.608573	-0.321498	bar	False	2012-01-01 00:00:00
f	-0.630936	0.498058	0.715187	bar	False	2012-01-01 00:00:00
h	0.000000	-0.873389	1.138654	bar	True	0


df2['four'].fillna('missing')
a    bar
c    bar
e    bar
f    bar
h    bar
Name: four, dtype: object

向前填充或向后填充。

df2
	one	two	three	four	five	timestamp
a	NaN	-0.367818	0.731074	bar	False	NaT
c	NaN	-1.837256	0.235959	bar	True	NaT
e	-0.096963	-0.608573	-0.321498	bar	False	2012-01-01
f	-0.630936	0.498058	0.715187	bar	False	2012-01-01
h	NaN	-0.873389	1.138654	bar	True	NaT


df2.fillna(method='bfill')
		one			two			three	four five	timestamp
a	-0.096963	-0.367818	0.731074	bar	False	2012-01-01
c	-0.096963	-1.837256	0.235959	bar	True	2012-01-01
e	-0.096963	-0.608573	-0.321498	bar	False	2012-01-01
f	-0.630936	0.498058	0.715187	bar	False	2012-01-01
h	NaN	-0.873389	1.138654	bar	True	NaT


df2.fillna(method='bfill', limit=1)
		one	two	three	four	five	timestamp
a	NaN	-0.367818	0.731074	bar	False	NaT
c	-0.096963	-1.837256	0.235959	bar	True	2012-01-01
e	-0.096963	-0.608573	-0.321498	bar	False	2012-01-01
f	-0.630936	0.498058	0.715187	bar	False	2012-01-01
h	NaN	-0.873389	1.138654	bar	True	NaT

其中填补。使用Pandas对象填充也可以使用可对齐的dict或Series进行填充。Series的indexdict的标签必须与要填充的框架的列匹配。

dff = pd.DataFrame(np.random.randn(10,3), columns=list('ABC'))
dff.iloc[3:5,0] = np.nan
dff.iloc[4:6,1] = np.nan
dff.iloc[5:8,2] = np.nan
dff
			A		B		C
0	0.404943	-0.602736	0.113672
1	-0.085921	-0.392214	1.522769
2	-0.921177	0.195829	0.609559
3	NaN	0.399573	1.271235
4	NaN	NaN	0.006467
5	0.491558	NaN	NaN
6	-0.531279	0.780372	NaN
7	0.080427	-1.372407	NaN
8	1.190015	-0.215549	0.877159
9	1.688949	1.995778	-0.157901


dff.fillna(dff.mean())
			A			B			C
0	0.404943	-0.602736	0.113672
1	-0.085921	-0.392214	1.522769
2	-0.921177	0.195829	0.609559
3	0.289689	0.399573	1.271235
4	0.289689	0.098581	0.006467
5	0.491558	0.098581	0.606137
6	-0.531279	0.780372	0.606137
7	0.080427	-1.372407	0.606137
8	1.190015	-0.215549	0.877159
9	1.688949	1.995778	-0.157901


dff.fillna(dff.mean()['B':'C'])
			A			B			C
0	0.404943	-0.602736	0.113672
1	-0.085921	-0.392214	1.522769
2	-0.921177	0.195829	0.609559
3	NaN	0.399573	1.271235
4	NaN	0.098581	0.006467
5	0.491558	0.098581	0.606137
6	-0.531279	0.780372	0.606137
7	0.080427	-1.372407	0.606137
8	1.190015	-0.215549	0.877159
9	1.688949	1.995778	-0.157901


dff.where(pd.notnull(dff), dff.mean(), axis='columns')
		A			B			C
0	0.404943	-0.602736	0.113672
1	-0.085921	-0.392214	1.522769
2	-0.921177	0.195829	0.609559
3	0.289689	0.399573	1.271235
4	0.289689	0.098581	0.006467
5	0.491558	0.098581	0.606137
6	-0.531279	0.780372	0.606137
7	0.080427	-1.372407	0.606137
8	1.190015	-0.215549	0.877159
9	1.688949	1.995778	-0.157901

删除缺失值

可以直接通过列操作删除缺失值所在的列数据。

df3["one"] = np.nan
df3
	one		two		three
a	NaN	-0.367818	0.731074
c	NaN	-1.837256	0.235959
e	NaN	-0.608573	-0.321498
f	NaN	0.498058	0.715187
h	NaN	-0.873389	1.138654


df3.dropna(axis=0)


df3.dropna(axis=1)
		two		three
a	-0.367818	0.731074
c	-1.837256	0.235959
e	-0.608573	-0.321498
f	0.498058	0.715187
h	-0.873389	1.138654

在删除缺失值时需要注意的是,DataFrame有两条轴,而Series只有一条,所以需要指定在哪条轴上操作。

df3['one'].dropna()
Series([], Name: one, dtype: float64)

插值

Series和Dataframe对象都具有插值方法,默认情况下,在缺少的数据点处执行线性插值。

ser = pd.Series([0.469112, np.nan, 5.689738, np.nan, 8.916232])
ser
0    0.469112
1         NaN
2    5.689738
3         NaN
4    8.916232
dtype: float64


ser.interpolate()
0    0.469112
1    3.079425
2    5.689738
3    7.302985
4    8.916232
dtype: float64


df = pd.DataFrame({'A': [1, 2.1, np.nan, 4.7, 5.6, 6.8],
                   'B': [.25, np.nan, np.nan, 4, 12.2, 14.4]})
df
	A	B
0	1.0	0.25
1	2.1	NaN
2	NaN	NaN
3	4.7	4.00
4	5.6	12.20
5	6.8	14.40


df.interpolate()
	A	B
0	1.0	0.25
1	2.1	1.50
2	3.4	2.75
3	4.7	4.00
4	5.6	12.20
5	6.8	14.40

其中可以通过参数来控制插值的方式,不同的参数对应不同的差值方式和插值算法。比如说:

  • liner: 忽略索引对缺失部分进行等距的线性插值
  • time: 在时间索引下,按日期或者更高的时间频率按等距进行插值。
  • index, values: 使用索引的实际数值。
  • 其他参数: 参见scipy内容。
df.interpolate(method='index')
	A	B
0	1.0	0.25
1	2.1	1.50
2	3.4	2.75
3	4.7	4.00
4	5.6	12.20
5	6.8	14.40


df.interpolate(method='akima')
		A			B
0	1.000000	0.250000
1	2.100000	-0.873316
2	3.406667	0.320034
3	4.700000	4.000000
4	5.600000	12.200000
5	6.800000	14.400000

当通过多项式或样条近似进行插值时,还需要传入order参数。

df.interpolate(method='polynomial', order=2)
		A			B
0	1.000000	0.250000
1	2.100000	-2.703846
2	3.451351	-1.453846
3	4.700000	4.000000
4	5.600000	12.200000
5	6.800000	14.400000

同样可以通过limit参数来限制插值的个数。

ser = pd.Series([np.nan, np.nan, 5, np.nan, np.nan, np.nan, 13])
ser
0     NaN
1     NaN
2     5.0
3     NaN
4     NaN
5     NaN
6    13.0
dtype: float64

ser.interpolate(limit=2)
0     NaN
1     NaN
2     5.0
3     7.0
4     9.0
5     NaN
6    13.0
dtype: float64


ser.interpolate(limit=1, limit_direction='backward')
0     NaN
1     5.0
2     5.0
3     NaN
4     NaN
5    11.0
6    13.0
dtype: float64


ser.interpolate(limit=1, limit_direction='both')
0     NaN
1     5.0
2     5.0
3     7.0
4     NaN
5    11.0
6    13.0
dtype: float64

对于Series,可以通过另一个值替换单个值或多个值,也可以使用列表对应替换,或者使用字典指定替换多个值,也可以使用填补的方式来进行替换。

ser = pd.Series([0., 1., 2., 3., 4.])

ser.replace(0, 5)
0    5.0
1    1.0
2    2.0
3    3.0
4    4.0
dtype: float64


ser.replace([0, 1, 2, 3, 4], [4, 3, 2, 1, 0])
0    4.0
1    3.0
2    2.0
3    1.0
4    0.0
dtype: float64


ser.replace({0: 10, 1: 100})
0     10.0
1    100.0
2      2.0
3      3.0
4      4.0
dtype: float64


ser.replace([1, 2, 3], method='pad')
0    0.0
1    0.0
2    0.0
3    0.0
4    4.0
dtype: float64

对于数据框可以通过列来替换单个值。

df = pd.DataFrame({'a': [0, 1, 2, 3, 4], 'b': [5, 6, 7, 8, 9]})
df
	a	b
0	0	5
1	1	6
2	2	7
3	3	8
4	4	9

df.replace({'a': 0, 'b': 5}, 100)
	a	b
0	100	100
1	1	6
2	2	7
3	3	8
4	4	9

字符串/正则表达式替换。

d = {'a': list(range(4)), 'b': list('ab..'), 'c': ['a', 'b', np.nan, 'd']}

df = pd.DataFrame(d)
df
a	b	c
0	0	a	a
1	1	b	b
2	2	.	NaN
3	3	.	d


df.replace('.', np.nan)
	a	b	c
0	0	a	a
1	1	b	b
2	2	NaN	NaN
3	3	NaN	d


df.replace(r'\s*\.\s*', np.nan, regex=True)
	a	b	c
0	0	a	a
1	1	b	b
2	2	NaN	NaN
3	3	NaN	d


df.replace(['a', '.'], ['b', np.nan])
	a	b	c
0	0	b	b
1	1	b	b
2	2	NaN	NaN
3	3	NaN	d


df.replace([r'\.', r'(a)'], ['dot', '\1stuff'], regex=True)
	a	b	c
0	0	stuff	stuff
1	1	b	b
2	2	dot	NaN
3	3	dot	d

分组运算-GroupBy

将对象拆分成组进行计算。

df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar','foo', 'bar', 'foo', 'foo'],
                   'B' : ['one', 'one', 'two', 'three','two', 'two', 'one', 'three'],
                   'C' : np.random.randn(8),
                   'D' : np.random.randn(8)})
df
	A	B		C			D
0	foo	one	-0.295411	-0.023954
1	bar	one	-0.038355	-1.487147
2	foo	two	-1.330168	0.944055
3	bar	three	0.631081	-1.838887
4	foo	two	1.709427	2.071895
5	bar	two	0.789416	-0.166552
6	foo	one	2.000229	-0.267409
7	foo	three	0.036120	0.485465

可以使用一个或多个键执行GroupBy,键可以使用列或者行。

grouped = df.groupby('A')
grouped = df.groupby(['A', 'B'])

def get_letter_type(letter):
    if letter.lower() in 'aeiou':
        return 'vowel'
    else:
        return 'consonant'
        
grouped = df.groupby(get_letter_type, axis=1)
grouped.groups
{'consonant': Index(['B', 'C', 'D'], dtype='object'),
 'vowel': Index(['A'], dtype='object')}

默认情况下,在groupby操作期间会进行排序。可以通过sort = False来进行潜在的加速。

df3 = pd.DataFrame({'X' : ['A', 'B', 'A', 'B'], 'Y' : [1, 4, 3, 2]})
df3
	X	Y
0	A	1
1	B	4
2	A	3
3	B	2


df3.groupby(['X']).get_group('A')
	X	Y
0	A	1
2	A	3


df3.groupby(['X']).get_group('B')
	X	Y
1	B	4
3	B	2

GroupBy对象属性

df.groupby('A').groups
{'bar': Int64Index([1, 3, 5], dtype='int64'),
 'foo': Int64Index([0, 2, 4, 6, 7], dtype='int64')}


grouped = df.groupby(['A', 'B'])
grouped.groups
{('bar', 'one'): Int64Index([1], dtype='int64'),
 ('bar', 'three'): Int64Index([3], dtype='int64'),
 ('bar', 'two'): Int64Index([5], dtype='int64'),
 ('foo', 'one'): Int64Index([0, 6], dtype='int64'),
 ('foo', 'three'): Int64Index([7], dtype='int64'),
 ('foo', 'two'): Int64Index([2, 4], dtype='int64')}

查看分组个数。

len(grouped)
6

一旦创建了GroupBy对象,有几种方法可用于对分组数据执行计算。

grouped = df.groupby('A')
grouped.aggregate(np.sum)
		C			D
A		
bar	1.382141	-3.492587
foo	2.120196	3.210052

默认键值会被作为新的多层的索引,可以使用as_index=False来控制作为列输出,或者在生成的对象上使用reset_index()

grouped.size()
		A    B    
bar  one      1
     three    1
     two      1
foo  one      2
     three    1
     two      2
dtype: int64


grouped = df.groupby('A')
grouped['C'].agg([np.sum, np.mean, np.std])
		sum			mean	std
A			
bar	1.382141	0.460714	0.439397
foo	2.120196	0.424039	1.403739

在DataFrame的分组上,传递一个应用于每个列的函数列表,该列产生具有分层索引的聚合结果。

grouped.agg([np.sum, np.mean, np.std])
							C									D
		sum			mean	std				sum			mean	std
A						
bar	1.382141	0.460714	0.439397	-3.492587	-1.164196	0.881703
foo	2.120196	0.424039	1.403739	3.210052	0.642010	0.926129

如果需要对生成的列重新命名。

grouped['C'].agg([np.sum, np.mean, np.std]).rename(columns={'sum': 'foo',
                                                            'mean': 'bar',
                                                            'std': 'baz'})
		foo			bar			baz
A			
bar	1.382141	0.460714	0.439397
foo	2.120196	0.424039	1.403739


grouped.agg([np.sum, np.mean, np.std]).rename(columns={'sum': 'foo','mean': 'bar','std': 'baz'})
								C									D
		foo			bar			baz			foo			bar			baz
A						
bar	1.382141	0.460714	0.439397	-3.492587	-1.164196	0.881703
foo	2.120196	0.424039	1.403739	3.210052	0.642010	0.926129

对不同的列使用不同的函数。

grouped.agg({'C' : np.sum,
             'D' : lambda x: np.std(x, ddof=1)})
			C			D
A		
bar	1.382141	0.881703
foo	2.120196	0.926129

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/624337.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

使用 GMDH 进行时间序列预测

目录 主要命令 CreateTimeSeriesData FitPolynomial GetPolynomialLayer 分组数据处理方法&#xff08;GMDH&#xff09; PLOT 主要命令 采用分组数据处理方法&#xff08;GMDH&#xff09;对全球冰体积时间序列的建模和预测 fsz size(A) 返回一个行向量&#xff0c;其元…

创建好的提示词来让 Stable Diffusion 生成 AI 艺术作品图像

如何创建好的提示词来让 Stable Diffusion 生成 AI 艺术作品图像&#xff1f; 文章目录 Stable Diffusion如何使用&#xff1f;优秀的提示词如何制作&#xff1f;主题描述 Subject图片类型风格艺术感觉相机、镜头、渲染 示例基础绘图光线和颜色的变化图片类型美术风格艺术风格组…

springboot+java校园二手物品交易系统vxkyj

本项目在开发和设计过程中涉及到原理和技术有: B/S、Java、Jsp、MySQL数据库等等。 系统有以下几点意义&#xff1a; &#xff08;1&#xff09;提供用户和用户之间互利互惠的交易平台。 &#xff08;2&#xff09;操作简单&#xff0c;用户可以在家里就能淘到自己想要的东西&a…

祝贺!Databend 入选 ICT 中国可信云优秀云原生创新案例

2023 年 6 月 6 日&#xff0c;由工业和信息化部主办&#xff0c;中国信息通信研究院&#xff08;以下简称“中国信通院”&#xff09;、中国邮电器材集团有限公司承办、创原会协办的“ ICT 中国 2023 高层论坛-云原生产业发展论坛”在北京召开。本届论坛以“云智原生新底座&am…

【C++】包装器-bind function

文章目录 包装器function包装器function包装器介绍function包装器统一类型function包装器简化代码的列子function包装器的意义 bind包装器bind包装器介绍bind包装器绑定固定参数bind包装器调整传参顺序bind包装器的意义 包装器 function包装器 function包装器介绍 function包…

【Axure教程】通过输入框动态维护可视化图表

与静态图表相比&#xff0c;动态图表更能吸引观众的眼球并提供更好的视觉效果。动态元素可以吸引观众的注意力&#xff0c;使数据更生动、更具交互性。这有助于提高信息传达的效果&#xff0c;并能够引起观众的兴趣和参与。所以今天作者就教大家&#xff0c;如果通过输入框元件…

[NOIP2003 提高组] 加分二叉树

[NOIP2003 提高组] 加分二叉树 题目描述: 设一个 n 个节点的二叉树 tree 的中序遍历为(1,2,3,…,n)&#xff0c;其中数字 1,2,3,…,n 为节点编号。每个节点都有一个分数&#xff08;均为正整数&#xff09;&#xff0c;记第 i 个节点的分数为 di​&#xff0c;tree 及它的每个…

优雅草蜻蜓T系统·专业版服务端以及后台部署说明-完整步骤-语音会议室支持多人语音,屏幕分享,导航配置,会议管理,会员管理

蜻蜓T系统专业版服务端以及后台部署 1&#xff0c;解压文件和基础环境配置 将源码用git工具克隆到/www/wwwroot git clone git地址 或者是由优雅草发送的商业源码文件包直接进行解压 ​ 编辑切换为居中 添加图片注释&#xff0c;不超过 140 字&#xff08;可选&#xff09;…

十分钟柔和护理,轻松舒缓眼疲劳,云康宝眼部按摩仪体验

平时工作、生活中&#xff0c;每天都要长时间对着手机、电脑等电子设备&#xff0c;像是被它们吸走了灵魂&#xff0c;有时候眼睛干干的、痛痛的&#xff0c;像是被沙子刮过&#xff0c;光靠眼药水之类的东西根本解决不了问题&#xff0c;所以趁着618我入手了一款眼部按摩仪&am…

数字系统。网络层。IPv4 子网划分。ICMP

嘿&#xff0c;伙计们&#xff01;我希望你们一切都好。作为我每周更新计算机网络的一部分&#xff0c;我想分享一些令人兴奋的话题。 首先&#xff0c;我们深入研究了数字系统的世界。本主题重点介绍二进制和IPv4地址&#xff0c;我们学习了如何将二进制转换为十进制&#xf…

Zookeeper部署

Zookeeper的安装 环境变量的配置 上传安装包 使用MobaXterm、FinalShell或者使用scp将安装包apache-zookeeper-3.6.3-bin.tar.gz上传到/root/softwares下 复制代码 解压安装 [rootqianfeng01 ~]# tar -zxvf apache-zookeeper-3.6.3-bin.tar.gz -C /usr/local 复制代码 更名 …

1091 Acute Stroke (PAT甲级)

这道题用dfs做的话&#xff0c;因为递归太多层&#xff0c;堆栈溢出&#xff0c;有两个测试点过不了&#xff1b;所以用bfs。 但令我百思不得其解的是&#xff0c;我没用方向变量x[6], y[6], z[6]&#xff0c;直接老老实实算每一个方向的话&#xff0c;最后一个测试点过不了&a…

17.6:迪瑞克斯啦算法

迪瑞克斯啦算法 这个算法研究的是&#xff1a;有向的&#xff0c;没有负权重&#xff0c;可以有环的图。 这个算法主要研究的是&#xff1a;给出的节点到这张图的其他节点的最短路径是多少。用一个表表示出来。 思路&#xff1a; 如下图所示&#xff0c;我们想要求出a节点到其…

建立时间、保持时间和亚稳态

目录 一、建立时间和保持时间 二、亚稳态 三、避免亚稳态策略 四、多级寄存器阻断亚稳态传播 一、建立时间和保持时间 如图1所示&#xff0c;建立时间&#xff08;set up time&#xff09;是指在触发器的时钟信号上升沿到来以前&#xff0c;数据稳定不变的时间&#xff0c;…

【Apache Pinot】探究 Pinot 中存储模型的设计逻辑和 Segment 详解

背景 上一篇文章中&#xff0c;笔者简单介绍了一下分布式数据库 Pinot 的核心组件&#xff0c;本文主要针对其中的存储模型会做部分讲解。 如果你对读写磁盘有不错的基础的话&#xff0c;看起来会更轻松一些&#xff0c;如果没有也没关系&#xff0c;我会简单讲解一下这么设计…

使用STM32进行串口实验(非中断+中断)

关于串口相关的基本知识可以看这篇文章https://blog.csdn.net/weixin_62599865/article/details/129963991?spm1001.2014.3001.5501 一.使用非中断的方式进行串口通信 串口发送/接收函数&#xff1a; HAL_UART_Transmit(); 串口发送数据&#xff0c;使用超时管理机制 HAL_…

2023最新版本Activiti7系列-Activiti7概述和入门案例

一、Activiti7概述 官网地址&#xff1a;https://www.activiti.org/ Activiti由Alfresco软件开发&#xff0c;目前最高版本Activiti 7。是BPMN的一个基于java的软件实现&#xff0c;不过Activiti 不仅仅包括BPMN&#xff0c;还有DMN决策表和CMMN Case管理引擎&#xff0c;并且有…

【前端 - HTML】第 1 课 - HTML 初体验

欢迎来到博主 Apeiron 的博客&#xff0c;祝您旅程愉快 。 时止则止&#xff0c;时行则行。动静不失其时&#xff0c;其道光明。 目录 1、缘起 2、HTML 概念 2.1、HTML 定义 2.2、标签语法 3、HTML 基本骨架 4、标签的关系 5、注释 6、总结 1、缘起 最近在学习微信小程…

Apache Doris 冷热分层技术如何实现存储成本降低 70%?

在数据分析的实际场景中&#xff0c;冷热数据往往面临着不同的查询频次及响应速度要求。例如在电商订单场景中&#xff0c;用户经常访问近 6 个月的订单&#xff0c;时间较久远的订单访问次数非常少&#xff1b;在行为分析场景中&#xff0c;需支持近期流量数据的高频查询且时效…

C++ 使用一维数组和二维数组给 std::vector<cv::Point2d> 赋值的方法

文章目录 1. 一维数组给 vector 赋值的方法2. 一维 Point2d 数组给 vector<cv::Point2d> 赋值3. 二维 double 数组给 vector<cv::Point2d> 赋值 1. 一维数组给 vector 赋值的方法 &#xff08;1&#xff09;最简单的赋值方法是for循环遍历赋值&#xff0c;此处略过…