您好,登录后才能下订单哦!
Pandas类似R语言中的数据框(DataFrame),Pandas基于Numpy,但是对于数据框结构的处理比Numpy要来的容易。
1. Pandas的基本数据结构和使用
Pandas有两个主要的数据结构:Series和DataFrame。Series类似Numpy中的一维数组,DataFrame则是使用较多的多维表格数据结构。
Series的创建
>>>import numpy as np >>>import pandas as pd >>>s=pd.Series([1,2,3,np.nan,44,1]) # np.nan创建一个缺失数值 >>>s # 若未指定,Series会自动建立index,此处自动建立索引0-5 0 1.0 1 2.0 2 3.0 3 NaN 4 44.0 5 1.0 dtype: float64
DataFrame的创建
>>>dates=pd.date_range('20170101',periods=6) >>>dates DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04', '2017-01-05', '2017-01-06'], dtype='datetime64[ns]', freq='D') >>>df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=['a','b','c','d']) >>>df a b c d 2017-01-01 -1.993447 1.272175 -1.578337 -1.972526 2017-01-02 0.092701 -0.503654 -0.540655 -0.126386 2017-01-03 0.191769 -0.578872 -1.693449 0.457891 2017-01-04 2.121120 0.521884 -0.419368 -1.916585 2017-01-05 1.642063 0.222134 0.108531 -1.858906 2017-01-06 0.636639 0.487491 0.617841 -1.597920
DataFrame可以跟Numpy一样根据索引取出其中的数据,只是DataFrame索引方式更加多样化。DataFrame不仅可以根据默认的行列编号来索引,还可以根据标签序列来索引。
还可以采用字典的方式创建DataFrame:
>>>df2=pd.DataFrame({'a':1,'b':'hello kitty','c':np.arange(2),'d':['o','k']}) >>>df2 a b c d 0 1 hello kitty 0 o 1 1 hello kitty 1 k
对于DataFrame的一些属性也可以采用相应的方法查看
dtype # 查看数据类型 index # 查看行序列或者索引 columns # 查看各列的标签 values # 查看数据框内的数据,也即不含表头索引的数据 describe # 查看数据的一些信息,如每一列的极值,均值,中位数之类的,只能对数值型数据统计信息 transpose # 转置,也可用T来操作 sort_index # 排序,可按行或列index排序输出 sort_values # 按数据值来排序
一些例子
>>>df2.dtypes a int64 b object c int64 d object dtype: object >>>df2.index RangeIndex(start=0, stop=2, step=1) >>>df2.columns Index(['a', 'b', 'c', 'd'], dtype='object') >>>df2.values array([[1, 'hello kitty', 0, 'o'], [1, 'hello kitty', 1, 'k']], dtype=object) >>>df2.describe # 只能对数值型数据统计信息 a c count 2.0 2.000000 mean 1.0 0.500000 std 0.0 0.707107 min 1.0 0.000000 25% 1.0 0.250000 50% 1.0 0.500000 75% 1.0 0.750000 max 1.0 1.000000 >>>df2.T 0 1 a 1 1 b hello kitty hello kitty c 0 1 d o k >>>df2.sort_index(axis=1,ascending=False) # axis=1 按列标签从大到小排列 d c b a 0 o 0 hello kitty 1 1 k 1 hello kitty 1 >>>df2.sort_index(axis=0,ascending=False) # 按行标签从大到小排序 a b c d 1 1 hello kitty 1 k 0 1 hello kitty 0 o >>>df2.sort_values(by="c",ascending=False) # 按c列的值从大到小排序 a b c d 1 1 hello kitty 1 k 0 1 hello kitty 0 o
2. 从DataFrame中筛选取出目的数据
从DataFrame中取出目的数据方法有多种,一般常用的有:
简单选取
>>>import numpy as np >>>import pandas as pd >>>dates=pd.date_range('20170101',periods=6) >>>df=pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=['a','b','c','d']) >>>df a b c d 2017-01-01 0 1 2 3 2017-01-02 4 5 6 7 2017-01-03 8 9 10 11 2017-01-04 12 13 14 15 2017-01-05 16 17 18 19 2017-01-06 20 21 22 23 >>>df['a'] # 根据表签直接选取a列,也可用df.a,结果相同 2017-01-01 0 2017-01-02 4 2017-01-03 8 2017-01-04 12 2017-01-05 16 2017-01-06 20 Freq: D, Name: a, dtype: int64 >>>df[0:3] # 选择前3行,也可用行标签 df['2017-01-01':'2017-01-03'],结果相同,但是无法用此法选择多列 a b c d 2017-01-01 0 1 2 3 2017-01-02 4 5 6 7 2017-01-03 8 9 10 11
loc使用显式的行标签来选取数据
DataFrame行的表示方式有两种,一种是通过显式的行标签来索引,另一种是通过默认隐式的行号来索引。loc方法是通过行标签来索引选取目标行,可以配合列标签来选取特定位置的数据。
>>>df.loc['2017-01-01':'2017-01-03'] a b c d 2017-01-01 0 1 2 3 2017-01-02 4 5 6 7 2017-01-03 8 9 10 11 >>>df.loc['2017-01-01',['a','b']] # 选取特定行的a,b列 a 0 b 1 Name: 2017-01-01 00:00:00, dtype: int64
iloc使用隐式的行序列号来选取数据
使用iloc可以搭配列序列号来更简单的选取特定位点的数据
>>>df.iloc[3,1] 13 >>>df.iloc[1:3,2:4] c d 2017-01-02 6 7 2017-01-03 10 11
ix利用ix可以混用显式标签与隐式序列号
loc只能使用显式标签来选取数据,而iloc只能使用隐式序列号来选取数据,ix则能将二者结合起来使用。
>>> df.ix[3:5,['a','b']] a b 2017-01-04 12 13 2017-01-05 16 17
使用逻辑判断来选取数据
>>>df a b c d 2017-01-01 0 1 2 3 2017-01-02 4 5 6 7 2017-01-03 8 9 10 11 2017-01-04 12 13 14 15 2017-01-05 16 17 18 19 2017-01-06 20 21 22 23 >>>df[df['a']>5] # 等价于df[df.a>5] a b c d 2017-01-03 8 9 10 11 2017-01-04 12 13 14 15 2017-01-05 16 17 18 19 2017-01-06 20 21 22 23
3. Pandas设置特定位置值
>>>import numpy as np >>>import pandas as pd >>>dates=pd.date_range('20170101',periods=6) >>>datas=np.arange(24).reshape((6,4)) >>>columns=['a','b','c','d'] >>>df=pd.DataFra me(data=datas,index=dates,colums=columns) >>>df.iloc[2,2:4]=111 # 将第2行2,3列位置的数据改为111 a b c d 2017-01-01 0 1 2 3 2017-01-02 4 5 6 7 2017-01-03 8 9 111 111 2017-01-04 12 13 14 15 2017-01-05 16 17 18 19 2017-01-06 20 21 22 23 >>>df.b[df['a']>10]=0 # 等价于df.b[df.a>10] # 以a列大于10的数的位置为参考,改变b列相应行的数值为0 a b c d 2017-01-01 0 1 2 3 2017-01-02 4 5 6 7 2017-01-03 8 9 111 111 2017-01-04 12 0 14 15 2017-01-05 16 0 18 19 2017-01-06 20 0 22 23 >>>df['f']=np.nan # 新建f列并设置数值为np.nan a b c d f 2017-01-01 0 1 2 3 NaN 2017-01-02 4 5 6 7 NaN 2017-01-03 8 9 111 111 NaN 2017-01-04 12 0 14 15 NaN 2017-01-05 16 0 18 19 NaN 2017-01-06 20 0 22 23 NaN >>> # 用上面的方法也可以加上`Series`序列,但是必须与列长度一致 >>>df['e']=pd.Series(np.arange(6),index=dates) >>>df a b c d f e 2017-01-01 0 1 2 3 NaN 0 2017-01-02 4 5 6 7 NaN 1 2017-01-03 8 9 111 111 NaN 2 2017-01-04 12 0 14 15 NaN 3 2017-01-05 16 0 18 19 NaN 4 2017-01-06 20 0 22 23 NaN 5
4. 处理丢失数据
有时候我们的数据中会有一些空的或者缺失(NaN)数据,使用dropna可以选择性的删除或填补这些NaN数据。drop函数可以选择性的删除行或者列,drop_duplicates去除冗余。fillna则将NaN值用其他值替换。操作后不改变原值,若要保存更改需重新赋值。
>>>import numpy as np >>>import pandas as pd >>>df=pd.DataFrame(np.arange(24).reshape(6,4),index=pd.date_range('20170101',periods=6),columns=['a','b','c','d']) >>>df a b c d 2017-01-01 0 1 2 3 2017-01-02 4 5 6 7 2017-01-03 8 9 10 11 2017-01-04 12 13 14 15 2017-01-05 16 17 18 19 2017-01-06 20 21 22 23 >>>df.iloc[1,3]=np.nan >>>di.iloc[3,2]=np.nan >>>df. a b c d 2017-01-01 0 1 2.0 3.0 2017-01-02 4 5 6.0 NaN 2017-01-03 8 9 10.0 11.0 2017-01-04 12 13 NaN 15.0 2017-01-05 16 17 18.0 19.0 2017-01-06 20 21 22.0 23.0 >>>df.dropna(axis=0,how='any') # axis=0(1)表示将含有NaN的行(列)删除。 # how='any'表示只要行(或列,视axis取值而定)含有NaN则将该行(列)删除, # how='all'表示当某行(列)全部为NaN时才删除 a b c d 2017-01-01 0 1 2.0 3.0 2017-01-03 8 9 10.0 11.0 2017-01-05 16 17 18.0 19.0 2017-01-06 20 21 22.0 23.0 >>>df.fillna(value=55) a b c d 2017-01-01 0 1 2.0 3.0 2017-01-02 4 5 6.0 55.0 2017-01-03 8 9 10.0 11.0 2017-01-04 12 13 55.0 15.0 2017-01-05 16 17 18.0 19.0 2017-01-06 20 21 22.0 23.0
还可以利用函数来检查数据中是否有或者全部为NaN
>>>np.any(df.isnull())==True True >>>np.all(df.isnull())==True False
5. 数据的导入以及导出
一般excel文件以csv方式读入,pd.read_csv(file),data保存为filedata.to_csv(file)。
6. 数据添加合并
本节主要学习Pandas的一些简单基本的数据添加合并方法:concat,append。
concat合并方式类似于Numpy的concatenate方法,可横向或者竖向合并。
>>>import numpy as np >>>import pandas as pd >>> df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d']) >>> df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d']) >>> df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d']) >>>res=pd.concat([df1,df2,df3],axis=0) # axis=0表示按行堆叠合并,axis=1表示按列左右合并 >>>res a b c d 0 0.0 0.0 0.0 0.0 1 0.0 0.0 0.0 0.0 2 0.0 0.0 0.0 0.0 0 1.0 1.0 1.0 1.0 1 1.0 1.0 1.0 1.0 2 1.0 1.0 1.0 1.0 0 2.0 2.0 2.0 2.0 1 2.0 2.0 2.0 2.0 2 2.0 2.0 2.0 2.0 >>> # 使用ignore_index=True参数可以重置行标签 >>>res=pd.concat([df1,df2,df3],axis=0,ignore_index=True) >>>res a b c d 0 0.0 0.0 0.0 0.0 1 0.0 0.0 0.0 0.0 2 0.0 0.0 0.0 0.0 3 1.0 1.0 1.0 1.0 4 1.0 1.0 1.0 1.0 5 1.0 1.0 1.0 1.0 6 2.0 2.0 2.0 2.0 7 2.0 2.0 2.0 2.0 8 2.0 2.0 2.0 2.0
join参数提供了更多样化的合并方式。join=outer为默认值,表示将几个合并的数据都用上,具有相同列标签的合二为一,上下合并,不同列标签的独自成列,原来没有数值的位置以NaN填充;join=inner则只将具有相同列标签的(行)列上下合并,其余的列舍弃。简言之,outer代表并集,inner代表交集**。
>>>import numpy as np >>>import pandas as pd >>>df1=pd.DataFrame(np.ones((3,4)),index=[1,2,3],columns=['a','b','c','d']) >>>df2=pd.DataFrame(np.ones((3,4))*2,index=[1,2,3],columns=['b','c','d','e']) >>>res=pd.concat([df1,df2],axis=0,join='outer') >>>res a b c d e 1 1.0 1.0 1.0 1.0 NaN 2 1.0 1.0 1.0 1.0 NaN 3 1.0 1.0 1.0 1.0 NaN 1 NaN 2.0 2.0 2.0 2.0 2 NaN 2.0 2.0 2.0 2.0 3 NaN 2.0 2.0 2.0 2.0 >>>res1=pd.concat([df1,df2],axis=1,join='outer') # axis=1表示按列左右合并具有相同的行标签的,其余的各成一行,NaN补齐空缺 >>>res1 a b c d b c d e 1 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 2 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 >>>res2=pd.concat([df1,df2],axis=0,join='inner',ignore_index=True) # 将具有相同列标签的列上下合并 >>>res2 b c d 0 1.0 1.0 1.0 1 1.0 1.0 1.0 2 1.0 1.0 1.0 3 2.0 2.0 2.0 4 2.0 2.0 2.0 5 2.0 2.0 2.0
join_axes参数可以设定参考系,以设定的参考来合并,参考系中没有的舍弃掉
>>>import numpy as np >>>import pandas as pd >>>df1=pd.DataFrame(np.ones((3,4)),index=[1,2,3],columns=['a','b','c','d']) >>> df2=pd.DataFrame(np.ones((3,4))*2,index=[2,3,4],columns=['b','c','d','e']) >>>res3=pd.concat([df1,df2],axis=0,join_axes=[df1.columns]) # 以df1的列标签为参考上下合并拥有相同列标签的列 >>>res3 a b c d 1 1.0 1.0 1.0 1.0 2 1.0 1.0 1.0 1.0 3 1.0 1.0 1.0 1.0 2 NaN 2.0 2.0 2.0 3 NaN 2.0 2.0 2.0 4 NaN 2.0 2.0 2.0 >>>res4=pd.concat([df1,df2],axis=1,join_axes=[df1.index]) # 以df1行标签为参考,左右合并拥有相同行标签的各列 a b c d b c d e 1 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 2 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
append只有上下合并,没有左右合并
>>>df1=pd.DataFrame(np.ones((3,4)),index=[1,2,3],columns=['a','b','c','d']) >>> df2=pd.DataFrame(np.ones((3,4))*2,index=[2,3,4],columns=['b','c','d','e']) >>>res5=df1.append(df2,ignore_index=True) >>>res5 a b c d e 0 1.0 1.0 1.0 1.0 NaN 1 1.0 1.0 1.0 1.0 NaN 2 1.0 1.0 1.0 1.0 NaN 3 NaN 2.0 2.0 2.0 2.0 4 NaN 2.0 2.0 2.0 2.0 5 NaN 2.0 2.0 2.0 2.0
7. Pandas高级合并:merge
merge合并与concat类似,只是merge可以通过一个或多个键将两个数据集的行连接起来。
merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False)
参数说明:
>>>import pandas as pd >>>df1=pd.DataFrame({'key':['k0','k1','k2','k3'],'A':['a0','a1','a2','a3'],'B':['b0','b1','b2','b3']}) >>>df2=pd.DataFrame({'key':['k0','k1','k2','k3'],'C':['c0','c1','c2','c3'],'D':['d0','d1','d2','d3']}) >>> res=pd.merge(df1,df2,on='key',indicator=True) >>>res A B key C D _merge 0 a0 b0 k0 c0 d0 both 1 a1 b1 k1 c1 d1 both 2 a2 b2 k2 c2 d2 both 3 a3 b3 k3 c3 d3 both
依据行index合并与依据列key合并用法类似
>>>res2=pd.merge(df1,df2,left_index=True,right_index=True,indicator=True) >>>res2 A B key_x C D key_y _merge 0 a0 b0 k0 c0 d0 k0 both 1 a1 b1 k1 c1 d1 k1 both 2 a2 b2 k2 c2 d2 k2 both 3 a3 b3 k3 c3 d3 k3 both
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持亿速云。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。