查看原文
其他

【超全+实用】常用的46个私密Pandas方法首次公开,全网最新!!!

宋天龙 Python爱好者社区 2019-11-27

导读:Pandas是日常数据分析师使用最多的分析和处理库之一,本篇文章总结了常用的46个Pandas数据工作方法,包括创建数据对象、查看数据信息、数据切片和切块、数据筛选和过滤、数据预处理操作、数据合并和匹配、数据分类汇总以及map、apply和agg高级函数的使用方法。

本文摘编自《Python数据分析与数据化运营》(第2版),经出版方授权发布。点击阅读全文可以购买

1创建数据对象


Pandas最常用的数据对象是数据框(DataFrame)和Series。数据框与R中的DataFrame格式类似,都是一个二维数组。Series则是一个一维数组,类似于列表。数据框是Pandas中最常用的数据组织方式和对象。有关更多数据文件的读取将在第三章介绍,本节介绍从对象和文件创建数据框的方式,具体如表1所示。

表1 Pandas创建数据对象

方法

用途

示例

示例说明

read_table

read_csv

read_excel

从文件创建数据框

In: import  pandas as pd   

In: data1  = pd.read_table('table_data.txt',sep=';')

读取table_data.txt文件,数据分隔符是;

DataFrame.from_dict

DataFrame.from_items

DataFrame.from_records

从其他对象例如Series、Numpy数组、字典创建数据框

In: data_dict  = {'col1': [2, 1, 0], 'col2': ['a', 'b', 'a'], 'col3': [True, True, False]}

In: data2  = pd.DataFrame.from_dict(data_dict)

基于字典创建数据框,列名为字典的3个key,每一列的值为key对应的value值

2 查看数据信息


查看信息常用方法包括对总体概况、描述性统计信息、数据类型和数据样本的查看,具体如表2所示:

表2 Pandas常用查看数据信息方法汇总

方法

用途

示例

示例说明

info

查看数据框的索引和列的类型、费控设置和内存用量信息。

In: print(data2.info())

Out:  <class 'pandas.core.frame.DataFrame'>

RangeIndex:  3 entries, 0 to 2

Data  columns (total 3 columns):

col1    3 non-null int64

col2    3 non-null object

col3    3 non-null bool

dtypes:  bool(1), int64(1), object(1)

memory  usage: 131.0+ bytes

None

返回对象的所有信息

describe

显示描述性统计数据,包括集中趋势、分散趋势、形状等。

In: print(data2.describe())

Out:    col1

count   3.0

mean    1.0

std     1.0

min     0.0

25%     0.5

50%     1.0

75%     1.5

max     2.0

默认查看数值型列,使用include=  'all'查看所有类型数据

dtype

查看数据框每一列的数据类型

In: print(data2.dtypes)

Out:  col1     int64

col2    object

col3      bool

dtype:  objectt

结果是Series类型

head

查看前N条结果

In: print(data2.head(2))

Out:   col1 col2   col3

0     2     a  True

1     1     b  True

从第一行开始取前2行

tail

查看后N条结果

In: print(data2.tail(2))

Out:   col1 col2    col3

1     1     b   True

2     0     a  False

从最后一行开始取后2行

index

查看索引

In:  print(data2.index)

Out: RangeIndex(start=0,  stop=3, step=1)

结果是一个类列表的对象,可用列表方法操作对象

columns

查看列名

In:  print(data2.columns)

Out: Index(['col1',  'col2', 'col3'], dtype='object')

shape

查看形状,记录有多少行多少列

In: print(data2.shape)

Out:  (3,3)

形状为元组类型

isnull

查看每个值是否为空值

In:  print(data2.isnull())

Out:    col1    col2   col3

0  False   False  False

1  False   False  False

2  False   False  False

数据中没有空值,因此都是False

unique

查看特定列的唯一值

In:  print(data2['col2'].unique())

Out:  ['a' 'b']

查看col2列的唯一值

注意 在上述查看方法中,除了info方法外,其他方法返回的对象都可以直接赋值给变量,然后基于变量对象做二次处理。例如可以从dtype的返回值中仅获取类型为bool的列。

3 数据切片和切块


数据切片和切块是使用不同的列或索引切分数据,实现从数据中获取特定子集的方式。常见的数据切片和切换的方式如表3所示:

表3 Pandas常用数据切分方法

方法

用途

示例

示例说明

[['列名1', '列名2',…]]

按列名选择单列或多列

In: print(data2[['col1','col2']])

Out:    col1 col2

0     2     a

1     1     b

2     0     a

选择data2的col1和col3两列

[m:n]

选择行索引在m到n间的记录

In:  print(data2[0:2])

Out:       col1 col2  col3

0     2     a  True

1     1     b  True

选取行索引在[0:2)中间的记录,不包含2

iloc[m:n]

In: print(data2.iloc[0:2])

Out:       col1 col2  col3

0     2     a  True

1     1     b  True

iloc[m:n,j:k]

选择行索引在m到n且列索引在j到k间的记录

In:  print(data2.iloc[0:2,0:1])

Out:          col1

0     2

1     1

选取行索引在[0:2)列索引在[0:1)中间的记录,行索引不包含2,列索引不包含1

loc[m:n,[  '列名1', '列名2',…]]

选择行索引在m到n间且列名为列名1、列名2的记录

In:  print(data2.loc[0:2,['col1','col2']])

Out:    col1 col2

0     2     a

1     1     b

2     0     a

选取行索引在[0:2)之间,列名为'col1'和'col2'的记录,行索引不包含2

提示 如果选择特定索引的数据,直接写索引值即可。例如data2.loc[2,['col1','col2']]为选择第三行且列名为'col1'和'col2'的记录。

4 数据筛选和过滤


数据筛选和过滤是基于条件的数据选择,本章2.6.3提到的比较运算符都能用于数据的筛选和选择条件,不同的条件间的逻辑不能直接用and、or来实现且、或的逻辑,而是要用&和|实现。常用方法如表4所示:

表4 Pandas常用数据筛选和过滤方法

方法

用途

示例

示例说明

单列单条件

以单独列为基础选择符合条件的数据

In:  print(data2[data2['col3']==True])

Out:    col1 col2   col3

0     2     a  True

1     1    b   True

选择col3中值为True的所有记录

多列单条件

以所有的列为基础选择符合条件的数据

In:  print(data2[data2=='a'])

Out:    col1 col2   col3

0   NaN     a   NaN

1   NaN   NaN   NaN

2   NaN     a   NaN

选择所有值为a的数据

使用“且”进行选择

多个筛选条件,且多个条件的逻辑为“且”,用&表示

In:  print(data2[(data2['col2']=='a') & (data2['col3']==True)])

Out:    col1 col2   col3

0     2     a  True

选择col2中值为a且col3值为True的记录

使用“或”进行选择

多个筛选条件,且多个条件的逻辑为“或”,用|表示

In:  print(data2[(data2['col2']=='a') | (data2['col3']==True)])

Out:      col1 col2   col3

0     2     a   True

1     1     b   True

2     0     a  False

选择col2中值为a或col3值为True的记录

使用isin查找范围

基于特定值的范围的数据查找

In:  print(data2[data2['col1'].isin([1,2])])

Out:    col1 col2   col3

0     2     a  True

1     1     b  True

筛选col1列值为1或2的记录

query

按照类似sql的规则筛选数据

In:  print(data2.query('col2=="b"'))

Out:    col1 col2   col3

1     1     b     1

筛选数据中col2值为b的记录

5 数据预处理操作


Pandas的数据预处理基于整个数据框或Series实现,整个预处理工作包含众多项目,本节列出通过Pandas实现的场景功能。本节功能具体如表5所示:

表5 Pandas常用预处理方法

方法

用途

示例

示例说明

T

转置数据框,行和列转换

In:  print(data2.T)

Out:      0   1  2

col1  2   1  0

col2  a   b  a

行索引、列名以及数据相互调换

sort_values

按值排序,默认为正序,可通过ascending=False指定倒序排序

In: print(data2.sort_values(['col1']))

Out:   col1 col2

2     0     a

1     1     b

0     2     a

按colo1列排序

sort_index

按索引排序,默认为正序,可通过ascending=False指定倒序排序

In:  print( data2.sort_index(ascending=False))

Out:    col1 col2   col3

2     0     a     0

1     1     b     1

0     2     a     1

按索引倒序排序

dropna

去掉缺失值,可通过axis设置为0或  index、1或columns丢弃带有缺失值的行或列

In:  print(data2.dropna())

Out:    col1 col2   col3

0     2     a   True

1     1     b   True

2     0     a  False

直接丢弃带有缺失值的行

fillna

填充缺失值,可设置为固定值以及不同的填充方法

In:  print(data2.fillna(method='bfill'))

Out:    col1 col2   col3

0     2     a   True

1     1     b   True

2     0     a  False

使用下一个有效记录填充缺失值

astype

转换特定列的类型

In:  data2['col3'] = data2['col3'].astype(int)

In:  print(data2.dtypes)

Out:  col1     int64

col2    object

col3     int32

dtype:  object

将col3转换为int型

rename

更新列名

In:  print(data2.rename(columns=
 {'col1':'A','col2':'B','col3':'C'}))

Out:    A   B  C

0  2   a  1

1  1   b  1

2  0   a  0

将data2的列名更新为A、B、C

drop_duplicates

去重重复项,通过指定列设置去重的参照

In:  print(data2.drop_duplicates(['col3']))

Out:    col1 col2   col3

0     2     a     1

2     0     a     0

按col3列去重重复记录

replace

查找替换

In:  print(data2.replace('a','A'))

Out:    col1 col2   col3

0     2     A     1

1     1     b     1

2     0     A     0

将小写字符a替换为大些字母A

sample

抽样

In:  print(data2.sample(n=2))

Out:    col1 col2   col3

0     2     a     1

1     1     b     1

从data2中随机抽取2条数据

6 数据合并和匹配


数据合并和匹配是将多个数据框做合并或匹配操作。具体实现如表6所示:

表6 Pandas常用数据合并和匹配方法

方法

用途

示例

示例说明

merge

关联并匹配两个数据框

In:  print(data2.merge(data1,on='col1',how='inner'))

Out:    col1 col2_x  col3_x   col2_y  col3_y  col4

0    1      b      1      2      3   4

关联data1和data2,主键分别为a列和col1列,内关联方式

concat

合并两个数据框,可按行或列合并

In: print(pd.concat((data1,data2),axis=1))

Out:  col1 col2   col3  col4  col1 col2 col3

0   1    2   3   4      2    a     1

1   6    7   8   9      1    b     1

2  11   12  13  14      0    a     0

按列合并data1和data2,可通过指定axis=0按行合并

append

按行追加数据框

In:  print(data1.append(data2))

Out:   col1 col2   col3  col4

0     1     2     3   4.0

1     6     7     8   9.0

2    11    12    13  14.0

0     2     a     1   NaN

1     1     b     1   NaN

2     0     a     0   NaN

将data2追加到data,等价于pd.concat((data1,data2),
 axis=0)

join

关联并匹配两个数据框

In:  print(data1.join(data2,lsuffix='_d1', rsuffix='_d2'))

Out:  col1_d1   col2_d1  col3_d1  col4   col1_d2 col2_d2  col3_d2

0   1    2   3   4     2  a  1

1   6    7   8   9     1  b  1

2  11   12  13  14     0  a  0

将data1和data2关联,设置关联后的列名前缀分别为d1和d2

7 数据分类汇总


数据分类汇与Excel中的概念和功能类似。具体实现如表7所示:

表7 Pandas常用数据分类汇总方法

方法

用途

示例

示例说明

groupby

按指定的列做分类汇总

In:  print(data2.groupby(['col2'])['col1'].sum())

Out:  col2

a    2

b    1

Name:  col1, dtype: int64

以col2列为维度,以col1列为指标求和

pivot_table

建立数据透视表视图

In: print(pd.pivot_table(data2,index=['col2']))

Out:       col1   col3

col2

a        1    0.5

b        1    1.0

Name:  col1, dtype: int64

以col2列为索引建立数据透视表,默认计算方式为求均值

8 高级函数使用


Pandas能直接实现数据框级别高级函数的应用,而不用写循环遍历每条记录甚至每个值后做计算,这种方式能极大提升计算效率,具体如表8所示:

表8 Pandas常用高级函数

方法

用途

示例

示例说明

map

将一个函数或匿名函数应用到Series或数据框的特定列

In:  print(data2['col3'].map(lambda x:x*2))

Out:  0    2

1    2

2    0

Name:  col3, dtype: int64

对data2的col3的每个值乘2

apply

将一个函数或匿名函数应用到Series或数据框

In:  print(data2.apply(pd.np.cumsum))

Out:    col1 col2   col3

0     2    a      1

1     3    ab     2

2     3   aba     2

将data2的所有列按行(默认)做累加

agg

一次性对多个列做聚合操作

 

In:  import numpy as np

In:  print(data2.groupby(['col2']).agg(
 {'col1':np.sum,'col3':np.mean}))

Out:    col1   col3

col2

a     2    0.5

b     1    1.0

在data2中以col2为维度,对col1求和,col3求均值

 



关于作者:宋天龙,大数据技术专家,触脉咨询合伙人兼副总裁,前Webtrekk中国区技术和咨询负责人(Webtrekk,德国的在线数据分析服务提供商)。擅长数据挖掘、建模、分析与运营,精通端到端数据价值场景设计、业务需求转换、数据结构梳理、数据建模与学习以及数据工程交付。


本文摘编自Python数据分析与数据化运营》(第2版),经出版方授权发布。点击阅读全文可以购买

延伸阅读Python数据分析与数据化运营

(第2版)

点击上图了解及购买


推荐语:这是一本将数据分析技术与数据使用场景深度结合的著作,从实战角度讲解了如何利用Python进行数据分析和数据化运营。本书与同类书大的不同在于,并不只有纯粹的关于数据分析技术和工具的讲解,而且还与数据使用场景深度结合,在业务上真正可指导落地。


感谢阅读

推荐阅读:

1:还在被垃圾分类困扰?代扔垃圾APP已上线!

2:年轻貌美的小姐姐加我微信后竟要求我帮她做这种事...

3:所有的不可描述都要从“我姐姐让我加你“的好友请求开始说起...

4:2018年Python爱好者社区历史文章合集(作者篇)

5:2018年终精心整理|Python爱好者社区历史文章合集(类型篇)




    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存