其他
Pandas进阶修炼120题｜完整版
作者：刘早起
来源：早起python，禁止二次转载
『Pandas进阶修炼120题』系列现已完结，我们对Pandas中常用的操作以习题的形式发布。从读取数据到高级操作全部包含，希望可以通过刷题的方式来完整学习pandas中数据处理的各种方法，当然如果你是高手，也欢迎尝试给出与答案不同的解法。
data = {"grammer":["Python","C","Java","GO",np.nan,"SQL","PHP","Python"],
"score":[1,2,np.nan,4,5,6,7,10]}df = pd.DataFrame(data)grammer score
0 Python 1.0
7 Python 10.0result=df[df['grammer'].str.contains("Python")]Index(['grammer', 'score'], dtype='object')df.columnsdf.rename(columns={'score':'popularity'}, inplace = True)df['grammer'].value_counts()df['popularity'] = df['popularity'].fillna(df['popularity'].interpolate())df[df['popularity'] > 3]df.drop_duplicates(['grammer'])df['popularity'].mean()df['grammer'].to_list()df.to_excel('filename.xlsx')df.shapedf[(df['popularity'] > 3) & (df['popularity'] < 7)]'''
方法1
'''
temp = df['popularity']
df.drop(labels=['popularity'], axis=1,inplace = True)
df.insert(0, 'popularity', temp)
df
'''
方法2
cols = df.columns[[1,0]]
df = df[cols]
df
'''df[df['popularity'] == df['popularity'].max()]df.tail()df.drop([len(df)-1],inplace=True)row={'grammer':'Perl','popularity':6.6}
df = df.append(row,ignore_index=True)df.sort_values("popularity",inplace=True)df['grammer'].map(lambda x: len(x))第二期：数据处理基础
df = pd.read_excel('pandas120.xlsx')本期部分习题与该数据相关
df.head()#备注，在某些版本pandas中.ix方法可能失效，可使用.iloc，参考https://mp.weixin.qq.com/s/5xJ-VLaHCV9qX2AMNOLRtw
#为什么不能直接使用max，min函数，因为我们的数据中是20k-35k这种字符串，所以需要先用正则表达式提取数字
import re
for i in range(len(df)):
str1 = df.ix[i,2]
k = re.findall(r"\d+\.?\d*",str1)
salary = ((int(k[0]) + int(k[1]))/2)*1000
df.ix[i,2] = salary
dfeducation salary
不限 19600.000000
大专 10000.000000
本科 19361.344538
硕士 20642.857143df.groupby('education').mean()#备注，在某些版本pandas中.ix方法可能失效，可使用.iloc，参考https://mp.weixin.qq.com/s/5xJ-VLaHCV9qX2AMNOLRtw
for i in range(len(df)):
df.ix[i,0] = df.ix[i,0].to_pydatetime().strftime("%m-%d")
df.head()<class 'pandas.core.frame.DataFrame'>
RangeIndex: 135 entries, 0 to 134
Data columns (total 4 columns):
createTime 135 non-null object
education 135 non-null object
salary 135 non-null int64
categories 135 non-null category
dtypes: category(1), int64(1), object(2)
memory usage: 3.5+ KBdf.info()df.describe()bins = [0,5000, 20000, 50000]
group_names = ['低', '中', '高']
df['categories'] = pd.cut(df['salary'], bins, labels=group_names)df.sort_values('salary', ascending=False)df.loc[32]np.median(df['salary'])df.salary.plot(kind='hist')df.salary.plot(kind='kde',xlim=(0,80000))del df['categories']df['test'] = df['education']+df['createTime']df["test1"] = df["salary"].map(str) + df['education']df[['salary']].apply(lambda x: x.max() - x.min())pd.concat([df[:1], df[-2:-1]])df.append(df.iloc[7])createTime object
education object
salary int64
test object
test1 object
dtype: objectdf.dtypesdf.set_index("createTime")df1 = pd.DataFrame(pd.Series(np.random.randint(1, 10, 135)))df= pd.concat([df,df1],axis=1)df["new"] = df["salary"] - df[0]df.isnull().values.any()df['salary'].astype(np.float64)len(df[df['salary']>10000])本科 119
硕士 7
不限 5
大专 4
Name: education, dtype: int64df.education.value_counts()df['education'].nunique()df1 = df[['salary','new']]
rowsums = df1.apply(np.sum, axis=1)
res = df.iloc[np.where(rowsums > 60000)[0][-3:], :]第三期：金融数据处理
data = pd.read_excel('/Users/Desktop/600000.SH.xls')备注
请将答案中路径替换为自己机器存储数据的绝对路径，本期相关习题与该数据有关
data.head(3)代码 1
简称 2
日期 2
前收盘价(元) 2
开盘价(元) 2
最高价(元) 2
最低价(元) 2
收盘价(元) 2
成交量(股) 2
成交金额(元) 2
.................答案
data.isnull().sum()data[data['日期'].isnull()]列名："代码", 第[327]行位置有缺失值
列名："简称", 第[327, 328]行位置有缺失值
列名："日期", 第[327, 328]行位置有缺失值
列名："前收盘价(元)", 第[327, 328]行位置有缺失值
列名："开盘价(元)", 第[327, 328]行位置有缺失值
列名："最高价(元)", 第[327, 328]行位置有缺失值
列名："最低价(元)", 第[327, 328]行位置有缺失值
列名："收盘价(元)", 第[327, 328]行位置有缺失值
................答案
for columname in data.columns:
if data[columname].count() != len(data):
loc = data[columname][data[columname].isnull().values==True].index.tolist()
print('列名："{}", 第{}行位置有缺失值'.format(columname,loc))data.dropna(axis=0, how='any', inplace=True)备注
axis：0-行操作（默认），1-列操作
how：any-只要有空值就删除（默认），all-全部为空值才删除
inplace：False-返回新的数据集（默认），True-在原数据集上操作data['收盘价(元)'].plot()答案
data[['收盘价(元)','开盘价(元)']].plot()备注
中文显示请自己设置，我的字体乱了
答案
data['涨跌幅(%)'].hist()data['涨跌幅(%)'].hist(bins = 30)temp = pd.DataFrame(columns = data.columns.to_list())for i in range(len(data)):
if type(data.iloc[i,13]) != float:
temp = temp.append(data.loc[i])
tempdata[data['换手率(%)'].isin(['--'])]备注
通过上一题我们发现换手率的异常值只有--
data = data.reset_index()备注
有时我们修改数据会导致索引混乱
k =[]
for i in range(len(data)):
if type(data.iloc[i,13]) != float:
k.append(i)
data.drop(labels=k,inplace=True)data['换手率(%)'].plot(kind='kde')data['收盘价(元)'].diff()data['收盘价(元)'].pct_change()data.set_index('日期')题目：以5个数据作为一个数据滑动窗口，在这个5个数据上取均值(收盘价)
data['收盘价(元)'].rolling(5).mean()题目：以5个数据作为一个数据滑动窗口，计算这五个数据总和(收盘价)
data['收盘价(元)'].rolling(5).sum()题目：将收盘价5日均线、20日均线与原始数据绘制在同一个图上
data['收盘价(元)'].plot()
data['收盘价(元)'].rolling(5).mean().plot()
data['收盘价(元)'].rolling(20).mean().plot()题目：按周为采样规则，取一周收盘价最大值
data['收盘价(元)'].resample('W').max()题目：绘制重采样数据与原始数据
data['收盘价(元)'].plot()
data['收盘价(元)'].resample('7D').max().plot()data.shift(5)data.shift(-5)data['开盘价(元)'].expanding(min_periods=1).mean()答案
data[' expanding Open mean']=data['开盘价(元)'].expanding(min_periods=1).mean()
data[['开盘价(元)', 'expanding Open mean']].plot(figsize=(16, 6))data['former 30 days rolling Close mean']=data['收盘价(元)'].rolling(20).mean()
data['upper bound']=data['former 30 days rolling Close mean']+2*data['收盘价(元)'].rolling(20).std()#在这里我们取20天内的标准差
data['lower bound']=data['former 30 days rolling Close mean']-2*data['收盘价(元)'].rolling(20).std()data[['收盘价(元)', 'former 30 days rolling Close mean','upper bound','lower bound' ]].plot(figsize=(16, 6))第四期：当Pandas遇上NumPy
import pandas as pd
import numpy as np
print(np.__version__)
print(pd.__version__)tem = np.random.randint(1,100,20)
df1 = pd.DataFrame(tem)tem = np.arange(0,100,5)
df2 = pd.DataFrame(tem)tem = np.random.normal(0, 1, 20)
df3 = pd.DataFrame(tem)df = pd.concat([df1,df2,df3],axis=0,ignore_index=True)0 1 2
0 95 0 0.022492
1 22 5 -1.209494
2 3 10 0.876127
3 21 15 -0.162149
4 51 20 -0.815424
5 30 25 -0.303792
...............df = pd.concat([df1,df2,df3],axis=1,ignore_index=True)
dfprint(np.percentile(df, q=[0, 25, 50, 75, 100]))df.columns = ['col1','col2','col3']df['col1'][~df['col1'].isin(df['col2'])]temp = df['col1'].append(df['col2'])
temp.value_counts().index[:3]np.argwhere(df['col1'] % 5==0)df['col1'].diff().tolist()df.ix[:, ::-1]df['col1'].take([1,10,15])tem = np.diff(np.sign(np.diff(df['col1'])))
np.where(tem == -2)[0] + 1df[['col1','col2','col3']].mean(axis=1)np.convolve(df['col2'], np.ones(3)/3, mode='valid')df.sort_values("col3",inplace=True)df.col1[df['col1'] > 50]= '高'np.linalg.norm(df['col1']-df['col2'])第五期：一些补充
df = pd.read_csv('数据1.csv',encoding='gbk', usecols=['positionName', 'salary'],nrows = 10)答案
df = pd.read_csv('数据2.csv',converters={'薪资水平': lambda x: '高' if float(x) > 10000 else '低'} )期望结果
答案
df.iloc[::20, :][['薪资水平']]df = pd.DataFrame(np.random.random(10)**10, columns=['data'])期望结果
答案
df.round(3)df.style.format({'data': '{0:.2%}'.format})df['data'].argsort()[::-1][7]df.iloc[::-1, :]df1= pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
df2= pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})pd.merge(df1, df2, on=['key1', 'key2'])备注
只保存df1的数据
答案
pd.merge(df1, df2, how='left', on=['key1', 'key2'])df = pd.read_csv('数据1.csv',encoding='gbk')
pd.set_option("display.max.columns", None)
dfnp.where(df.secondType == df.thirdType)np.argwhere(df['salary'] > df['salary'].mean())[2]df[['salary']].apply(np.sqrt)df['split'] = df['linestaion'].str.split('_')df.shape[1]df[df['industryField'].str.startswith('数据')]pd.pivot_table(df,values=["salary","score"],index="positionId")df[["salary","score"]].agg([np.sum,np.mean,np.min])df.agg({"salary":np.sum,"score":np.mean})df[['district','salary']].groupby(by='district').mean().sort_values('salary',ascending=False).head(1)以上就是Pandas进阶修炼120题全部内容，如果能坚持走到这里的读者，我想你已经掌握了处理数据的常用操作，并且在之后的数据分析中碰到相关问题，希望武装了Pandas的你能够从容的解决！
另外我已将习题与源码整理成电子版，后台回复 120 即可下载
近期文章，点击图片即刻查看
后台回复「进群」，加入读者交流群~
昨日最多赞留言“HeoiJinChan”+26积分；
纯眼熟留言“瓜”+50积分
点击「积分」，了解积分规则~五
【凹凸数据】本次联合【机械工业出版社】为大家送上1本《Hive性能调优实战》，限时500积分即可兑换，先到先得
朱小五