pandas

pandas介绍

Pandas 是一个开源的数据分析和数据处理库，它是基于 Python 编程语言的。

Pandas 提供了易于使用的数据结构和数据分析工具，特别适用于处理结构化数据，如表格型数据（类似于Excel表格）。

Pandas 是数据科学和分析领域中常用的工具之一，它使得用户能够轻松地从各种数据源中导入数据，并对数据进行高效的操作和分析。

Pandas 主要引入了两种新的数据结构：DataFrame 和 Series

• Series： 类似于一维数组或列表，是由一组数据以及与之相关的数据标签（索引）构成。Series 可以看作是 DataFrame 中的一列，也可以是单独存在的一维数据结构。

• DataFrame： 类似于一个二维表格，它是 Pandas 中最重要的数据结构。DataFrame 可以看作是由多个 Series 按列排列构成的表格，它既有行索引也有列索引，因此可以方便地进行行列选择、过滤、合并等操作。

Pandas 提供了丰富的功能，包括：

• 数据清洗：处理缺失数据、重复数据等。
• 数据转换：改变数据的形状、结构或格式。
• 数据分析：进行统计分析、聚合、分组等。
• 数据可视化：通过整合 Matplotlib 和 Seaborn 等库，可以进行数据可视化。

pandas安装

1. 安装python

   官网下载/docker安装

2. 安装pandas

   pip install pandas

   验证使用：

   import pandas as pd
   pd.__version__
   

pandas series

结构

• 索引： 每个 Series 都有一个索引，它可以是整数、字符串、日期等类型。如果没有显式指定索引，Pandas 会自动创建一个默认的整数索引。
• 数据类型： Series 可以容纳不同数据类型的元素，包括整数、浮点数、字符串等。

pandas.Series( data, index, dtype, name, copy)

## data：一组数据(ndarray 类型)。
## index：数据索引标签，如果不指定，默认从 0 开始。
## dtype：数据类型，默认会自己判断。
## name：设置名称。
## copy：拷贝数据，默认为 False。

实例

1. 使用series

   import pandas as pd
   
   a = [1, 2, 3]
   myvar = pd.Series(a)
   print(myvar)
   print(myvar[1])
   

   输出为：

   

2. 使用pd.Series设置索引

   import pandas as pd
   
   a = ["Google", "Runoob", "Wiki"]
   myvar = pd.Series(a, index = ["x", "y", "z"])
   print(myvar)
   print(myvar["y"])
   

3. 通过字典来创建

   import pandas as pd
   
   sites = {1: "Google", 2: "Runoob", 3: "Wiki"}
   myvar = pd.Series(sites)
   print(myvar)
   
   myvar = pd.Series(sites, index = [1, 2], name="RUNOOB-Series-TEST" )
   print(myvar)
   
   myvar = pd.Series(sites, index = [1, 2], name="RUNOOB-Series-TEST" )
   print(myvar)
   

基本操作

• 基本操作

  ## 获取值
  value = series[2]  ## 获取索引为2的值
  
  ## 获取多个值
  subset = series[1:4]  ## 获取索引为1到3的值
  
  ## 使用自定义索引
  value = series_with_index['b']  ## 获取索引为'b'的值
  
  ## 索引和值的对应关系
  for index, value in series_with_index.items():
      print(f"Index: {index}, Value: {value}")
  

• 基本运算

  ## 算术运算
  result = series * 2  ## 所有元素乘以2
  
  ## 过滤
  filtered_series = series[series > 2]  ## 选择大于2的元素
  
  ## 数学函数
  import numpy as np
  result = np.sqrt(series)  ## 对每个元素取平方根
  

• 属性和方法

  ## 获取索引
  index = series_with_index.index
  
  ## 获取值数组
  values = series_with_index.values
  
  ## 获取描述统计信息
  stats = series_with_index.describe()
  
  ## 获取最大值和最小值的索引
  max_index = series_with_index.idxmax()
  min_index = series_with_index.idxmin()
  

• 注意事项

  • Series 中的数据是有序的。
  • 可以将 Series 视为带有索引的一维数组。
  • 索引可以是唯一的，但不是必须的。
  • 数据可以是标量、列表、NumPy 数组等。

pandas dataframe

dataframe结构

• 列和行： DataFrame 由多个列组成，每一列都有一个名称，可以看作是一个 Series。同时，DataFrame 有一个行索引，用于标识每一行。
• 二维结构： DataFrame 是一个二维表格，具有行和列。可以将其视为多个 Series 对象组成的字典。
• 列的数据类型： 不同的列可以包含不同的数据类型，例如整数、浮点数、字符串等。

pandas.DataFrame( data, index, columns, dtype, copy)

# data：一组数据(ndarray、series, map, lists, dict 类型)。
# index：索引值，或者可以称为行标签
# columns：列标签，默认为 RangeIndex (0, 1, 2, …, n) 
# dtype：数据类型，默认会自己判断。
# copy：拷贝数据，默认为 False。

dataframe实例

1. 使用dataframe

   import pandas as pd
   
   data = [['Google',10],['Runoob',12],['Wiki',13]]
   df = pd.DataFrame(data,columns=['Site','Age'])
   print(df)
   

2. 使用ndarrays创建

   import pandas as pd
   
   data = {'Site':['Google', 'Runoob', 'Wiki'], 'Age':[10, 12, 13]}
   df = pd.DataFrame(data)
   print (df)
   

3. 通过字典来创建

   import pandas as pd
   
   data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
   df = pd.DataFrame(data)
   print (df)
   

   没有对应的部分数据为 NaN。

4. 通过loc返回指定行
   Pandas 可以使用 loc 属性返回指定行的数据，如果没有设置索引，第一行索引为 0，第二行索引为 1，以此类推

   import pandas as pd
   
   data = {
     "calories": [420, 380, 390],
     "duration": [50, 40, 45]
   }
   
   # 数据载入到 DataFrame 对象
   df = pd.DataFrame(data)
   
   # 返回第一行
   print(df.loc[0])
   # 返回第二行
   print(df.loc[1])
   
   # 返回第一行和第二行
   print(df.loc[[0, 1]])
   
   # 指定索引
   print(df.loc["duration"])
   

5. pd.DataFrame指定索引

   import pandas as pd
   data = {
     "calories": [420, 380, 390],
     "duration": [50, 40, 45]
   }
   
   df = pd.DataFrame(data, index = ["day1", "day2", "day3"])
   print(df)
   

dataframe基本操作

• 基本操作

  # 获取列
  name_column = df['Name']
  
  # 获取行
  first_row = df.loc[0]
  
  # 选择多列
  subset = df[['Name', 'Age']]
  
  # 过滤行
  filtered_rows = df[df['Age'] > 30]
  

• 数据操作

  # 添加新列
  df['Salary'] = [50000, 60000, 70000]
  
  # 删除列
  df.drop('City', axis=1, inplace=True)
  
  # 排序
  df.sort_values(by='Age', ascending=False, inplace=True)
  
  # 重命名列
  df.rename(columns={'Name': 'Full Name'}, inplace=True)
  

• 属性和方法

  # 获取列名
  columns = df.columns
  
  # 获取形状（行数和列数）
  shape = df.shape
  
  # 获取索引
  index = df.index
  
  # 获取描述统计信息
  stats = df.describe()
  

• 外部数据源创建

  # 从CSV文件创建 DataFrame
  df_csv = pd.read_csv('example.csv')
  
  # 从Excel文件创建 DataFrame
  df_excel = pd.read_excel('example.xlsx')
  
  # 从字典列表创建 DataFrame
  data_list = [{'Name': 'Alice', 'Age': 25}, {'Name': 'Bob', 'Age': 30}]
  df_from_list = pd.DataFrame(data_list)
  

• 注意事项

  • DataFrame 是一种灵活的数据结构，可以容纳不同数据类型的列。
  • 列名和行索引可以是字符串、整数等。
  • DataFrame 可以通过多种方式进行数据选择、过滤、修改和分析。
  • 通过对 DataFrame 的操作，可以进行数据清洗、转换、分析和可视化等工作。

pandas CSV

介绍

CSV（Comma-Separated Values，逗号分隔值，有时也称为字符分隔值，因为分隔字符也可以不是逗号），其文件以纯文本形式存储表格数据（数字和文本）。

CSV 是一种通用的、相对简单的文件格式，被用户、商业和科学广泛应用。

1. 处理csv
   Pandas 可以很方便的处理 CSV 文件

   import pandas as pd
   df = pd.read_csv('site.csv')
   print(df.to_string())
   

2. 存储csv
   可以使用 to_csv() 方法将 DataFrame 存储为 csv 文件

   import pandas as pd
   
   # 三个字段 name, site, age
   nme = ["Google", "Runoob", "Taobao", "Wiki"]
   st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"]
   ag = [90, 40, 80, 98]
   # 字典
   dict = {'name': nme, 'site': st, 'age': ag}
   df = pd.DataFrame(dict)
   
   # 保存 dataframe
   df.to_csv('site.csv')
   

数据处理

head()

head(n) 方法用于读取前面的 n 行，如果不填参数 n ，默认返回 5 行。

import pandas as pd

df = pd.read_csv('nba.csv')
print(df.head())

print(df.head(10))

tail()

tail(n) 方法用于读取尾部的 n 行，如果不填参数 n ，默认返回 5 行，空行各个字段的值返回 NaN。

import pandas as pd

df = pd.read_csv('nba.csv')
print(df.tail())

print(df.tail(10))

info()

info() 方法返回表格的一些基本信息：

import pandas as pd

df = pd.read_csv('nba.csv')
print(df.info())

Pandas JSON

JSON（JavaScript Object Notation，JavaScript 对象表示法），是存储和交换文本信息的语法，类似 XML。

JSON 比 XML 更小、更快，更易解析，更多 JSON 内容可以参考 JSON 教程。

Pandas 可以很方便的处理 JSON 数据

普通JSON处理

import pandas as pd

df = pd.read_json('sites.json')
print(df.to_string())

URL = 'https://static.runoob.com/download/sites.json'
df = pd.read_json(URL)
print(df)

JSON 对象与 Python 字典具有相同的格式，所以我们可以直接将 Python 字典转化为 DataFrame 数据

内嵌JSON处理

使用 json_normalize() 方法将内嵌的数据完整的解析出来

import pandas as pd
import json

# 使用 Python JSON 模块载入数据
with open('nested_list.json','r') as f:
    data = json.loads(f.read())

# 展平数据
df_nested_list = pd.json_normalize(data, record_path =['students'])
print(df_nested_list)

更加复杂的数据

import pandas as pd
import json

# 使用 Python JSON 模块载入数据
with open('nested_mix.json','r') as f:
    data = json.loads(f.read())
    
df = pd.json_normalize(
    data, 
    record_path =['students'], 
    meta=[
        'class',
        ['info', 'president'], 
        ['info', 'contacts', 'tel']
    ]
)

print(df)

读取内嵌JSON中的一组数据

使用 glom 模块来处理数据套嵌，glom 模块允许我们使用 . 来访问内嵌对象的属性

• 安装glom

  pip3 install glom
  

• 使用

  import pandas as pd
  from glom import glom
  
  df = pd.read_json('nested_deep.json')
  
  data = df['students'].apply(lambda row: glom(row, 'grade.math'))
  print(data)
  

数据清洗

使用数据

清洗空值

如果我们要删除包含空字段的行，可以使用 dropna() 方法，语法格式如下：

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

# axis：默认为 0，表示逢空值剔除整行，如果设置参数 axis＝1 表示逢空值去掉整列。
# how：默认为 'any' 如果一行（或一列）里任何一个数据有出现 NA 就去掉整行，如果设置 how='all' 一行（或列）都是 NA 才去掉这整行。
# thresh：设置需要多少非空值的数据才可以保留下来的。
# subset：设置想要检查的列。如果是多个列，可以使用列名的 list 作为参数。
# inplace：如果设置 True，将计算得到的值直接覆盖之前的值并返回 None，修改的是源数据。

可以通过 isnull() 判断各个单元格是否为空。

在pandas.read_csv中可以指定na_values来指定空值

import pandas as pd

df = pd.read_csv('property-data.csv')

print(df['NUM_BEDROOMS'])
print(df['NUM_BEDROOMS'].isnull())

# 指定空数据
missing_values = ["n/a", "na", "--"]
df = pd.read_csv('property-data.csv', na_values = missing_values)

print (df['NUM_BEDROOMS'])
print (df['NUM_BEDROOMS'].isnull())

# 删除空数据
new_df = df.dropna()
print(new_df.to_string())

# 修改原DataFrame
df.dropna(inplace = True)
print(df.to_string())

# 移除指定有空值的行
df.dropna(subset=['ST_NUM'], inplace = True)
print(df.to_string())

使用fillna()替换空值

替换空单元格的常用方法是计算列的均值、中位数值或众数。

Pandas使用 mean()、median() 和 mode() 方法计算列的均值（所有值加起来的平均值）、中位数值（排序后排在中间的数）和众数（出现频率最高的数）。

import pandas as pd

df = pd.read_csv('property-data.csv')

# 使用 12345 替换空字段
df.fillna(12345, inplace = True)
print(df.to_string())

# 使用均值替换空字段
x = df["ST_NUM"].mean()
df["ST_NUM"].fillna(x, inplace = True)
print(df.to_string())

# 使用中位数替换空字段
x = df["ST_NUM"].median()
df["ST_NUM"].fillna(x, inplace = True)
print(df.to_string())

# 使用众数替换空字段
x = df["ST_NUM"].mode()
df["ST_NUM"].fillna(x, inplace = True)
print(df.to_string())

清洗格式错误

数据格式错误的单元格会使数据分析变得困难，甚至不可能。

我们可以通过包含空单元格的行，或者将列中的所有单元格转换为相同格式的数据。

import pandas as pd

# 第三个日期格式错误
data = {
  "Date": ['2020/12/01', '2020/12/02' , '20201226'],
  "duration": [50, 40, 45]
}
df = pd.DataFrame(data, index = ["day1", "day2", "day3"])

df['Date'] = pd.to_datetime(df['Date'])
print(df.to_string())

清洗错误数据

import pandas as pd

person = {
  "name": ['Google', 'Runoob' , 'Taobao'],
  "age": [50, 200, 12345]    
}

df = pd.DataFrame(person)

# 直接修改数据
df.loc[2, 'age'] = 30

# 循环判断
for x in df.index:
  if df.loc[x, "age"] > 120:
    df.loc[x, "age"] = 120

# 删除行
for x in df.index:
  if df.loc[x, "age"] > 120:
    df.drop(x, inplace = True)

print(df.to_string())

清洗重复数据

如果我们要清洗重复数据，可以使用 duplicated() 和 drop_duplicates() 方法。

如果对应的数据是重复的，duplicated() 会返回 True，否则返回 False。

import pandas as pd

person = {
  "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],
  "age": [50, 40, 40, 23]  
}
df = pd.DataFrame(person)

# 查找重复数据
print(df.duplicated())

# 删除重复数据
df.drop_duplicates(inplace = True)
print(df)

本栏目推荐文章
• 【Shell基础】Bash基础与Linux三剑客
• 跟着阿灵学前端(1)——HTML 基础
• 跟着阿灵学前端(2)——CSS 基础
• OSPF理论基础
• （坚持每天写算法）基础算法复习与学习part1基础算法1-7——高精度减法（处理t=1和t>1代码的写法，t为操作次数）
• 9-函数基础
• 春眠不觉晓，Java数据类型知多少？基础牢不牢看完本文就有数了
• Servlet基础开发
• Linux基础命令 [补档-2023-06-28]
• 学习如何使用 Python 连接 MongoDB: PyMongo 安装和基础操作教程

基础 pandas基础pandas 基础pandas numpy 关卡 基础pandas numpy 数据分析 基础 数据pandas 基础 数据pandas 基础知识 基础 知识pandas 数据 数据处理 基础pandas 类型 基础 数据pandas 部分 基础pandas 基础 目录pandas