1.pandas简介
Pandas 是 Python 语言的一个扩展程序库,用于数据分析。
Pandas 是一个开放源码、BSD 许可的库,提供高性能、易于使用的数据结构和数据分析工具。
Pandas 名字衍生自术语 “panel data”(面板数据)和 “Python data analysis”(Python 数据分析)。
Pandas 一个强大的分析结构化数据的工具集,基础是 Numpy(提供高性能的矩阵运算)。
Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。
Pandas 可以对各种数据进行运算操作,比如归并、再成形、选择,还有数据清洗和数据加工特征。
Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。
Pandas 的主要数据结构是 Series (一维数据)与 DataFrame(二维数据),这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例😎引入Pandas:
import pandas as pd
2.Series
Pandas Series 类似表格中的一个列(column),类似于一维数组,可以保存任何数据类型。Series 由索引(index)和列组成,函数如下:
pandas.Series( data, index, dtype, name, copy)
参数说明:copy:拷贝数据,默认为 False。name:设置名称。dtype:数据类型,默认会自己判断。index:数据索引标签,如果不指定,默认从 0 开始。data:一组数据(ndarray 类型)。 实例:Series
创建一个简单的
''' pandas_series ''' import pandas as pd a = [1, 2, 3] myvar = pd.Series(a) print(myvar) # 0 1 # 1 2 # 2 3 # dtype: int64
输出简介:
从上图可知,如果没有指定索引,索引值就从 0 开始,我们可以根据索引值读取数据:
import pandas as pd a = [1, 2, 3] myvar = pd.Series(a) print(myvar[1]) # 2
我们可以指定索引值,如下实例:
''' 指定索引值 ''' str = ['google', 'facebook', 'github'] mystr = pd.Series(str, index=["x", "y", "z"]) print(mystr) # x google # y facebook # z github # dtype: object
我们也可以使用 key/value 对象,类似字典来创建 Series:
''' 使用key/value对象来设置Series对象 ''' sites = {1: 'google', 2: 'tencent', 3: 'weiwei'} mysites = pd.Series(sites, name="dahezhiquan") print(mysites) # 1 google # 2 tencent # 3 weiwei # Name: dahezhiquan, dtype: object
3.DataFrame
组成的字典(共同用一个索引)。Series
既有行索引也有列索引,它可以被看做由 DataFrame
是一个表格型的数据结构,它含有一组有序的列,每列可以是不同的值类型(数值、字符串、布尔型值)。DataFrame
更形象的演示:
构造方法如下:DataFrame
pandas.DataFrame( data, index, columns, dtype, copy)
参数说明:
data:一组数据(ndarray、series, map, lists, dict 等类型)。
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。
copy:拷贝数据,默认为 False。
Pandas DataFrame 是一个二维的数组结构,类似二维数组。
''' 基本使用 ''' data = [['google', 12], ['face', 13], ['win', 14]] df = pd.DataFrame(data, columns=['site', 'age'], dtype=float) print(df) # site age # 0 google 12.0 # 1 face 13.0 # 2 win 14.0
以下实例使用 ndarrays 创建,ndarray 的长度必须相同, 如果传递了 index,则索引的长度应等于数组的长度。如果没有传递索引,则默认情况下,索引将是range(n),其中n是数组长度。
''' ndarrays 创建 ''' data_item = {'Sites': ['google', 'time', 'wangwei'], 'Age': [12, 13, 14]} df2 = pd.DataFrame(data_item) print(df2) # Sites Age # 0 google 12 # 1 time 13 # 2 wangwei 14
还可以使用字典(key/value),其中字典的 key 为列名:
''' 使用key-values值创建 ''' shit = [{'a': 1, 'b': 2}, {'a': 5, 'b': 3, 'c': 2}] df3 = pd.DataFrame(shit) print(df3) # a b c # 0 1 2 NaN # 1 5 3 2.0
没有对应的部分数据为 NaN
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:
# 获取第一行的数据 print(df3.loc[0]) # a 1.0 # b 2.0 # c NaN # Name: 0, dtype: float64
也可以返回多行数据,使用 [[ ... ]]
格式,...
为各行的索引,以逗号隔开:
# 返回第二行和第三行的数据 print(df3.loc[[0, 1]]) # a b c # 0 1 2 NaN # 1 5 3 2.0
4.Pandas CSV 文件
Pandas 可以很方便的处理 CSV 文件
简单的读取csv文件的内容:
''' 读取csv文件内容 ''' df = pd.read_csv('nba.csv') print(df) # to_string() 用于返回 DataFrame 类型的数据,如果不使用该函数, # 则输出结果为数据的前面 5 行和末尾 5 行,中间部分以 ... 代替。 print(df.to_string())
我们也可以使用 to_csv() 方法将 DataFrame 存储为 csv 文件:
''' 将dataframe转储为csv文件 ''' nme = ["Google", "Runoob", "Taobao", "Wiki"] st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"] ag = [90, 40, 80, 98] dict = {'name': nme, 'site': st, 'age': ag} df2 = pd.DataFrame(dict) print(df2) # name site age # 0 Google www.google.com 90 # 1 Runoob www.runoob.com 40 # 2 Taobao www.taobao.com 80 # 3 Wiki www.wikipedia.org 98 df2.to_csv('site.csv')
执行成功后,我们打开 site.csv 文件,显示结果如下:
5.Pandas CSV文件数据处理
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。
# 读取前面的 6 行 print(df.head(6)) # Name Team Number ... Weight College Salary # 0 Avery Bradley Boston Celtics 0.0 ... 180.0 Texas 7730337.0 # 1 Jae Crowder Boston Celtics 99.0 ... 235.0 Marquette 6796117.0 # 2 John Holland Boston Celtics 30.0 ... 205.0 Boston University NaN # 3 R.J. Hunter Boston Celtics 28.0 ... 185.0 Georgia State 1148640.0 # 4 Jonas Jerebko Boston Celtics 8.0 ... 231.0 NaN 5000000.0 # 5 Amir Johnson Boston Celtics 90.0 ... 240.0 NaN 12000000.0 # # [6 rows x 9 columns]
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。
# 默认读取末尾的5行 print(df.tail()) # Name Team Number Position ... Height Weight College Salary # 453 Shelvin Mack Utah Jazz 8.0 PG ... 6-3 203.0 Butler 2433333.0 # 454 Raul Neto Utah Jazz 25.0 PG ... 6-1 179.0 NaN 900000.0 # 455 Tibor Pleiss Utah Jazz 21.0 C ... 7-3 256.0 NaN 2900000.0 # 456 Jeff Withey Utah Jazz 24.0 C ... 7-0 231.0 Kansas 947276.0 # 457 NaN NaN NaN NaN ... NaN NaN NaN NaN # # [5 rows x 9 columns]
info() 方法返回表格的一些基本信息:
# 返回表格的基本信息 print(df.info()) # <class 'pandas.core.frame.DataFrame'> # RangeIndex: 458 entries, 0 to 457 # Data columns (total 9 columns): # # Column Non-Null Count Dtype # --- ------ -------------- ----- # 0 Name 457 non-null object # 1 Team 457 non-null object # 2 Number 457 non-null float64 # 3 Position 457 non-null object # 4 Age 457 non-null float64 # 5 Height 457 non-null object # 6 Weight 457 non-null float64 # 7 College 373 non-null object # 8 Salary 446 non-null float64 # dtypes: float64(4), object(5) # memory usage: 32.3+ KB # None