使用pandas库进行数据分析教学
1、pandas介绍
Pandas 是python的一个数据分析包
pandas 是基于NumPy 的一种工具，该工具是为解决数据分析任务而创建的。
Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。
pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
pandas可以读取/写入txt、dox、excal、csv等文件，原理都一样，深度学习通常使用csv文件。
2、csv文件介绍
其文件以纯文本形式存储表格数据（数字和文本）。
纯文本意味着该文件是一个字符序列，不含必须像二进制数字那样被解读的数据。
即csv可以用txt编写，在txt中每一行输入若干数据，每个数据用逗号隔开，一行数据结束后换行写下一行，转成csv文件后打开后风格和excal一样。
效果如图：
txt文件数据：
csv文件数据：
3、pandas常用操作csv
（1）pandas读入csv操作
就一个函数：pandas.read_csv（…）
将 CSV 文件读入 pandas DataFrame
import pandas
df = pandas.read_csv(r'C:\Users\zhaohaobing\Desktop\pythond的pandas数据分析\111.csv', #文件路径
index_col='Employee', #将Employee列为索引
parse_dates=['Hired'], #将Hired列存储为日期格式（2014-03-15，不加这行的话是2003/15/14）
sep = ',', #表明文件txt格式中数据分隔符是用','来表示的
header=0, #将首行设为列名
encoding="utf-8", #可以读取中文
names=['Employee', 'Hired','Salary', 'Sick Days']) #修改第一行列名
df.to_csv('hrdata_modified.csv') #另存为hrdata_modified.csv文件
print(df)
重要：
1）header第一行的设置：
header=0（将首行设为列名）；header=None，则首行最为数据，那么names第一行标题必须制定！
2）列名的设置：
names=[‘Employee’, ‘Hired’,‘Salary’, ‘Sick Days’] #修改第一行列名
3）索引列的设置：
若不设置，默认最前一列加上0，1，2，3…；index_col=‘Employee’ #将Employee列为索引
效果：
（2）常用参数解释：read_csv与read_table常用的参数（更多参数查看官方手册）
pandas.read_csv(filepath_or_buffer, sep=', ', delimiter=None, header='infer', names=None, index_col=None, usecols=None, squeeze=False, prefix=None, mangle_dupe_cols=True, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skipinitialspace=False, skiprows=None, nrows=None, na_values=None, keep_default_na=True, na_filter=True, verbose=False, skip_blank_lines=True, parse_dates=False, infer_datetime_format=False, keep_date_col=False, date_parser=None, dayfirst=False, iterator=False, chunksize=None, compression='infer', thousands=None, decimal=b'.', lineterminator=None, quotechar='"', quoting=0, escapechar=None, comment=None, encoding=None, dialect=None, tupleize_cols=None, error_bad_lines=True, warn_bad_lines=True, skipfooter=0, doublequote=True, delim_whitespace=False, low_memory=True, memory_map=False, float_precision=None）
filepath_or_buffer #需要读取的文件及路径
sep / delimiter 列分隔符，普通文本文件，应该都是使用结构化的方式来组织，才能使用dataframe
header header=0（将首行设为列名）；header=None，则首行最为数据，那么names第一行标题必须制定！
shkiprows= 10 # 跳过前十行
nrows = 10 # 只取前10行
usecols=[0,1,2,...] #需要读取的列，可以是列的位置编号，也可以是列的名称
parse_dates = ['col_name'] # 指定某行读取为日期格式
index_col = None /False /0，重新生成一列成为index值，0表示第一列，用作行索引的列编号或列名。可以是单个名称/数字或由多个名称/数宇组成的列表（层次化索引）
error_bad_lines = False # 当某行数据有问题时，不报错，直接跳过，处理脏数据时使用
na_values = 'NULL' # 将NULL识别为空值
encoding='utf-8' #指明读取文件的编码，默认utf-8
（3）csv处理操作
列举几个常用的，保证能入门
常用的操作
df['新一列']='new' #在后面新加一列，数据全是new
df.fillna(value=0,inplace=True) #表中所有的空值用0填充
df['0']=df['0'].map(str.strip) #第一列，清除city字段的字符空格，字符串(str)的头和尾的空格，以及位于头尾的\n \t之类给删掉
df['0']=df['0'].str.lower() #第一列，大小写转换
df.drop_duplicates(['0'],inplace=True) #第一列，删除重复出现的值
df['0'].replace('111','222',inplace=True) #第一列，将111替换成222
#数据输出：
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
df_inner.to_csv('excel_to_python.csv')
df.to_sql(table_name, connection_object)# 导出数据到SQL表
df.to_json("filename")# 以Json格式导出数据到文本文件
常用查看打印：
print(df.head(3)) #读取前3行
print(df.tail(3)) #读取后3行
print(df.shape) #查看为几行几列
print(df.info()) #数据表基本信息（维度、列名称、数据格式、所占空间等)
print(df.dtypes) #每一列数据的格式
# 主要函数是groupby和pivote_table
print(df_inner.groupby('city').count())# 对所有的列进行计数汇总
print(df_inner.groupby('city')['id'].count())# 按city对id字段进行计数
print(df_inner.groupby(['city','price'])['id'].count())# 对两个字段进行汇总计数
print(df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) )# 对city字段进行汇总，并分别计算prince的合计和均值
# 使用与、或、非三个条件配合大于、小于、等于对数据进行筛选，并进行计数和求和。
print(df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'shanghai'), ['id','city','age','category','gender']])
print(df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'shanghai'), ['id','city','age','category','gender']] )
print(df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']])
# 对筛选后的数据按city列进行计数
print(df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].city.count())
# 使用query函数进行筛选
print(df_inner.query('city == ["beijing", "shanghai"]'))
# 对筛选后的结果按price进行求和
print(df_inner.query('city == ["Shenzhen", "shanghai"]').price.sum())
常用数据统计：
# 数据采样，计算标准差，协方差和相关系数
print(df_inner.sample(n=3))# 简单的数据采样（随机取3行数据）
# 手动设置采样权重，这里指3／4／5的权重比较高，随机取时概率较大
weights = [0, 0, 0, 0.5, 0.5, 0.5]
print(df_inner.sample(n=2, weights=weights))
print(df_inner.sample(n=6, replace=False))# 采样后不放回
print(df_inner.sample(n=6, replace=True))# 采样后放回
# 数据表描述性统计
print(df_inner.describe().round(2).T) #round函数设置显示小数位，T表示转置
# 标准差和协方差
print(df_inner['price'].std())# 计算列的标准差
print(df_inner['price'].cov(df_inner['m-point']))# 计算两个字段间的协方差
print(df_inner.cov())# 计算数据表中所有字段间的协方差
# 计算两个字段的相关性分析，相关系数在-1到1之间，接近1为正相关，接近-1为负相关，0为不相关
print(df_inner['price'].corr(df_inner['m-point']))
print(df.describe())# 查看数据值列的汇总统计
print(df.mean())# 返回所有列的均值
print(df.corr())# 返回列与列之间的相关系数
print(df.count())# 返回每一列中的非空值的个数
print(df.max())# 返回每一列的最大值
print(df.min())# 返回每一列的最小值
print(df.median())# 返回每一列的中位数
print(df.median())# 返回每一列的标准差
4、搜指令网站
pandas了解后，就跟数据库一样，需要什么操作直接网上搜指令就行了OVER
你学会了吗？
评论（0）
您还未登录，请登录后发表或查看评论