欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

python 数据分析--数据处理工具Pandas(1)

程序员文章站 2022-05-16 23:34:04
...

说明: 本文用到的数据集下载地址: 
链接:https://pan.baidu.com/s/1zSOypUVoYlGcs-z2pT2t0w 提取码:z95a

Pands模块可以帮助数据分析师轻松地解决数据的预处理问题,如数据类型的转换、缺失值的处理、描述性统计分析、数据的汇总等。Pandas模块的核心操作对象就是序列(Series)和数据框(DataFrame)。序列可以理解为数据集中的一个字段,数据框是指含有至少两个字段(或序列)的数据集。

1. 序列和数据框的构造

1.1 构造序列

构造一个序列可以使用如下方式实现:

  • 通过同质的列表或元组构建。
  • 通过字典构建。
  • 通过Numpy中的一维数组构建。
  • 通过数据框DataFrame中的某一列构建
import pandas as pd
import numpy as np

# 列表(元组)构造序列
gdp1 = pd.Series([2.8,3.01,8.99,8.2,2.58])
print(gdp1)

# 字典构造序列
gdp2 = pd.Series({"北京":2.8,"上海":3.01,"广东":8.99,"浙江":8.2,"重庆":2.58})
print(gdp2)

# Numpy一维数组构建
gdp3 = pd.Series(np.array([2.8,3.01,8.99,8.2,2.58]))
print(gdp3)


# 数据框DataFrame
df = pd.DataFrame([2.8,3.01,8.99,8.2,2.58],[2.8,3.01,8.99,8.2,2.58])
gdp4 = pd.Series(df[0])
print(gdp4)

0    2.80
1    3.01
2    8.99
3    8.20
4    2.58
dtype: float64
上海    3.01
北京    2.80
广东    8.99
浙江    8.20
重庆    2.58
dtype: float64
0    2.80
1    3.01
2    8.99
3    8.20
4    2.58
dtype: float64
2.80    2.80
3.01    3.01
8.99    8.99
8.20    8.20
2.58    2.58
Name: 0, dtype: float64

1.2 构造数据框

数据框实质上就是一个数据集,数据集的行代表每一条观测,数据集的列则代表各个变量。在一个数据框中可以存放不同数据类型的序列,如整数型、浮点型、字符型和日期时间型,而数组和序列则没有这样的优势,因为它们只能存放同质数据。构造一个数据库可以应用如下方式:

  • 通过嵌套的列表或元组构造。
  • 通过字典构造。
  • 通过二维数组构造。
  • 通过外部数据的读取构造。
import pandas as pd 
import numpy as np

# 嵌套列表
df1 = pd.DataFrame([['张三','female',2001,'"北京'],['李四','female',2001,'上海'],['王五','male',2003,'广州']])
print(df1)

# 字典
data = {
    "name":["张三","李四","王五"],
     "sex":["female","female","male"],
     "year":[2001,2001,2003],
     "city":["北京","上海","广州"] 
}
df2 = pd.DataFrame(data)
print(df2)


# 二维数组
arr = np.array([['张三','female',2001,'"北京'],['李四','female',2001,'上海'],['王五','male',2003,'广州']])
print(arr)
df3 = pd.DataFrame(arr)
print(df3)

#外部读取
# 见下面
    0       1     2    3
0  张三  female  2001  "北京
1  李四  female  2001   上海
2  王五    male  2003   广州
  city name     sex  year
0   北京   张三  female  2001
1   上海   李四  female  2001
2   广州   王五    male  2003
[['张三' 'female' '2001' '"北京']
 ['李四' 'female' '2001' '上海']
 ['王五' 'male' '2003' '广州']]
    0       1     2    3
0  张三  female  2001  "北京
1  李四  female  2001   上海
2  王五    male  2003   广州

2. Pandas从外部读取数据

2.1 文本文件的读取

Python读取txt或csv格式中的数据,可以使用Pandas模块中的read_table函数或read_csv函数。这里的“或”并不是指每个函数只能读取一种格式的数据,而是这两种函数均可以读取文本文件的数据。

  • filepath_or_buffer:指定txt文件或csv文件所在的具体路径。
  • sep:指定原数据集中各字段之间的分隔符,默认为Tab制表符。
  • header:是否需要将原数据集中的第一行作为表头,默认将第一行用作字段名称。
  • names:如果原数据集中没有字段,可以通过该参数在数据读取时给数据框添加具体的表头。* * index_col:指定原数据集中的某些列作为数据框的行索引(标签)。
  • usecols:指定需要读取原数据集中的哪些变量名。
  • dtype:读取数据时,可以为原数据集的每个字段设置不同的数据类型。
  • converters:通过字典格式,为数据集中的某些字段设置转换函数。
  • skiprows:数据读取时,指定需要跳过原数据集开头的行数。
  • skipfooter:数据读取时,指定需要跳过原数据集末尾的行数。
  • nrows:指定读取数据的行数。
  • na_values:指定原数据集中哪些特征的值作为缺失值。
  • skip_blank_lines:读取数据时是否需要跳过原数据集中的空白行,默认为True。
  • parse_dates:如果参数值为True,则尝试解析数据框的行索引;如果参数为列表,则尝试解析对应的日期列;如果参数为嵌套列表,则将某些列合并为日期列;如果参数为字典,则解析对应的列(字典中的值),并生成新的字段名(字典中的键)。
  • thousands:指定原始数据集中的千分位符。
  • comment:指定注释符,在读取数据时,如果碰到行首指定的注释符,则跳过改行。
  • encoding:如果文件中含有中文,有时需要指定字符编码。
    python 数据分析--数据处理工具Pandas(1)
user_income = pd.read_table(r"E:/Data/3/data_test01.txt", sep=',',parse_dates={'birthday':[0,1,2]},skiprows=2,skipfooter=3,comment='#',encoding='utf-8',thousands='&',engine='python')

user_income
birthday gender occupation income
0 1990-03-07 销售经理 6000
1 1989-08-10 化妆师 8500
2 1992-10-07 前端设计 6500
3 1985-06-15 数据分析师 18000

2.2 电子表格的读取

Pandas模块中的read_excel函数,能完美地读取电子表格数据。其参数列表如下:

  • io:指定电子表格的具体路径。
  • sheetname:指定需要读取电子表格中的第几个Sheet,既可以传递整数也可以传递具体的Sheet名称。
  • header:是否需要将数据集的第一行用作表头,默认为是需要的。
  • skiprows:读取数据时,指定跳过的开始行数。
  • skip_footer:读取数据时,指定跳过的末尾行数。
  • index_col:指定哪些列用作数据框的行索引(标签)。
  • names:如果原数据集中没有字段,可以通过该参数在数据读取时给数据框添加具体的表头。
  • parse_cols:指定需要解析的字段。
  • parse_dates:如果参数值为True,则尝试解析数据框的行索引;如果参数为列表,则尝试解析对应的日期列;如果参数为嵌套列表,则将某些列合并为日期列;如果参数为字典,则解析对应的列(字典中的值),并生成新的字段名(字典中的键)。
  • na_values:指定原始数据中哪些特殊值代表了缺失值。
  • thousands:指定原始数据集中的千分位符。
  • convert_float:默认将所有的数值型字段转换为浮点型字段。
  • converters:通过字典的形式,指定某些列需要转换的形式。

python 数据分析--数据处理工具Pandas(1)

child_cloth = pd.read_excel(r"E:/Data/3/data_test02.xlsx",header=None,converters={0:str},names=["编号","服装名","颜色","价格"])
child_cloth
编号 服装名 颜色 价格
0 00101 儿童裤 黑色 109
1 01123 儿童上衣 红色 229
2 01010 儿童鞋 蓝色 199
3 00100 儿童内衣 灰色 159

2.3 数据库的读取

  • sql:SQL命令字符串
  • con:连接sql数据库的engine,一般可以用SQLalchemy或者pymysql之类的包建立
  • index_col: 选择某一列作为index
  • coerce_float:非常有用,将数字形式的字符串直接以float型读入
  • parse_dates:将某一列日期型字符串转换为datetime型数据,与pd.to_datetime函数功能类似。可以直接提供需要转换的列名以默认的日期形式转换,也可以用字典的格式提供列名和转换的日期格式,比如{column_name:
    format string}(format string:"%Y:%m:%H:%M:%S")。
  • columns:要选取的列。一般没啥用,因为在sql命令里面一般就指定要选择的列了
  • chunksize:如果提供了一个整数值,那么就会返回一个generator,每次输出的行数就是提供的值的大小。

python 数据分析--数据处理工具Pandas(1)

# 读入mysql数据库中的数据
# 导入第三方模块
import pymysql

#连接数据库
conn = pymysql.connect(host="localhost",user="root",password="123456",database="medicalmanagementsystem",charset='utf8')
 
# 读取数据
data = pd.read_sql('select orderid,date,time,medical_name,medical_price from userorder where orderid <10',conn)

# 关闭连接
conn.close()
# 数据输出
data
orderid date time medical_name medical_price
0 1 2019年11月20日 17:01:53 50/50混合重组人胰岛素注射液 16.0
1 2 2019年11月21日 16:22:18 A、C群脑膜炎球菌结合疫苗 66.0
2 3 2019年11月21日 17:01:53 阿莫西林胶囊 32.0
3 4 2019年11月22日 17:01:53 A、C群脑膜炎球菌结合疫苗 66.0
4 5 2019年11月23日 17:01:53 A群C群脑膜炎球菌多糖结合疫苗 66.0
5 6 2019年11月23日 17:06:59 板蓝根颗粒 12.0
6 7 2019年11月23日 17:01:53 30/70混合重组人胰岛素注射液 11.0
7 8 2019年11月22日 17:01:53 阿莫西林胶囊 32.0
8 9 2019年11月15日 16:40:17 维生素B2片 12.0

3. 数据描述统计

了解数据,例如读入数据的规模如何、各个变量都属于什么数据类型、一些重要的统计指标对应的值是多少、离散变量各唯一值的频次该如何统计等。下面以某平台二手车信息为例:
python 数据分析--数据处理工具Pandas(1)

import pandas as pd 

# 读取数据
second_cars = pd.read_table(r"E:/Data/3/sec_cars.csv",sep=',',encoding='gbk')

#查看数据集的行列数
print("行,列为:\n",second_cars.shape)

# 查看各个变量数据类型
print("各个变量的数据类型:\n",second_cars.dtypes)
行,列为:
 (11125, 7)
各个变量的数据类型:
 Brand             object
Name              object
Boarding_time     object
Km(W)            float64
Discharge         object
Sec_price        float64
New_price         object
dtype: object
#预览前五行
second_cars.head()
Brand Name Boarding_time Km(W) Discharge Sec_price New_price
0 众泰 众泰T600 2016款 1.5T 手动 豪华型 2016年5月 3.96 国4 6.8 9.42万
1 众泰 众泰Z700 2016款 1.8T 手动 典雅型 2017年8月 0.08 国4,国5 8.8 11.92万
2 众泰 大迈X5 2015款 1.5T 手动 豪华型 2016年9月 0.80 国4 5.8 8.56万
3 众泰 众泰T600 2017款 1.5T 手动 精英贺岁版 2017年3月 0.30 国5 6.2 8.66万
4 众泰 众泰T600 2016款 1.5T 手动 旗舰型 2016年2月 1.70 国4 7.0 11.59万
#预览尾五行
second_cars.tail()
Brand Name Boarding_time Km(W) Discharge Sec_price New_price
11120 DS DS 3 2012款 1.6L 手自一体 风尚版 2013年6月 1.90 欧5 10.80 23.86万
11121 DS DS 3 2012款 1.6L 手自一体 风尚版 2013年6月 1.92 欧5 9.50 23.86万
11122 DS DS 5LS 2015款 1.6T 手自一体 THP160雅致版 2016年5月 1.51 国4,国5 12.30 20.28万
11123 DS DS 5 2015款 1.8T 手自一体 THP200 豪华版 2016年3月 3.00 国4,国5 17.99 28.65万
11124 DS DS 6 2016款 1.6T 豪华版THP160 2017年1月 1.37 国4,国5 16.00 24.95万
# 数据类型转换
second_cars.Boarding_time = pd.to_datetime(second_cars.Boarding_time, format="%Y年%m月")

#  删除有NaN数据的行  可先在EXCEL里面将暂无更换为NaN,使用缺失值处理中的删除法
# 此步其实已经在做数据的清洗了。
print("数据是否存在缺失值:",any(second_cars.isnull()))
second_cars.dropna()


second_cars.New_price = second_cars.New_price.str[:-1].astype('float')   
second_cars.dtypes
数据是否存在缺失值:True
Brand                    object
Name                     object
Boarding_time    datetime64[ns]
Km(W)                   float64
Discharge                object
Sec_price               float64
New_price               float64
dtype: object
# 数值型数据的描述统计
second_cars.describe()
Km(W) Sec_price New_price
count 11125.000000 11125.000000 10984.000000
mean 6.279603 25.671780 51.326006
std 3.479047 52.797762 79.682066
min 0.020000 0.650000 2.910000
25% 4.000000 5.200000 16.050000
50% 6.000000 10.000000 26.690000
75% 8.200000 23.800000 52.210000
max 34.600000 808.000000 976.920000
# 查看数据偏度和峰度值
import pandas as pd
# 挑出数值型变量
num_variables = second_cars.columns[second_cars.dtypes != 'object'][1:]
print(num_variables)
# 自定义函数, 计算偏度和峰度
def skew_kur(x):
    skewness  = x.skew()
    kurtsis = x.kurt()
    #返回偏度值和峰值
    return pd.Series([skewness,kurtsis],index = (['Skew','kurt']))
    
#运用apply方法
second_cars[num_variables].apply(func = skew_kur,axis =0)
Index(['Km(W)', 'Sec_price', 'New_price'], dtype='object')
Km(W) Sec_price New_price
Skew 0.815231 6.270313 4.996912
kurt 2.361091 54.719769 33.519911

这三个变量都属于右偏(因为偏度值均大于0),而且三个变量也是尖峰的(因为峰度值也都大于0)。在自定义函数中,运用到了计算偏度的skew方法和计算峰度的kurt方法,然后将计算结果组合到序列中;最后使用apply方法,该方法的目的就是对指定轴(axis=0,即垂直方向的各列)进行统计运算(运算函数即自定义函数)。

# 离散型变量的描述
second_cars.describe(include=['object'])
Brand Name Discharge
count 11125 11125 11125
unique 104 4462 34
top 别克 经典全顺 2010款 柴油 短轴 多功能 中顶 6座 国4
freq 1347 126 4296
# 离散变量的频次统计
Freq = second_cars.Brand.value_counts()
Freq_ratio = Freq/second_cars.shape[0]
Freq_df = pd.DataFrame({'频次':Freq,'频率':Freq_ratio})
Freq_df.head()
频次 频率
别克 1347 0.121079
大众 989 0.088899
奔驰 864 0.077663
宝马 749 0.067326
奥迪 748 0.067236
Freq2 = second_cars.Discharge.value_counts()
Freq_ratio2 = Freq2 / second_cars.shape[0]
Freq_df2 = pd.DataFrame({'频次':Freq2,'频率':Freq_ratio2})
Freq_df2.head()
频次 频率
国4 4296 0.386157
欧4 1876 0.168629
欧5 1132 0.101753
国4,国5 843 0.075775
国3 798 0.071730
Freq2 = second_cars.Discharge.value_counts()
Freq_ratio2 = Freq2 / second_cars.shape[0]
Freq_df2 = pd.DataFrame({'频次':Freq2,'频率':Freq_ratio2})

# 上面的标准排量国4、欧4等,是数据框的索引,可将其置为数据框中的列
Freq_df2.reset_index(inplace=True)
Freq_df2.rename(columns={'index':'排放量'},inplace=True)
Freq_df2.head()
排放量 频次 频率
0 国4 4296 0.386157
1 欧4 1876 0.168629
2 欧5 1132 0.101753
3 国4,国5 843 0.075775
4 国3 798 0.071730

今天的学习就先到这里了,Pandas确实不失为一款好的数据处理工具,不仅能够读写txt,csv, Excel,数据库,还提供了数据预处理,数据描述,数据清洗等功能,后续还需不上相关知识。
续见: python 数据分析–数据处理工具Pandas(2).

相关标签: 数据分析 python