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  >  IT编程

开发技术--pandas模块

程序员文章站 2022-06-22 11:01:37
整了一篇关于pandas模块的使用文章,方便检查自己的学习质量。自从使用了pandas之后,真的是被它的功能所震撼~~~ ......

开发|pandas模块

整了一篇关于pandas模块的使用文章,方便检查自己的学习质量。自从使用了pandas之后,真的是被它的功能所震撼~~~

前言

目前所有的文章思想格式都是:知识+情感。
知识:对于所有的知识点的描述。力求不含任何的自我感情色彩。
情感:用我自己的方式,解读知识点。力求通俗易懂,完美透析知识。

正文

pandas是一个强大的python数据分析的工具包,是基于numpy构建的python data analysis library ( pandas )是为了解决数据分析任务而创建的。

所以,在使用pandas的时候,需要适当的回顾一下关于numpy的使用,多回顾是好事,防止遗忘。

pandas 安装

一般使用python的工具都是使用pip进行安装,只是因为使用的是python3 ,所以使用的是pip3 进行安装,其实使用pip也不会报错~~
安装方式: pip3 install pandas
引入方式: import pandas as pd
注意: 如果安装了anaconda就不需要了pip了~

series

1.series是什么?
series是一种类似于一位数组的对象,由一组数据和一组与之相关的数据标签(索引)组成

2、series 怎么创建?
注意:前面一列表示的是索引(可以自己进行指定),后面一列是自己的数据值。

in [1]: import numpy as np

in [2]: import pandas as pd

in [3]: pd.series([1, 2, 3, 4])
out[3]:
0    1
1    2
2    3
3    4
dtype: int64

in [4]: pd.series([11, 12, 13, 14], index=['a', 'b', 'c', 'd'])
out[4]:
a    11
b    12
c    13
d    14
dtype: int64

in [5]: pd.series(np.arange(10))
out[5]:
0    0
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int32

3.获取值数组和索引数组:values属性和index属性
注意:所谓的指定下标,只不过是显示的,底层还是基于原来的数字索引下标。
对于数组的所以,依然可以使用列表的方式。

in [7]: s = pd.series([11, 12, 13, 14], index=['a', 'b', 'c', 'd'])

in [8]: s
out[8]:
a    11
b    12
c    13
d    14
dtype: int64

in [9]: s[0]
out[9]: 11

in [10]: s[-1]
out[10]: 14

4.series的使用特性
1)series比较像列表(数组)和字典的结合体。
2)具有如下特性:

series支持array的特性(下标):
    从ndarray创建series:series(arr)
    与标量运算:sr*2
    两个series运算:sr1+sr2
    索引:sr[0], sr[[1,2,4]]
    切片:sr[0:2]
    通用函数:np.abs(sr)
    布尔值过滤:sr[sr>0]
series支持字典的特性(标签):
    从字典创建series:series(dic), 
    in运算:’a’ in sr
    键索引:sr['a'], sr[['a', 'b', ‘d']]

3)示例代码如下:

in [11]: a
out[11]:
a    4
b    5
c    6
d    7
dtype: int64

in [12]: a[a>5]
out[12]:
c    6
d    7
dtype: int64

5.series 的索引选择问题?
注意:由于自己可以指定数据的索引标签,所以在进行取出数据的时候,使用自己指定的索引标签呢?还是使用原生的0,1,2...索引??
解决:如果索引是整数类型,则根进据整数行下标获取值时总是面向标签的。
解决方法:loc属性(将索引解释为标签)和iloc属性(将索引解释为下标)

代码实现:

in [20]: s = pd.series([11, 12, 13, 14], index=['a', 'b', 'c', 'd'])

in [21]: s
out[21]:
a    11
b    12
c    13
d    14
dtype: int64

in [22]: s.loc['a']
out[22]: 11

in [23]: s.iloc[0]
out[23]: 11

6.series的数据根据索引匹配
1)注意:pandas在进行两个series对象的运算时,会按索引标签进行对齐,然后计算。
如果两个series对象的索引不完全相同,则结果的索引是两个操作数索引的并集。如果只有一个对象在某索引下有值,则结果中该索引的值为nan(缺失值)

in [25]: sr1 = pd.series([12,23,34], index=['c','a','d'])
    ...: sr2 = pd.series([11,20,10], index=['d','c','a'])
    ...: sr1+sr2
out[25]:
a    33
c    32
d    45
dtype: int64

in [26]: sr1 = pd.series([12,23,34], index=['c','a','d'])
    ...: sr2 = pd.series([11,20,10], index=['b','c','a'])
    ...: sr1+sr2
out[26]:
a    33.0
b     nan
c    32.0
d     nan
dtype: float64

2)当不希望因为没有对应的标签出现nan的时候,可以使用add()方法,fill_valus属性进行操作

in [28]: sr1 = pd.series([12,23,34], index=['c','a','d'])
    ...: sr2 = pd.series([11,20,10], index=['b','c','a'])

in [29]: sr1.add(sr2, fill_value=0)
    ...:
out[29]:
a    33.0
b    11.0
c    32.0
d    34.0
dtype: float64

7.缺失数据处理
缺失数据:使用nan(not a number)来表示缺失数据。其值等于np.nan。内置的none值也会被当做nan处理。

处理缺失数据的相关方法:

    dropna()    过滤掉值为nan的行
    fillna()        填充缺失数据
    isnull()        返回布尔数组,缺失值对应为true
    notnull()   返回布尔数组,缺失值对应为false

过滤缺失数据:sr.dropna() 或 sr[data.notnull()]

填充缺失数据:fillna(0)

datframe

1.dataframe是什么?
dataframe是一个表格型的数据结构,含有一组有序的列。dataframe可以被看做是由series组成的字典,并且共用一个索引。并且可以看成是二维数据类型。

2.创建二维数组
注意:可以使用类似于字典的方式进行二维数组的创建。

in [30]: animals = pd.dataframe({'kind': ['cat', 'dog', 'cat', 'dog'],
    ...:  'height': [9.1, 6.0, 9.5, 34.0],
    ...: 'weight': [7.9, 7.5, 9.9, 198.0]})

in [31]: animals
out[31]:
  kind  height  weight
0  cat     9.1     7.9
1  dog     6.0     7.5
2  cat     9.5     9.9
3  dog    34.0   198.0

注意:创建的过程中,标签索引不存在的时候,可以使用nan进行代替,并且二维数组是以列为一个以为数组,所以每一列的数据类型会保持一致。回忆numpy中的保证数据类型一致的情景。
nan被认为是浮点数形式。

in [32]: pd.dataframe({'one':pd.series([1,2,3],index=['a','b','c']),
    ...: 'two':pd.series([1,2,3,4],index=['b','a','c','d'])})
out[32]:
   one  two
a  1.0    2
b  2.0    1
c  3.0    3
d  nan    4

3.csv文件的读写
注意: csv文件,类似于数组,行区分是逗号,列区分是换行。
出数据:
df.read_csv('filename.csv')
入数据:
df.to_csv()

4.dataframe-常用属性
注意:series里面是将一列看成一起的,所以数据类型也会是一样的。

index   获取索引
t       转置
columns     获取列索引
values      获取值数组
describe()  获取快速统计

5.dataframe-索引和切片
1)dataframe是一个二维数据类型,所以有行索引和列索引
2)dataframe同样可以通过标签和位置两种方法进行索引和切片
** ........ loc属性和iloc属性**
使用方法:逗号隔开,前面是行索引,后面是列索引
行/列索引部分可以是常规索引、切片、布尔值索引、花式索引任意搭配

6.dataframe-数据对齐与缺失数据
1)dataframe对象在运算时,同样会进行数据对齐,其行索引和列索引分别对齐。如果指定标签就按照标签进行对其,默认按照数字对其。

2)dataframe处理缺失数据的相关方法:

dropna(axis=0,where='any',…)
fillna()
isnull()
notnull()

pandas常用方法

注意:numpy的通用函数同样适用于pandas

mean(axis=0,skipna=false)               对列(行)求平均值
sum(axis=1)                 对列(行)求和
sort_index(axis, …, ascending)      对列(行)索引排序
sort_values(by, axis, ascending)        按某一列(行)的值排序,可以按列,升序与降序(nan表示缺失值,不进行排序)
apply(func, axis=0) 将自定义函数应用在各行或者各列上,func可返回标量或者series
applymap(func)          将函数应用在dataframe各个元素上
map(func)                   将函数应用在series各个元素上
axis表示在二维数组中表示行与列,当等于1的时候就表示等于行,0表示等于列
describe(),快速看到每一列的信息,平均值,标准差,方差,最大值,最小值….
    

例子:

in [37]: s = pd.dataframe({'a': np.arange(10), 'b': np.arange(10, 20)})

in [38]: s
out[38]:
   a   b
0  0  10
1  1  11
2  2  12
3  3  13
4  4  14
5  5  15
6  6  16
7  7  17
8  8  18
9  9  19

in [39]: s.describe()
out[39]:
              a         b
count  10.00000  10.00000
mean    4.50000  14.50000
std     3.02765   3.02765
min     0.00000  10.00000
25%     2.25000  12.25000
50%     4.50000  14.50000
75%     6.75000  16.75000
max     9.00000  19.00000

pandas时间对象

1.时间序列类型:

时间戳:特定时刻
固定时期:如2017年7月
时间间隔:起始时间-结束时间

2.python标准库处理时间对象:datetime

灵活处理时间对象:dateutil
    dateutil.parser.parse()
成组, 批量转换时间对象:pandas
    pd.to_datetime()

3.产生时间对象数组:date_range

start           开始时间
end         结束时间
periods     时间长度
freq            时间频率,默认为'd',可选h(our),w(eek),b(usiness),s(emi-)m(onth),(min)t(es), s(econd), a(year),…
in [40]: pd.date_range?
signature:
pd.date_range(
    start=none,
    end=none,
    periods=none,
    freq=none,
    tz=none,
    normalize=false,
    name=none,
    closed=none,
    **kwargs,
)

4.pandas 的时间序列
1)时间序列就是以时间对象为索引的series或dataframe。
datetime对象作为索引时是存储在datetimeindex对象中的。

2)时间序列特殊功能:

传入“年”或“年月”作为切片方式
传入日期范围作为切片方式
丰富的函数支持:resample(), strftime(), ……

pandas文件处理

1)数据文件常用格式:csv(以某间隔符分割数据)

2)pandas读取文件:从文件名、url、文件对象中加载数据
read_csv 默认分隔符为逗号
read_table 默认分隔符为制表符
科普:excel文件是xml文件打包的文件,可以使用重命名为zip之后进行解压查看相关数据。

3.文件处理参数读参数

read_csv、read_table函数主要参数:
    sep             指定分隔符,可用正则表达式如'\s+'
    header=none     指定文件无列名
    name                指定列名
    index_col           指定某列作为索引
    skip_row            指定跳过某些行
    na_values           指定某些字符串表示缺失值
    parse_dates     指定某些列是否被解析为日期,类型为布尔值或列表

4.文件处理写参数

写入到csv文件:to_csv函数
写入文件函数的主要参数:
sep         指定文件分隔符
na_rep          指定缺失值转换的字符串,默认为空字符串
header=false    不输出列名一行
index=false 不输出行索引一列
cols            指定输出的列,传入列表

5.支持数据格式
pandas支持的其他文件类型:
json, xml, html, 数据库,pickle,excel...

结束语

在使用pandas处理数据的时候,对比list(列表)的最大的改变是在内存数据的存储上进行了更改。开始着重凸显出以标签与索引为向导的数据,让处理数据更加快捷,可视化效果更好~~
最后补充一下,多看源码,pandas库的函数特别多,在处理相应问题的时候,从源码入手,里面会有很多例子~~

参考资料1:
参考资料2: