Pandas简单操作

pandas读取csv文件

运行环境jupyter

import pandas as pd
task1=pd.read_csv(r'./附件1.csv',engine='python')
task1

read_csv()基本参数:文件路径

Pandas抽取数据

如果数据存在索引，可以通过索引抽取其中一列或者一行

task1['地点']

如果需要抽取列中特定的属性，可以在抽取时指定属性为条件。可以直接直接抽取一个属性或多个属性。然后通过pandas的to_csv()方法写到本地文件夹，to_csv()需要参数来指定位置。

task1_1A= task1[task1['地点'] == 'A']#查询值
task1_1A.to_csv('./task1_1A.csv',encoding='GB2312')

或

li=['A']
task1_ano_A=task1[task1['地点'].isin(li)]
task1_ano_A.to_csv('./task1_ano_A.csv',encoding='GB2312')

Pandas日期操作

通过pandas中的to_datetime将字符串类型日期转换为datetime64类型日期。如果不是str类型的可以通过astype(“str”)转化一列的类型。

from pandas import to_datetime
cost_time=to_datetime(task1_1A['支付时间'],format='%Y/%m/%d')

format参数设置

%Y 4位数的年
%y 2位数的年
%m 2位数的月[01,12]
%d 2位数的日[01，31]
%H 时（24小时制）[00,23]
%l 时（12小时制）[01,12]
%M 2位数的分[00,59]
%S 秒[00,61]有闰秒的存在
%w 用整数表示的星期几[0（星期天），6]
%F %Y-%m-%d简写形式例如，2017-06-27
%D %m/%d/%y简写形式

cost_month=cost_time.dt.month

property包括

second：获取日期中的秒
minute：分钟
hour ：小时
day：天
month ：月
year ：年份
weekday：1周中的第几天

对列进行操作

求和等，可以参考代码提示或官方文档。

test=task1_1A[cost_time.dt.month==4]
test['实际金额'].sum()

groupby对数据中的一些列进行操作。

groupby()指定要分组的列，如果有多个列可以放在列表中作为参数。[]选择要对分组进行操作的列，agg()指定多个操作类型。

mt=task2.groupby(['顾客编号','销售月份'])['销售金额'].agg(['sum','count'])