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

超全的pandas数据分析常用函数总结(上篇)

程序员文章站 2024-03-22 09:07:10
...

基础知识在数据分析中就像是九阳神功,熟练的掌握,加以运用,就可以练就深厚的内力,成为绝顶高手自然不在话下!

超全的pandas数据分析常用函数总结(上篇)

来源 | 凹凸数据

为了更好地学习数据分析,我对于数据分析中pandas这一模块里面常用的函数进行了总结。整篇总结,在详尽且通俗易懂的基础上,我力求使其有很强的条理性和逻辑性,所以制作了思维导图,希望能够帮助到大家深入了解与学习相关函数的知识点。

文章中的所有代码都会有讲解和注释,绝大部分也都会配有运行结果,这样的话,整篇总结篇幅量自然不小,所以我分成了上下两篇,这里是上篇。

1. 导入模块

import pandas as pd      # 这里用到的是pandas和numpy两个模块import numpy as np

2. 创建数据集并读取

2.1 创建数据集

我构造了一个超市购物的数据集,该数据集属性包括:订单ID号(id)、订单日期(date)、消费金额(money)、订单商品(product)、商品类别(department)、商品产地(origin)。

# 列表和字典均可传入DataFrame,我这里用的是字典传入:data=pd.DataFrame({    "id":np.arange(101,111),                                # np.arange会自动输出范围内的数据,这里会输出101~110的id号。    "date":pd.date_range(start="20200310",periods=10),      # 输出日期数据,设置周期为10,注意这里的周期数应该与数据条数相等。    "money":[5,4,65,-10,15,20,35,16,6,20],                  # 设置一个-10的坑,下面会填(好惨,自己给自己挖坑,幸亏不准备跳~)    "product":['苏打水','可乐','牛肉干','老干妈','菠萝','冰激凌','洗面奶','洋葱','牙膏','薯片'],    "department":['饮料','饮料','零食','调味品','水果',np.nan,'日用品','蔬菜','日用品','零食'],                # 再设置一个空值的坑    "origin":['China',' China','America','China','Thailand','China','america','China','China','Japan']     # 再再设置一个america的坑})data              # 输出查看数据集

输出结果:

超全的pandas数据分析常用函数总结(上篇)

2.2 数据写入和读取

data.to_csv("shopping.csv",index=False)       # index=False表示不加索引,否则会多一行索引
data=pd.read_csv("shopping.csv")

3. 数据查看

3.1 数据集基础信息查询

data.shape            # 行数列数data.dtypes           # 所有列的数据类型data['id'].dtype      # 某一列的数据类型data.ndim             # 数据维度data.index            # 行索引data.columns          # 列索引data.values           # 对象值

3.2 数据集整体情况查询

data.head()    # 显示头部几行(默认5行)data.tail()    # 显示末尾几行(默认5行)data.info()    # 数据集相关信息概览:索引情况、列数据类型、非空值、内存使用情况data.describe()    # 快速综合统计结果

超全的pandas数据分析常用函数总结(上篇)

4. 数据清洗

4.1 查看异常值

当然,现在这个数据集很小,可以直观地发现异常值,但是在数据集很大的时候,我用下面这种方式查看数据集中是否存在异常值,如果有其他更好的方法,欢迎传授给我。

for i in data:    print(i+": "+str(data[i].unique()))      # 查看某一列的唯一值

输出结果:我们发现,该数据集中money存在一个负值,department存在一个空值以及origin存在大小写问题。

超全的pandas数据分析常用函数总结(上篇)

4.2 空值处理

4.2.1 空值检测

data.isnull()# 查看整个数据集的空值data[‘department’].isnull()# 查看某一列的空值

data.isnull()                # 查看整个数据集的空值data['department'].isnull()  # 查看某一列的空值

输出结果:

超全的pandas数据分析常用函数总结(上篇)

将空值判断进行汇总,更加直观,ascending默认为True,升序。

data.isnull().sum().sort_values(ascending=False)

输出结果:

超全的pandas数据分析常用函数总结(上篇)

4.2.2 空值处理

pandas.DataFrame.fillna(value = None,method = None,inplace = False)
  • value:用于填充的值,可以是具体值、字典和数组,不能是列表;
  • method:填充方法,有 ffill 和 bfill 等;
  • inplace默认无False,如果为True,则将修改此对象上的所有其他视图。
data['department'].fillna(method="ffill")    # 填充上一个值,即填充“水果”

输出结果:

超全的pandas数据分析常用函数总结(上篇)

data['department'].fillna(method="bfill")    # 填充下一个值,即填充“日用品”
data['department'].fillna(value="冷冻食品",inplace=True)    # 替换为具体值,并且在原对象值上进行修改

输出结果:

超全的pandas数据分析常用函数总结(上篇)

4.3 空格处理

只针对object类型数据

for i in data:                                    # 遍历数据集中的每一列    if pd.api.types.is_object_dtype(data[i]):     # 如果是object类型的数据,则执行下方代码        data[i]=data[i].str.strip()               # 去除空格data['origin'].unique()                           # 验证一下

输出结果:array([‘China’, ‘America’, ‘Thailand’, ‘america’, ‘Japan’], dtype=object)

超全的pandas数据分析常用函数总结(上篇)

4.4 大小写转换

data['origin'].str.title()         # 将首字母大写data['origin'].str.capitalize()    # 将首字母大写data['origin'].str.upper()         # 全部大写data['origin'].str.lower()         # 全部小写

4.5 数据替换

data['origin'].replace("america","America",inplace=True)    # 将第一个值替换为第二个值,inplace默认为Falsedata['origin']

输出结果:

超全的pandas数据分析常用函数总结(上篇)

data['money'].replace(-10,np.nan,inplace=True)                    # 将负值替换为空值data['money'].replace(np.nan,data['money'].mean(),inplace=True)   # 将空值替换为均值data['money']

输出结果:

超全的pandas数据分析常用函数总结(上篇)

4.6 数据删除

方法一

data1 = data[data.origin != 'American'] #去掉origin为American的行data1data2=data[(data != 'Japan').all(1)]    #去掉所有包含Japan的行    不等于Japan的行为真,则返回data2

方法二

data['origin'].drop_duplicates()      # 默认删除后面出现的重复值,即保留第一次出现的重复值

输出结果:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-yPzljK2t-1586768741270)(https://upload-images.jianshu.io/upload_images/13825820-5d7c1881be6c427a?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]

data['origin'].drop_duplicates(keep='last')   # 删除前面出现的重复值,即保留最后一次出现的重复值

输出结果:

超全的pandas数据分析常用函数总结(上篇)

4.7 数据格式转换

data['id'].astype('str')    # 将id列的类型转换为字符串类型。

常见的数据类型对照

超全的pandas数据分析常用函数总结(上篇)

4.8 更改列名称

data.rename(columns={'id':'ID', 'origin':'产地'})     # 将id列改为ID,将origin改为产地。

输出结果:

超全的pandas数据分析常用函数总结(上篇)超全的pandas数据分析常用函数总结(上篇)