快速介绍Python数据分析库pandas的基础知识和代码示例

“软件工程师阅读教科书作为参考时不会记住所有的东西，但是要知道如何快速查找重要的知识点。”

为了能够快速查找和使用功能，使我们在进行机器学习模型时能够达到一定流程化。我创建了这个pandas函数的备忘单。这不是一个全面的列表，但包含了我在构建机器学习模型中最常用的函数。让我们开始吧!

本附注的结构:

• 导入数据
• 导出数据
• 创建测试对象
• 查看/检查数据
• 选择查询
• 数据清理
• 筛选、排序和分组
• 统计数据

首先，我们需要导入pandas开始:

import pandas as pd

导入数据

使用函数pd.read_csv直接将CSV转换为数据格式。

注意:还有另一个类似的函数pd。read_excel用于excel文件。

# Load data 
df = pd.read_csv('filename.csv') # From a CSV file
df = pd.read_excel('filename.xlsx') # From an Excel file

导出数据

to_csv()将数据存储到本地的文件。我们可以通过df[:10].to_csv()保存前10行。我们还可以使用df.to_excel()保存和写入一个DataFrame到Excel文件或Excel文件中的一个特定表格。

df.to_csv('filename.csv') # Write to a CSV file
df.to_excel('filename.xlsx') # Write to an Excel file

创建测试对象

从输入的数据建立一个DataFrame

# Build data frame from inputted data
df = pd.DataFrame(data = {'Name': ['Bob', 'Sally', 'Scott', 'Katie'],
 'Physics': [68, 74, 77, 78],
 'Chemistry': [84, 100, 73, 90],
 'Algebra': [78, 88, 82, 87]})

或者从列表中创建一个series

#  Create a series from an iterable my_list
my_list = [['Bob',78],
          ['Sally',91], 
          ['Scott',62],
          ['Katie',78],
          ['John',100]]
df1 = pd.Series(my_list) # Create a series from an iterable my_list

查看/检查数据

head（）：显示DataFrame中的前n条记录。我经常把一个数据档案的最上面的记录打印在我的jupyter notebook上，这样当我忘记里面的内容时，我可以回头查阅。

df.head(3) # First 3 rows of the DataFrame

tail（）:返回最后n行。这对于快速验证数据非常有用，特别是在排序或附加行之后。

df.tail(3) # Last 3 rows of the DataFrame

添加或插入行

要向DataFrame追加或添加一行，我们将新行创建为Series并使用append()方法。

在本例中，将新行初始化为python字典，并使用append()方法将该行追加到DataFrame。

在向append()添加python字典类型时，请确保传递ignore_index=True，以便索引值不会被使用。生成的轴将被标记为编号series0,1，…， n-1，当连接的数据使用自动索引信息时，这很有用。

append() 方法的作用是:返回包含新添加行的DataFrame。

#Append row to the dataframe, missing data (np.nan)
new_row = {'Name':'Max', 'Physics':67, 'Chemistry':92, 'Algebra':np.nan}
df = df.append(new_row, ignore_index=True)

向DataFrame添加多行

# List of series  
list_of_series = [pd.Series(['Liz', 83, 77, np.nan], index=df.columns),
                pd.Series(['Sam', np.nan, 94,70], index=df.columns ),
                pd.Series(['Mike', 79,87,90], index=df.columns),
                pd.Series(['Scott', np.nan,87,np.nan], index=df.columns),]
# Pass a list of series to the append() to add multiple rows
df = df.append(list_of_series , ignore_index=True)

我们也可以添加新的列

# Adding a new column to existing DataFrame in Pandas
sex = ['Male','Female','Male','Female','Male','Female','Female','Male','Male']
df['Sex'] = sex

info()函数用于按列获取标题、值的数量和数据类型等一般信息。一个类似但不太有用的函数是df.dtypes只给出列数据类型。

df.info() #Index, Datatype and Memory information

# Check data type in pandas dataframe
df['Chemistry'].dtypes 
>>> dtype('int64')#  Convert Integers to Floats in Pandas DataFrame
df['Chemistry'] = df['Chemistry'].astype(float) 
df['Chemistry'].dtypes
>>> dtype('float64')# Number of rows and columns
df.shape 
>>> (9, 5)

value_counts()函数的作用是:获取一系列包含唯一值的计数。

# View unique values and counts of Physics column
df['Physics'].value_counts(dropna=False)

选择

在训练机器学习模型时，我们需要将列中的值放入X和y变量中。

df['Chemistry'] # Returns column with label 'Chemistry' as Series

df[['Name','Algebra']] # Returns columns as a new DataFrame

df.iloc[0] # Selection by position

df.iloc[:,1] # Second column 'Name' of data frame

df.iloc[0,1] # First element of Second column
>>> 68.0

数据清理

rename()函数在需要重命名某些选定列时非常有用，因为我们只需要指定要重命名的列的信息。

# Rename columns
df = df.rename({'Name':'Student','Algebra':'Math'}, axis='columns')

在DataFrame中，有时许多数据集只是带着缺失的数据的，或者因为它存在而没有被收集，或者它从未存在过。

NaN(非数字的首字母缩写)是一个特殊的浮点值，所有使用标准IEEE浮点表示的系统都可以识别它

pandas将NaN看作是可互换的，用于指示缺失值或空值。有几个有用的函数用于检测、删除和替换panda DataFrame中的空值。

# Checks for null Values, Returns Boolean Arrray
check_for_nan = df.isnull()

要检查panda DataFrame中的空值，我们使用isnull()或notnull()方法。方法返回布尔值的数据名，对于NaN值为真。在相反的位置，notnull()方法返回布尔值的数据，对于NaN值是假的。

value = df.notnull() # Opposite of df2.isnull()

我们使用dropna()函数删除所有缺少值的行。

drop_null_row = df.dropna() # Drop all rows that contain null values

有时，我们可能只是想删除缺失值的列。

# Drop all columns that contain null values
drop_null_col = df.dropna(axis=1)

我们可以使用fillna()来填充缺失的值。例如，我们可能想用0替换’ NaN '。

replace_null = df.fillna(0) # Replace all null values with 0

或者用平均值替换NaN。

# Replace all null values with the mean (mean can be replaced with almost any function from the statistics module)
df = round(df.fillna(df.mean()),2)

方法可用于替换DataFrame中的值

one = df.replace(100,'A') # Replace all values equal to 1 with 'one'

筛选、排序和分组

找到看到物理成绩达到80或80以上的学生

fil_80 = df[df['Physics'] > 80]

学生在化学考试中得到80分或更高的分数，数学考试中却不到90分

fil = df[(df['Chemistry'] > 80) & (df['Math'] < 90)]

sort_values ()可以以特定的方式对pandas数据进行排序。通常回根据一个或多个列的值对panda DataFrame进行排序，或者根据panda DataFrame的行索引值或行名称进行排序。

例如，我们希望按学生的名字按升序排序。

ascending = df.sort_values('Student')

化学分数按降序排列

descending = df.sort_values('Chemistry',ascending=False)

更复杂一点的，我们希望按物理分数的升序排序，然后按化学分数的降序排序。

df.sort_values(['Physics','Chemistry'],ascending=[True,False])

groupby 是一个非常简单的概念。我们可以创建一组类别，并对类别应用一个函数。这是一个简单的概念，但却是我们经常使用的极有价值的技术。Groupby的概念很重要，因为它能够有效地聚合数据，无论是在性能上还是在代码数量上都非常出色。

通过性别进行分组

group_by = df.groupby(['Sex']) # Returns a groupby object for values from one column
group_by.first() # Print the first value in each group

计算性别分组的所有列的平均值

average = df.groupby(‘Sex’).agg(np.mean)

统计数据

我们可能熟悉Excel中的数据透视表，可以轻松地洞察数据。类似地，我们可以使用panda中可用的pivot_table()函数创建Python pivot表。该函数与group_by()函数非常相似，但是提供了更多的定制。

假设我们想按性别将值分组，并计算物理和化学列的平均值和标准差。我们将调用pivot_table()函数并设置以下参数:

index设置为 ‘Sex’，因为这是来自df的列，我们希望在每一行中出现一个唯一的值

values值为’Physics’,‘Chemistry’ ，因为这是我们想应用一些聚合操作的列

aggfunc设置为 ‘len’,‘np.mean’,'np.std

pivot_table = df.pivot_table(index='Sex',
                             values=['Physics','Chemistry'],
                             aggfunc=[len, np.mean, np.std])

注意:使用len的时候需要假设数据中没有NaN值。

description()用于查看一些基本的统计细节，如数据名称或一系列数值的百分比、平均值、标准值等。

df.describe() # Summary statistics for numerical columns

使用max()查找每一行和每列的最大值

# Get a series containing maximum value of each row
max_row = df.max(axis=1)

# Get a series containing maximum value of each column without skipping NaN
max_col = df.max(skipna=False)

类似地，我们可以使用df.min()来查找每一行或每列的最小值。

其他有用的统计功能:

sum():返回所请求的轴的值的总和。默认情况下，axis是索引(axis=0)。

mean():返回平均值

median():返回每列的中位数

std():返回数值列的标准偏差。

corr():返回数据格式中的列之间的相关性。

count():返回每列中非空值的数量。

总结

我希望这张小抄能成为你的参考指南。当我发现更多有用的Pandas函数时，我将尝试不断地对其进行更新。本文的代码

https://github.com/Nothingaholic/Python-Cheat-Sheet/blob/master/pandas.ipynb

作者：XuanKhanh Nguyen

deephub翻译组

本文地址：https://blog.csdn.net/m0_46510245/article/details/107553590