共计 20864 个字符,预计需要花费 53 分钟才能阅读完成。
公众号原文首发:https://mp.weixin.qq.com/s/4RYfYc8_2vNxvq_B1bZrUA
为什么用 Pandas?
你好,我是悦创。
通过对 Numpy
的学习,咱们发现 Numpy
的性能的确弱小且易用。然而再弱小的工具也有其局限性。
例如 Numpy
是基于数组的运算,然而在理论工作中,咱们的数据元素会非常复杂,会同时蕴含文字格局、数字格局、工夫格局等,显然 Numpy
就不实用了。
通常咱们说 Numpy
是基于数组格局构建的一个数组运算工具,而 Pandas
是基于 Numpy
构建的结构化数据处理工具。对 Pandas
来讲,数据格式失去了裁减,提供了工夫序列能力,并且可能同时包容多种数据格式,并且提供了灵便的缺失值解决工具,性能失去极大地拓展。
Pandas
罕用的数据结构有两种:Series
和 DataFrame
。其中 Series
是一个带有名称和索引的一维数组,而 DataFrame
则是用来示意多维的数组构造。
总结如下:
- 疾速高效的数据结构
- 智能的数据处理能力
- 不便的文件存取性能
- 科研及商业利用宽泛
对于 Pandas 有两种根底的数据结构,基本上咱们在应用的时候就是解决 Series 和 DataFrame。
- Series:真正的数据是只有一列的,索引列咱们是不算进去的。
索引 | 数据 |
---|---|
A | 10 |
B | 30 |
C | 20 |
D | 40 |
- DataFrame:好几个 Series 联合起来,也就是有好几列的数据联合起来。
电影 | 评分 | 评分人数 | |
---|---|---|---|
0 | 血观音 | 7.9 | 38478 |
1 | 大佛普拉斯 | 8.6 | 58112 |
2 | 华盛顿邮报 | 8.2 | 30773 |
3 | 三块广告牌 | 8.7 | 250524 |
装置 Pandas
Windows 零碎:
pip install pandas
Mac 零碎:
pip3 install pandas
新建一个 Python 文件
- 导入模块
In [1]: import pandas as pd
Pandas 的根底类型 1——Series
- 创立一个 Series 类型的数据
In [2]: data = pd.Series([1, 3, 5, 7])
- Series() 里间接填一个由数字组成的列表
In [3]: list_data = [1, 3, 5, 7]
In [4]: data = pd.Series(list_data)
In [5]: data
Out[5]:
0 1
1 3
2 5
3 7
dtype: int64
由后果咱们可知,右边把咱们的索引也列出来了,左边对应的数值也列出来了。底部通知你这个 Series 的数据类型 int64。「如果外面最低的数据类型是 float 那后果也会变成浮点数。」
- 获取 Series 数据的值
In [6]: data.values
Out[6]: array([1, 3, 5, 7])
- 获取 Series 数据的索引
In [7]: data.index
Out[7]: RangeIndex(start=0, stop=4, step=1)
- 创立非凡的索引值
有时候,咱们索引的名称比拟非凡不是咱们本来简略的数字了,有可能是 a、b、c、d 之类的。这个时候就咱们该如何指定索引值呢?间接在 Series 创立的时候指定一下就 ok 了。
In [7]: data = pd.Series(list_data, index=['a', 'b', 'c', 'd'])
In [8]: data
Out[8]:
a 1
b 3
c 5
d 7
dtype: int64
这里咱们就在创立的时候进行的索引值的指定,那咱们如果要在创立之后批改索引呢?
- 批改索引值名称
In [9]: data.index = ['j', 'k', 'x', 'f'] # 长度须要和数组的长度一样
In [10]: data
Out[10]:
j 1
k 3
x 5
f 7
dtype: int64
- 获取 Series 数据长度
In [11]: len(data)
Out[11]: 4
- 获取数组中的某个数据
In [12]: data['k'] # data[1]
Out[12]: 3
- 获取数组中多个数据「不间断」「第一个中括号:通知程序说,我要索引一下;第二个中括号:用来获取多个数据,一个数据则不必」
In [13]: data[['k', 'f']]
Out[13]:
k 3
f 7
dtype: int64
- 获取数组中多个数据「间断的」
In [14]: data[1:3] # 也能够有步长
Out[14]:
k 3
x 5
dtype: int64
- 计算反复元素呈现的次数
In [17]: list_data1 = [1, 1, 1, 3, 5, 5, 7, 7, 9]
In [18]: data1 = pd.Series(list_data1)
In [19]: data1.value_counts()
Out[19]:
1 3
7 2
5 2
9 1
3 1
dtype: int64
- 判断某个 索引值 是否存在
In [21]: list_data2 = [1, 3, 5, 7]
In [22]: data3 = pd.Series(list_data2, index=['a', 'j', 'b', 'f'])
In [23]: 'a' in data3
Out[23]: True
In [24]: 'z' in data3
Out[24]: False
- 查看 值是否蕴含在系列
In [4]: s = pd.Series(['lama', 'cow', 'lama', 'beetle', 'lama', 'hippo'], name='animal')
In [5]: s.isin(['cow', 'lama'])
Out[5]:
0 True
1 True
2 True
3 False
4 True
5 False
Name: animal, dtype: bool
In [6]: s.isin(['lama'])
Out[6]:
0 True
1 False
2 True
3 False
4 True
5 False
Name: animal, dtype: bool
- 从字典创立一个 Series 类型的数据
In [26]: dict_data = {"BeiJing": 1000, "Shanghai": 800, "Shenzhen": 500}
In [27]: data4 = pd.Series(dict_data)
In [28]: data4
Out[28]:
BeiJing 1000
Shanghai 800
Shenzhen 500
dtype: int64
- 给数据传入索引值「由字典创立的数组,当咱们指定的索引超出时,会主动 nan 填充」
In [33]: dict_data = {"BeiJing": 1000, "Shanghai": 800, "Shenzhen": 500}
In [34]: index_list = ["Guangzhou", "BeiJing", "Shanghai", "Shenzhen"]
In [35]: data5 = pd.Series(dict_data, index=index_list)
In [36]: data5
Out[36]:
Guangzhou NaN
BeiJing 1000.0
Shanghai 800.0
Shenzhen 500.0
dtype: float64
- 检测哪些数据是缺失的(空的)「检测非空用 notnull()」
In [37]: data5.isnull()
Out[37]:
Guangzhou True
BeiJing False
Shanghai False
Shenzhen False
dtype: bool
- 数组运算
In [10]: data5 * 5
Out[10]:
Guangzhou NaN
BeiJing 5000.0
Shanghai 4000.0
Shenzhen 2500.0
dtype: float64
- 数组运算反对 numpy 数组运算
In [12]: import numpy as np
In [13]: np.square(data5) # 求平方
Out[13]:
Guangzhou NaN
BeiJing 1000000.0
Shanghai 640000.0
Shenzhen 250000.0
dtype: float64
- 两个数组相加「两个的数组的长度能够不一样,程序也能够不一样」
In [14]: dict_data1 = {"BeiJing": 1000, "Shanghai": 800, "Shenzhen": 500}
...: dict_data2 = {"BeiJing": 1000, "Shanghai": 800, "Shenzhen": 500}
...:
...: index_list = ["Guangzhou", "BeiJing", "Shanghai", "Shenzhen"]
...: data1 = pd.Series(dict_data1, index=index_list)
...: data2 = pd.Series(dict_data2)
In [15]: data1 + data2
Out[15]:
BeiJing 2000.0
Guangzhou NaN
Shanghai 1600.0
Shenzhen 1000.0
dtype: float64
In [16]: data1 = pd.Series(dict_data1, index=index_list)
...: data2 = pd.Series(dict_data2, index=index_list)
In [17]: data1 + data2
Out[17]:
Guangzhou NaN
BeiJing 2000.0
Shanghai 1600.0
Shenzhen 1000.0
dtype: float64
In [21]: data1 = pd.Series([1, 3, 5, 6, 7, 8])
In [22]: data2 = pd.Series([2, 4, 6, 8, 9])
In [23]: data1 + data2
Out[23]:
0 3.0
1 7.0
2 11.0
3 14.0
4 16.0
5 NaN
dtype: float64
- 设定 Series 对象的 name 和索引名称「相似于给一个表格取个名称,给索引值取个名称」
In [25]: dict_data = {"BeiJing": 1000, "Shanghai": 800, "Shenzhen": 500}
In [26]: data = pd.Series(dict_data)
In [27]: data.name = 'City Data'
In [28]: data.index.name = 'City'
In [29]: data
Out[29]:
City
BeiJing 1000
Shanghai 800
Shenzhen 500
Name: City Data, dtype: int64
- 当然咱们还能够在创立为数组取名字
In [30]: dict_data = {"BeiJing": 1000, "Shanghai": 800, "Shenzhen": 500}
In [31]: data = pd.Series(dict_data, name='City Data')
In [32]: data
Out[32]:
BeiJing 1000
Shanghai 800
Shenzhen 500
Name: City Data, dtype: int64
Pandas 的根底类型 2——DataFrame
- 创立一个 DataFrame 类型的数据
In [39]: dict_data = {...: 'Student': ['lilei', 'hanmeimei', 'aiyuechuang'],
...: 'Score': [99, 100, 135],
...: 'Gender': ['M', 'F', 'M']
...: }
In [40]: data = pd.DataFrame(dict_data)
In [41]: data
Out[41]:
Student Score Gender
0 lilei 99 M
1 hanmeimei 100 F
2 aiyuechuang 135 M
- 指定 DataFrame 数据的列程序「如果呈现后果程序不一样,这个是失常景象」
In [42]: data = pd.DataFrame(dict_data, columns=['Gender', 'Score', 'Student']) # 指定列的程序
In [43]: data
Out[43]:
Gender Score Student
0 M 99 lilei
1 F 100 hanmeimei
2 M 135 aiyuechuang
- 获取 DataFrame 数据的列名称
In [45]: data.columns
Out[45]: Index(['Gender', 'Score', 'Student'], dtype='object')
- 指定 DataFrame 数据的索引值
In [46]: data = pd.DataFrame(dict_data,
...: columns=['Gender', 'Score', 'Student'],
...: index=['a', 'b', 'c'])
In [47]: data
Out[47]:
Gender Score Student
a M 99 lilei
b F 100 hanmeimei
c M 135 aiyuechuang
- 获取 DataFrame 数据中的某一列数据
In [48]: data['Student'] # 办法一
Out[48]:
a lilei
b hanmeimei
c aiyuechuang
Name: Student, dtype: object
In [49]: data.Student # 办法二
Out[49]:
a lilei
b hanmeimei
c aiyuechuang
Name: Student, dtype: object
- 获取 DataFrame 数据中的某一行数据
- 依据行编号
In [51]: data.iloc[0]
Out[51]:
Gender M
Score 99
Student lilei
Name: a, dtype: object
In [59]: data.loc[['a', 'c']] # 指定多行数据
Out[59]:
Gender Score Student
a M 99 lilei
c M 135 aiyuechuang
In [60]: data[0:2]
Out[60]:
Gender Score Student
a M 99 lilei
b F 100 hanmeimei
- 依据 行索引
In [52]: data.loc['a']
Out[52]:
Gender M
Score 99
Student lilei
Name: a, dtype: object
- 切片「单列数据」
In [53]: slice_data = data['Student']
In [54]: slice_data
Out[54]:
a lilei
b hanmeimei
c aiyuechuang
Name: Student, dtype: object
- 切片「获取多列数据」
In [56]: slice_data = data[['Student', 'Gender']]
In [57]: slice_data
Out[57]:
Student Gender
a lilei M
b hanmeimei F
c aiyuechuang M
留神!切片失去的数据对应的还是原始数据,任何批改都会反映到原始数据上
In [62]: dict_data = {...: 'Student': ['lilei', 'hanmeimei', 'aiyuechuang'],
...: 'Score': [99, 100, 135],
...: 'Gender': ['M', 'F', 'M']
...: }
...:
...: data = pd.DataFrame(dict_data,
...: columns=['Gender', 'Score', 'Student'],
...: index=['a', 'b', 'c'])
...: slice_data = data['Score'] # data[['Score']]
...: """...: 第一种 ['Score'] 在确定只提取一个的话应用这种办法;...: 第二种 [['Score']] 在不确定或者确定会有提取多个的话,举荐应用这个办法。...: """
...: slice_data[0] = 999 # 当咱们在切片的时候,如果只是单纯的切片「不带 copy」没有操作不会出
...: 现 "正告" 如果进行的赋值或者批改,则会呈现正告。「算是提醒吧,也是比拟智能的一个点」/usr/local/bin/ipython:15: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
In [63]: data
Out[63]:
Gender Score Student
a M 999 lilei
b F 100 hanmeimei
c M 135 aiyuechuang
想要一份正本不影响原始数据?
请用 data['score'].copy()
In [64]: slice_data = data['Score'].copy()
...: slice_data[0] = 999
In [65]: data
Out[65]:
Gender Score Student
a M 99 lilei
b F 100 hanmeimei
c M 135 aiyuechuang
如果如果同时切片数据不止一个,那批改之后的数据变成这样:
In [75]: slice_data = data[['Score', 'Student']].copy()
...: slice_data.iloc[0] = 999
In [76]: slice_data
Out[76]:
Score Student
a 999 999
b 100 hanmeimei
c 135 aiyuechuang
留神:如果你是如此操作提取数据的话—— data[[‘Score’]],在下一步中批改数据中如果是这样操作的话:slice_data[0] = 999 失去的后果是 增加新的列。所以,就须要应用 iloc 或 loc 来指定了。
In [73]: slice_data = data[['Score', 'Student']].copy()
...: slice_data[0] = 999 # slice_data[列名] = 列值
...: slice_data
Out[73]:
Score Student 0
a 99 lilei 999
b 100 hanmeimei 999
c 135 aiyuechuang 999
- 批改 DataFrame 数据中的某一列数据
In [77]: data
Out[77]:
Gender Score Student
a M 99 lilei
b F 100 hanmeimei
c M 135 aiyuechuang
In [78]: data['Score'] = 120
In [79]: data
Out[79]:
Gender Score Student
a M 120 lilei
b F 120 hanmeimei
c M 120 aiyuechuang
In [80]: data['Score'] = 10, 20, 30 # [10, 20, 30]、(10, 20, 30)
In [81]: data
Out[81]:
Gender Score Student
a M 10 lilei
b F 20 hanmeimei
c M 30 aiyuechuang
In [88]: data['Score'] = range(95, 98)
In [89]: data
Out[89]:
Gender Score Student
a M 95 lilei
b F 96 hanmeimei
c M 97 aiyuechuang
- 传入 Series 类型批改 DataFrame 数据中的某一列数据
In [90]: series_data = pd.Series([1, 3, 5])
In [91]: data['Score'] = series_data
In [92]: data
Out[92]:
Gender Score Student
a M NaN lilei
b F NaN hanmeimei
c M NaN aiyuechuang
In [94]: series_data = pd.Series([1, 3, 5], index=['a', 'b', 'c'])
In [95]: data['Score'] = series_data
In [96]: data
Out[96]:
Gender Score Student
a M 1 lilei
b F 3 hanmeimei
c M 5 aiyuechuang
如果 Series 的数据过长,则主动疏忽:
In [97]: series_data = pd.Series([1, 3, 5, 7], index=['a', 'b', 'c', 'd'])
In [98]: data['Score'] = series_data
In [99]: data
Out[99]:
Gender Score Student
a M 1 lilei
b F 3 hanmeimei
c M 5 aiyuechuang
- 删除 DataFrame 数据中的某一列数据
In [102]: del data['Score']
In [103]: data
Out[103]:
Gender Student
a M lilei
b F hanmeimei
c M aiyuechuang
- 删除一行或一列:drop 函数
DataFrame.drop(labels=None, axis=0, index=None, columns=None, inplace=False)
# labels 就是要删除的行列的名字,用列表给定
# axis 默认为 0,指删除行,因而删除 columns 时要指定 axis=1;# index 间接指定要删除的行
# columns 间接指定要删除的列
# inplace=False,默认该删除操作不扭转原数据,而是返回一个执行删除操作后的新 dataframe;# inplace=True,则会间接在原数据上进行删除操作,删除后无奈返回。
因而,删除行列有两种形式:
- labels=None,axis=0 的组合
- index 或 columns 间接指定要删除的行或列
In [111]: df = pd.DataFrame(np.arange(12).reshape(3,4), columns=['A', 'B', 'C', 'D'])
In [112]: df
Out[112]:
A B C D
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
#Drop columns, 两种办法等价
In [113]: df.drop(['B', 'C'], axis=1)
Out[113]:
A D
0 0 3
1 4 7
2 8 11
In [114]: df.drop(columns=['B', 'C'])
Out[114]:
A D
0 0 3
1 4 7
2 8 11
# 第一种办法下删除 column 肯定要指定 axis=1, 否则会报错
In [115]: df.drop(['B', 'C'])
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
KeyError: "['B''C'] not found in axis"
#Drop rows
In [116]: df.drop([0, 1])
Out[116]:
A B C D
2 8 9 10 11
In [117]: df.drop(index=[0, 1])
Out[117]:
A B C D
2 8 9 10 11
- 依据新的索引重新排列数据
In [120]: dict_data = {...: 'Student': ['lilei', 'hanmeimei', 'aiyuechuang'],
...: 'Score': [99, 100, 135],
...: 'Gender': ['M', 'F', 'M']
...: }
In [121]: data = pd.DataFrame(dict_data,
...: columns=['Gender', 'Score', 'Student'],
...: index=['a', 'b', 'c'])
In [122]: data.reindex(['b', 'a', 'c'])
Out[122]:
Gender Score Student
b F 100 hanmeimei
a M 99 lilei
c M 135 aiyuechuang
如果,咱们在从新排序的时候,多填了一个 d 那绝对应 d 的几个地位的数据 pandas 会主动帮你填上 NaN。
In [123]: data.reindex(['b', 'a', 'c', 'd'])
Out[123]:
Gender Score Student
b F 100.0 hanmeimei
a M 99.0 lilei
c M 135.0 aiyuechuang
d NaN NaN NaN
如果,咱们想在多填了之后指定数据呢?
将缺失地位填 0
In [124]: data.reindex(['b', 'a', 'c', 'd'], fill_value=0)
Out[124]:
Gender Score Student
b F 100 hanmeimei
a M 99 lilei
c M 135 aiyuechuang
d 0 0 0
- 将缺失地位通过插值法计算并补上内容
In [125]: data.reindex(['b', 'a', 'c', 'd'], method='ffill')
Out[125]:
Gender Score Student
b F 100 hanmeimei
a M 99 lilei
c M 135 aiyuechuang
d M 135 aiyuechuang
In [126]: data.reindex(['b', 'a', 'c', 'd'], method='bfill')
Out[126]:
Gender Score Student
b F 100.0 hanmeimei
a M 99.0 lilei
c M 135.0 aiyuechuang
d NaN NaN NaN
- 扔掉蕴含缺失的数据(NaN)的行「例如:咱们数据量很大的时候,有可能想把空值去掉,应用 dropna 来去掉,只有这一行有一个空数据,就会去掉。」这里代码为了不便演示,就先不应用 IPython。
import numpy as np
import pandas as pd
dict_data = {'Student': ['lilei', 'hanmeimei', 'aiyuechuang'],
'Score': [99, 100, 135],
'Gender': ['M', 'F', 'M']
}
data = pd.DataFrame(dict_data,
columns=['Gender', 'Score', 'Student', 'Age'],
index=['a', 'b', 'c'])
new_data = data.reindex(['a', 'b', 'c', 'd'])
print(new_data)
print(new_data.dropna())
- 扔掉全部都是缺失的数据(NaN)的行
print(new_data.dropna(how='all'))
- 填充所有缺失数据为一个值
print(new_data.fillna(0))
- 按列填充缺失数据为不同值「fillna:按列填写缺失值,如果存在着不填。」
dict_data = {'Student': ['lilei', 'hanmeimei', 'aiyuechuang'],
'Score': [99, 100, 135],
'Gender': ['M', 'F', 'M']
}
data = pd.DataFrame(dict_data,
columns=['Gender', 'Score', 'Student', 'Age'],
index=['a', 'b', 'c'])
new_data = data.reindex(['a', 'b', 'c', 'd'])
key_value = {'Gender': 'F', 'Score': 145, 'Student': 'Alex', 'Age': 21}
print(new_data.fillna(key_value))
# 输入
Gender Score Student Age
a M 99.0 lilei 21
b F 100.0 hanmeimei 21
c M 135.0 aiyuechuang 21
d F 145.0 Alex 21
- 筛选数据
dict_data = {'Student': ['lilei', 'hanmeimei', 'aiyuechuang'],
'Score': [80, 100, 135],
'Gender': ['M', 'F', 'M']
}
data = pd.DataFrame(dict_data,
columns=['Gender', 'Score', 'Student', 'Age'],
index=['a', 'b', 'c'])
print(data[data['Score'] >= 90])
# 输入
Gender Score Student Age
b F 100 hanmeimei NaN
c M 135 aiyuechuang NaN
- 从列表中筛选数据
dict_data = {'Student': ['lilei', 'hanmeimei', 'aiyuechuang', 'Alex', 'Cleland', 'AI 悦创'],
'Score': [80, 100, 135, 90, 85, 95],
'Gender': ['M', 'F', 'M', 'M', 'F', 'M']
}
data = pd.DataFrame(dict_data)
select_list = [95, 100, 135]
# print(data)
print(data[data['Score'].isin(select_list)])
- GroupBy
import pandas as pd
ipl_data = {'Team': ['Riders', 'Riders', 'Devils', 'Devils', 'Kings',
'kings', 'Kings', 'Kings', 'Riders', 'Royals', 'Royals', 'Riders'],
'Rank': [1, 2, 2, 3, 3,4 ,1 ,1,2 , 4,1,2],
'Year': [2014,2015,2014,2015,2014,2015,2016,2017,2016,2014,2015,2017],
'Points':[876,789,863,673,741,812,756,788,694,701,804,690]}
df = pd.DataFrame(ipl_data)
print (df)
# 执行下面示例代码,失去以下后果 -
Points Rank Team Year
0 876 1 Riders 2014
1 789 2 Riders 2015
2 863 2 Devils 2014
3 673 3 Devils 2015
4 741 3 Kings 2014
5 812 4 kings 2015
6 756 1 Kings 2016
7 788 1 Kings 2017
8 694 2 Riders 2016
9 701 4 Royals 2014
10 804 1 Royals 2015
11 690 2 Riders 2017
"""
将数据拆分成组
Pandas 对象能够分成任何对象。有多种形式来拆分对象,如 -
- obj.groupby(‘key’)
- obj.groupby([‘key1’,’key2’])
- obj.groupby(key,axis=1)
当初来看看如何将分组对象利用于 DataFrame 对象
示例
"""
import pandas as pd
ipl_data = {'Team': ['Riders', 'Riders', 'Devils', 'Devils', 'Kings',
'kings', 'Kings', 'Kings', 'Riders', 'Royals', 'Royals', 'Riders'],
'Rank': [1, 2, 2, 3, 3,4 ,1 ,1,2 , 4,1,2],
'Year': [2014,2015,2014,2015,2014,2015,2016,2017,2016,2014,2015,2017],
'Points':[876,789,863,673,741,812,756,788,694,701,804,690]}
df = pd.DataFrame(ipl_data)
print (df.groupby('Team'))
# 执行下面示例代码,失去以下后果 -
<pandas.core.groupby.DataFrameGroupBy object at 0x00000245D60AD518>
# 查看分组
import pandas as pd
ipl_data = {'Team': ['Riders', 'Riders', 'Devils', 'Devils', 'Kings',
'kings', 'Kings', 'Kings', 'Riders', 'Royals', 'Royals', 'Riders'],
'Rank': [1, 2, 2, 3, 3,4 ,1 ,1,2 , 4,1,2],
'Year': [2014,2015,2014,2015,2014,2015,2016,2017,2016,2014,2015,2017], 'Points':[876,789,863,673,741,812,756,788,694,701,804,690]}
df = pd.DataFrame(ipl_data)
print (df.groupby('Team').groups)
# 执行下面示例代码,失去以下后果 -
{'Devils': Int64Index([2, 3], dtype='int64'),
'Kings': Int64Index([4, 6, 7], dtype='int64'),
'Riders': Int64Index([0, 1, 8, 11], dtype='int64'),
'Royals': Int64Index([9, 10], dtype='int64'),
'kings': Int64Index([5], dtype='int64')
}
# 失去的后果相似字典的构造,提取字典的值之后,能够间接用整数索引或者应用 .values 能够提取出分组之后的值「数组」
- 利用 groupby 对数据进行分组并计算 sum, mean 等
import pandas as pd
data = pd.DataFrame({"tag_id": ['a', 'b', 'c', 'a', 'a', 'c', 'c'],
'count': [10, 30, 20, 10, 15, 22, 22]
})
grouped_data = data.groupby('tag_id')
print(grouped_data.sum())
# 输入
count
tag_id
a 35
b 30
c 64
data = pd.DataFrame({"tag_id": ['a', 'b', 'c', 'a', 'a', 'c', 'c'],
'count': [10, 30, 20, 10, 15, 22, '22']
})
grouped_data = data.groupby('tag_id')
print(grouped_data.sum())
# 输入
count
tag_id
a 35.0
b 30.0
c NaN
data = pd.DataFrame({"tag_id": ['a', 'b', 'c', 'a', 'a', 'c', 'c'],
'count': [10, 30, 20, 10, 15, 22, 22]
})
grouped_data = data.groupby('count')
print(grouped_data.sum())
# 输入
tag_id
count
10 aa
15 a
20 c
22 cc
30 b
- 数据排序——按索引名称 升序排列
import pandas as pd
data = pd.DataFrame({"tag_id": ['0802', '0823', '0832', '0731'],
'count': [10, 30, 20, 10]
},
index=['b', 'c', 'a', 'd'])
print(data)
print(data.sort_index())
- 数据排序——按索引名称 降序排列
print(data.sort_index(ascending=False)) # ascending 回升
- 数据排序——按某一列的数据进行排序
print(data.sort_values(by='tag_id'))
- 数据汇总「对 DataFrame 的数据全副进行求和」
data = pd.DataFrame({"tag_id": ['AI', 'YC', 'FP', 'MK'],
'count': [10, 30, 20, 10]
})
# print(data)
print(data.sum())
-
一些罕用的办法
函数 阐明 count 计算非 NaN 数据的数量 min、max 计算最小、最大值 argmin、argmax 计算最小、最大值地位 sum 计算数值的和 mean 计算平均数 median 计算中位数 var 计算方差 std 计算标准差 - 同一个轴能够用多种形式来索引
import numpy as np
import pandas as pd
np_data = np.random.randint(1, 5, size=7)
book_ratings = pd.Series(
np_data,
index=[['b1', 'b1', 'b2', 'b2', 'b3', 'b4', 'b4'],
[1, 2, 1, 2, 1, 2, 3]
])
print(book_ratings)
print(book_ratings.loc['b1'])
# 输入
b1 1 4
2 3
b2 1 4
2 1
b3 1 2
b4 2 1
3 3
dtype: int64
1 4
2 3
dtype: int64
- 两个 DataFrame 进行合并
import pandas as pd
book_name = pd.DataFrame({'book_name': ['a', 'b', 'c', 'd', 'e', 'f'],
'book_id': [11, 22, 33, 44, 55, 66]
})
id_rating = pd.DataFrame({'book_id': [11, 22, 22, 44, 55, 66, 33, 11, 55],
'rating': [1, 3, 5, 2, 4, 3, 2, 4, 5]
})
print(pd.merge(book_name, id_rating))
- 两个 DataFrame 进行合并,不指定连贯形式「默认是把他们都有的」
data1 = pd.DataFrame({'key': ['a', 'b', 'a', 'c', 'b', 'd'],
'data1': [1, 2, 3, 4, 5, 6]
})
data2 = pd.DataFrame({'key': ['a', 'b', 'c'],
'data2': [8, 9, 7]
})
print(pd.merge(data1, data2))
默认把两个数据框都有的数据进行合并。
- 两个 DataFrame 进行合并,指定连贯形式「当初咱们心愿,你不要把单方都有的留下来,我要把只有一方有的也留下来」
print(pd.merge(data1, data2, how='outer'))
# 输入
key data1 data2
0 a 1 8.0
1 a 3 8.0
2 b 2 9.0
3 b 5 9.0
4 c 4 7.0
5 d 6 NaN
还能够应用 left、right「相似交加并集、交加之类的」
- 两个 DataFrame 进行合并,指定连贯的列名称「两个数据框都有的一个列,来合并」
data1 = pd.DataFrame({'key': ['a', 'b', 'a', 'c', 'b', 'b'],
'data1': [1, 2, 3, 4, 5, 6]
})
data2 = pd.DataFrame({'key': ['a', 'b', 'c'],
'data2': [8, 9, 7]
})
print(pd.merge(data1, data2, on='key'))
- 两个 DataFrame 进行合并,别离指定连贯的列名称「两个数据没有重合的名称,咱们别离指定列来合并」
print(pd.merge(data1, data2,
left_on='lkey',
right_on='rkey'))
- Pandas 文件存取——读取 CSV 文件「默认会把文件的第一行,变成题目」https://aiyc.lanzoux.com/iSU8ufj79af
data = pd.read_csv('rating.csv')
- 读取 CSV 文件,不要题目行「勾销第一行为题目」
data = pd.read_csv('rating.csv', header=None)
- 读取 CSV 文件,自定义题目行
data = pd.read_csv('rating.csv', names=['user_id', 'book_id', 'rating'])
- 读取 CSV 文件,指定索引列「有可能我都某一列是咱们的索引列,所以这个时候须要指定索引列」
data = pd.read_csv('rating.csv',
names=['user_id', 'book_id', 'rating'],
index_col='user_id')
- 读取 CSV 文件,指定分隔符
data = pd.read_csv('rating.csv',
names=['user_id', 'book_id', 'rating'],
sep=',')
- 读取 CSV 文件,主动解决缺失的数据「pandas 比拟智能中央就是会把空的中央补上 Nan」
新建 data.csv 文件,外面存储如下数据
1,2,3,4,5
6,7,8,,10
11,,13,14,15
代码如下:
data = pd.read_csv('data.csv', header=None)
- 贮存数据为 CSV 文件
import pandas as pd
data = pd.DataFrame({'student': ['lilei', 'hanmeimei', 'madongmei'],
'gender': ['M', 'F', 'F'],
'score': [90, 80, 100]
})
data.to_csv('student.csv')
,student,gender,score
0,lilei,M,90
1,hanmeimei,F,80
2,madongmei,F,100
在软件中关上:
- 读取 Excel 文件,首先装置 xlrd 模块
Windows 零碎:
pip install xlrd
Mac 零碎:
pip3 install xlrd
新建一个 Excel 文件,保留文件名称为:student.xlsx
读取 Excel 文件
import pandas as pd
file = pd.ExcelFile('student.xlsx')
data = file.parse('Sheet1') # Excel 表格名称
print(data)
# 输入
Unnamed: 0 student gender score
0 0 lilei M 90
1 1 hanmeimei F 80
2 2 madongmei F 100
- Pandas VS. Numpy 读取文件速度比拟
import numpy as np
import pandas as pd
import time
start_time = time.time()
data = np.genfromtxt('./rating.txt', delimiter=',')
end_reading_time = time.time()
print('Numpy reading time: {}ms'.format(round((end_reading_time - start_time) * 1000, 2)))
start_time = time.time()
data = pd.read_table('./rating.csv',
names=['user_id', 'book_id', 'rating'],
sep=',')
end_reading_time = time.time()
print('Pandas reading time: {}ms'.format(round((end_reading_time - start_time) * 1000, 2)))
# 输入
Numpy reading time: 27029.64ms
Pandas reading time: 1003.31ms
Pandas 读取速度很快,解决起来比 Numpy 慢一些。Numpy 是最底层的,Pandas 会智能的时候给你做一些数据处理,所以很多时候咱们应用 Pandas。
剖析热门标签
数据集:https://aiyc.lanzoux.com/iqgPTfxyrxc
- 工作 1:找出最多人想读的 50 本书的名称
- 工作 2:找出这 50 本书对应最热门的 10 个标签
文件 1:to_read.csv
- 每行两个数据,用户 id 和该用户想读的书籍 id
文件 2:books.csv
- 书籍的各类 id,名称,作者等信息
文件 3:tags.csv
- 每行两个数据,标签 id 和标签名称
文件 4:book_tags.csv
- 每行三个数据,
_goodreads_book_id_
(和to_read
中的书籍 id 的对应关系能够在books.csv
里找到),标签 id,标记次数
解答
Python 原生的解决形式,代码如下「简版代码」:
import pandas as pd
import numpy as np
data = pd.read_csv('../to_read.csv')
# print(data)
new_data = data['book_id']
# array_lengt = len(set(data['book_id']))
# print(array_lengt)
# book_count_array = np.zeros(array_lengt)
# print(set(new_data))
book_id_values = {}
result = list(new_data)
for data in set(new_data):
book_id_values[data] = result.count(data)
# print(book_id_values)
d_sorted_by_value = sorted(book_id_values.items(), key=lambda x: x[1]) # 依据字典值的升序排序
a = d_sorted_by_value[::-1][:50]
print(a)
print(len(a))
[(47, 2772), (143, 1967), (113, 1840), (13, 1812), (11, 1767), (45, 1717), (139, 1650), (39, 1619), (65, 1608), (35, 1576), (342, 1521), (185, 1502), (119, 1499), (8, 1498), (6, 1484), (4, 1478), (94, 1460), (89, 1458), (55, 1441), (61, 1435), (109, 1432), (16, 1425), (31, 1417), (67, 1352), (146, 1342), (54, 1339), (46, 1325), (121, 1313), (5, 1293), (173, 1292), (115, 1285), (68, 1257), (36, 1211), (95, 1208), (167, 1188), (129, 1181), (265, 1180), (137, 1172), (277, 1160), (66, 1158), (267, 1154), (268, 1149), (28, 1148), (38, 1130), (60, 1129), (14, 1127), (225, 1111), (10, 1110), (233, 1106), (252, 1105)]
50
[Finished in 147.9s]
Pandas 代码:
第一步,找到最热的 50 本书
import pandas as pd
import numpy as np
to_read = pd.read_csv('../to_read.csv')
to_read_counts = to_read['book_id'].value_counts().sort_values(ascending=False)
hottest_50_books_id = to_read_counts[:50].index
hottest_50_books_counts = to_read_counts[:50].values
hottest_50_books = pd.DataFrame({
'book_id': hottest_50_books_id,
'to_read_counts': hottest_50_books_counts
})
"""
波及到的知识点
1. value_counts(): 计算反复元素呈现的次数「显示模式为:值为索引,次数为值」2. sort_values(): 按某一列的数据进行排序,应用 by= 列名,来指定。默认是升序排序,能够应用 ascending=False 来反转
"""
print(hottest_50_books)
book_id to_read_counts
0 47 2772
1 143 1967
2 113 1840
3 13 1812
4 11 1767
5 45 1717
6 139 1650
7 39 1619
8 65 1608
9 35 1576
10 342 1521
11 185 1502
12 119 1499
13 8 1498
14 6 1484
15 4 1478
16 94 1460
17 89 1458
18 55 1441
19 61 1435
20 109 1432
21 16 1425
22 31 1417
23 67 1352
24 146 1342
25 54 1339
26 46 1325
27 121 1313
28 5 1293
29 173 1292
30 115 1285
31 68 1257
32 36 1211
33 95 1208
34 167 1188
35 129 1181
36 265 1180
37 137 1172
38 277 1160
39 66 1158
40 267 1154
41 268 1149
42 28 1148
43 38 1130
44 60 1129
45 14 1127
46 225 1111
47 10 1110
48 233 1106
49 252 1105
[Finished in 0.6s]
第二步,找到书籍的名称
books = pd.read_csv('../books.csv')
book_id_and_title = books[['book_id', 'goodreads_book_id', 'title']]
hottest_50_books_with_title = pd.merge(
hottest_50_books,
book_id_and_title,
how='left')
print(hottest_50_books_with_title)
hottest_50_books_with_title.to_csv('hottest_50_books_with_title.csv')
第三步,找到这 50 本书对应最热的 10 个标签
book_tags = pd.read_csv('../book_tags.csv')
book_tags = book_tags[book_tags['_goodreads_book_id_'].isin(hottest_50_books_with_title['goodreads_book_id'])]
del book_tags['_goodreads_book_id_']
hottest_10_tags = book_tags.groupby('tag_id').sum()
hottest_10_tags = hottest_10_tags.sort_values(by='count', ascending=False)[:10]
hottest_10_tags = pd.DataFrame({
'tag_id': hottest_10_tags.index,
'count': hottest_10_tags['count']
})
print(hottest_10_tags['tag_id'])
第四步,找到这 10 个标签的名称
tags = pd.read_csv('../tags.csv')
hottest_10_tags_with_tag_name = pd.merge(
hottest_10_tags,
tags,
on='tag_id',
how='left')
print(hottest_10_tags_with_tag_name)
hottest_10_tags_with_tag_name.to_csv('hottest_10_tags_with_tag_name.csv')
欢送关注我公众号:AI 悦创,有更多更好玩的等你发现!
公众号:AI 悦创
AI 悦创·推出辅导班啦,包含「Python 语言辅导班、C++ 辅导班、java 辅导班、算法 / 数据结构辅导班、少儿编程、pygame 游戏开发」,全部都是一对一教学:一对一辅导 + 一对一答疑 + 安排作业 + 我的项目实际等。当然,还有线下线上摄影课程、Photoshop、Premiere 一对一教学、QQ、微信在线,随时响应!微信:Jiabcdefh
办法一:QQ
办法二:微信:Jiabcdefh