作者：韩信子@ShowMeAI
数据分析实战系列：http://www.showmeai.tech/tutorials/40
本文地址：http://www.showmeai.tech/article-detail/304
申明：版权所有，转载请分割平台与作者并注明出处
珍藏ShowMeAI查看更多精彩内容

Python具备极其沉闷的社区和笼罩全畛域的第三方库工具库，近年来始终位居编程语言热度头部地位，而数据迷信畛域最受欢迎的python工具库之一是 Pandas。随着这么多年来的社区高速倒退和海量的开源贡献者，使得 pandas 简直能够胜任任何数据处理工作。

Pandas的性能与函数极其丰富，要齐全记住和把握是不事实的（也没有必要），资深数据分析师和数据科学家最常应用的大略有二三十个函数。在本篇内容中，ShowMeAI 把这些性能函数总结为10类。熟练掌握它们，你就能够轻松解决80% 以上的数据处理问题。

也举荐大家浏览ShowMeAI针对数据分析编写的教程和速查表，疾速成为数据洞察高手！

  • 图解数据分析：从入门到精通系列教程
  • 数据迷信工具库速查表 | Pandas 速查表

1.读取数据

咱们常常要从内部源读取数据，基于不同的源数据格式，咱们能够应用对应的 read_*性能：

  • read_csv：咱们读取CSV格局数据时应用它。这个函数的应用留神点包含 header（是否有表头以及哪一行是表头）， sep（分隔符），和 usecols（要应用的列/字段的子集）。
  • read_excel：读取Excel格式文件时应用它。这个函数的应用留神点包含 sheet_name（哪个表）和题目。
  • read_pickle：读取pickle格局存储的文件时应用，这个格局的劣势是比 CSV 和 Excel快很多。
  • read_sas: 我常常应用这个性能，因为我已经应用 SAS 来解决数据。

2.写入数据

解决完数据后，咱们可能会把解决后的DataFrame保留下来，最罕用的文件写入函数如下：

  • to_csv: 写入 CSV 文件。 留神：它不保留某些数据类型（例如日期）。 很多状况下咱们会将参数索引设置为False，这样就不必额定的列来显示数据文件中的索引。
  • to_excel: 写入 Excel 文件。
  • to_pickle：写入pickle文件。这是倡议的写入格局，读写的速度都十分快。

3.数据概览

将数据成 DataFrame 格局后，咱们最好对数据有一个初步的理解，以下是最罕用到的几个数据概览函数，能提供数据的根本信息。

  • head：返回前几行，通常用于检查数据是否正确读取，以及理解数据字段和状态等根本信息。
  • tail：查看最初几行。在解决大文件时，读取可能不残缺，能够通过它查看是否残缺读取数据。
  • info：数据集的总体摘要：包含列的数据类型和内存应用状况等信息。
  • describe：提供数据集的描述性摘要（比方间断值的统计信息、类别型字段的频次信息等）。
  • shape: 行数和列数（留神，这是Dataframe的属性，而非函数）。

4.数据排序

咱们常常须要对数据进行排序，Dataframe有一个重要的排序函数。

  • sort_values：通过指定列名对数据进行排序，能够调整升序或者降序规定。

5.解决反复

咱们手上的数据集很可能存在重复记录，某些数据意外两次输出到数据源中，荡涤数据时删除反复项很重要。 以下函数很罕用：

  • duplicated: 辨认DataFrame中是否有反复，能够指定应用哪些列来标识反复项。
  • drop_duplicates：从 DataFrame 中删除反复项。个别倡议大家先应用 duplicated查看反复项，确定业务上须要删除反复项，再应用这个函数。

6.解决缺失值

事实数据集中根本都会存在缺失值的状况，上面这些函数常被用作检查和解决缺失值。

  • isnull：查看您的 DataFrame 是否缺失。
  • dropna: 对数据做删除解决。留神它有很重要的参数how（如何确定察看是否被抛弃）和 thred（int类型，保留缺失值的数量）。
  • fillna: 用指定的办法填充缺失值，例如向前填充 ( ffill)。

7.数据处理

一个字段可能蕴含很多信息，咱们能够应用以下函数对字段进行数据处理和信息抽取：

  • map：通常应用map对字段进行映射操作（基于一些操作函数），如 df[“sub_id”] = df[“temp_id”].map(lambda x: int(x[-4:])).
  • apply：通过多列的数据创立新的字段，在创立新列时常常须要指定 axis=1。

8.数据透视

Dataframe有 2 种常见数据：

  • 『宽』格局，指的是每一行代表一条记录（样本），每一列是一个观测维度（特色）。
  • 『长』格局，在这种格局中，一个主题有多行，每一行能够代表某个工夫点的度量。

咱们会在这两种格局之间转换。

  • melt：将宽表转换为长表。 留神：重要参数id_vars（对于标识符）和 value_vars（其值对值列有奉献的列的列表）。
  • pivot：将长表转换为宽表。留神：重要参数index（惟一标识符）， columns（列成为值列），和 values（具备值的列）。

9.合并数据集

咱们对多个数据集Dataframe合并的时候，可能用到下列的函数（包含表关联和拼接）。

  • merge：基于某些字段进行表关联。重要的参数包含 on（连贯字段），how（例如内连贯或左连贯，或外连贯），以及 suffixes（雷同字段合并后的后缀）。
  • concat：沿行或列拼接DataFrame对象。当咱们有多个雷同形态/存储雷同信息的 DataFrame 对象时，它很有用。

10.分组统计

咱们常常会须要对数据集进行分组统计操作，罕用的函数包含：

  • groupby：创立一个 GroupBy 分组对象，能够基于一列或多列进行分组。
  • mean：您能够在 GroupBy 分组对象上调用 mean 来计算均值。其余的罕用统计信息包含标准差std。
  • size: 分组的频率
  • agg：聚合函数。包含罕用的统计办法，也能够本人定义。

参考资料

  • 图解数据分析：从入门到精通系列教程：http://www.showmeai.tech/tutorials/33
  • 数据迷信工具库速查表 | Pandas 速查表：http://www.showmeai.tech/article-detail/101