Pandas什么意思(Pandas之十二速查手册)
Pandas的什意思P速查手册功能比较丰富,很多方法也不需要一直记住,什意思P速查手册只需要在用到的什意思P速查手册时候能找到就可以。
比较通俗的什意思P速查手册做法是,在速查手册查找合适的什意思P速查手册方法,再看该方法的什意思P速查手册参数并测试和使用。(看方法参数推荐使用Pycharm)
关注本号:坚哥笔记,什意思P速查手册回复pandas,什意思P速查手册获取速查表高清打印版。什意思P速查手册
首先给出速查表,什意思P速查手册再详细说明Pandas中的什意思P速查手册常用方法。
速查表1.1 导入包import pandas as pdimport numpy as npimport matplotlib.pyplot as plt1.2 数据加载# 从CSV文件加载数据pd.read_csv('file.csv', name=['列名','列名2'])# 从限定分隔符的什意思P速查手册文本文件加载数据pd.read_table(filename, header=0)# 加载Excel,指定sheet和表头pd.read_excel('abc.xlsx', sheet_name='Sheet1', header=0)# 从数据库导入数据# conn_object推荐使用Sqlalchemy创建pd.read_sql(query, conn_object)# 从JSON加载数据pd.read_json(json_string)# 解析URL、什意思P速查手册字符串或者HTML文件,什意思P速查手册抽取其中tables表格pd.read_html(url)# 从你的什意思P速查手册粘贴板获取内容,并传给read_table()pd.read_clipboard()# 从字典对象导入数据,Key 是列名,Value是数据pd.DataFrame(dict)# 导入字符串from io import StringIOpd.read_csv(StringIO(web_data.text))1.3 数据导出# 导出数据到CSV文件df.to_csv('filename.csv')# 导出数据到Excel文件df.to_excel('filename.xlsx', index=True)# 导出数据到 SQL 表df.to_sql(table_name, connection_object)# 以Json格式导出数据到文本文件df.to_json(filename)# 其他df.to_html() # 显示 HTML 代码df.to_markdown() # 显示 markdown 代码df.to_string() # 显示格式化字符df.to_latex(index=False) # LaTeX tabular, longtabledf.to_dict('split') # 字典, 格式 list/series/records/indexdf.to_clipboard(sep=',', index=False) # 存入系统剪贴板# 将两个表格输出到一个excel文件里面,导出到多个 sheetwriter=pd.ExcelWriter('new.xlsx')df_1.to_excel(writer,sheet_name='第一个', index=False)df_2.to_excel(writer,sheet_name='第二个', index=False)writer.save() # 必须运行writer.save(),不然不能输出到本地# 写法2with pd.ExcelWriter('new.xlsx') as writer: df1.to_excel(writer, sheet_name='第一个') df2.to_excel(writer, sheet_name='第二个')# 用 xlsxwriter 导出支持合并单元格、颜色、图表等定制功能# https://xlsxwriter.readthedocs.io/working_with_pandas.html1.4 创建对象# 创建20行5列的随机数组成的 DataFrame 对象pd.DataFrame(np.random.rand(20,5))# 从可迭代对象 my_list 创建一个 Series 对象pd.Series(my_list)# 增加一个日期索引df.index = pd.date_range('1900/1/30', periods=df.shape[0])# 创建随机数据集df = pd.util.testing.makeDataFrame()# 创建随机日期索引数据集df = pd.util.testing.makePeriodFrame()df = pd.util.testing.makeTimeDataFrame()# 创建随机混合类型数据集df = pd.util.testing.makeMixedDataFrame()1.5 统计分析df.head(n) # 查看 DataFrame 对象的前n行df.tail(n) # 查看 DataFrame 对象的最后n行df.sample(n) # 查看 n 个样本,随机df.shape # 查看行数和列数df.info() # 查看索引、数据类型和内存信息df.describe() # 查看数值型列的汇总统计df.dtypes # 查看各字段类型df.axes # 显示数据行和列名df.mean() # 返回所有列的均值df.mean(1) # 返回所有行的均值,下同df.corr() # 返回列与列之间的相关系数df.count() # 返回每一列中的非空值的个数df.max() # 返回每一列的最大值df.min() # 返回每一列的最小值df.median() # 返回每一列的中位数df.std() # 返回每一列的标准差df.var() # 方差s.mode() # 众数s.prod() # 连乘s.cumprod() # 累积连乘,累乘df.cumsum(axis=0) # 累积连加,累加s.nunique() # 去重数量,不同值的量df.idxmax() # 每列最大的值的索引名df.idxmin() # 最小df.columns # 显示所有列名df.team.unique() # 显示列中的不重复值# 查看 Series 对象的唯一值和计数, 计数占比: normalize=Trues.value_counts(dropna=False)# 查看 DataFrame 对象中每一列的唯一值和计数df.apply(pd.Series.value_counts)df.duplicated() # 重复行df.drop_duplicates() # 删除重复行# set_option、reset_option、describe_option 设置显示要求pd.get_option()# 设置行列最大显示数量,None 为不限制pd.options.display.max_rows = Nonepd.options.display.max_columns = Nonedf.col.argmin() # 最大值[最小值 .argmax()] 所在位置的自动索引df.col.idxmin() # 最大值[最小值 .idxmax()] 所在位置的定义索引# 累计统计ds.cumsum() # 前边所有值之和ds.cumprod() # 前边所有值之积ds.cummax() # 前边所有值的最大值ds.cummin() # 前边所有值的最小值# 窗口计算(滚动计算)ds.rolling(x).sum() #依次计算相邻x个元素的和ds.rolling(x).mean() #依次计算相邻x个元素的算术平均ds.rolling(x).var() #依次计算相邻x个元素的方差ds.rolling(x).std() #依次计算相邻x个元素的标准差ds.rolling(x).min() #依次计算相邻x个元素的最小值ds.rolling(x).max() #依次计算相邻x个元素的最大值1.6 数据清洗df.columns = ['a','b','c'] # 重命名列名df.columns = df.columns.str.replace(' ', '_') # 列名空格换下划线df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555 # 替换数据df['pf'] = df.site_id.map({ 2: '小程序', 7:'M 站'}) # 将枚举换成名称pd.isnull() # 检查DataFrame对象中的空值,并返回一个 Boolean 数组pd.notnull() # 检查DataFrame对象中的非空值,并返回一个 Boolean 数组df.drop(['name'], axis=1) # 删除列df.drop([0, 10], axis=0) # 删除行del df['name'] # 删除列df.dropna() # 删除所有包含空值的行df.dropna(axis=1) # 删除所有包含空值的列df.dropna(axis=1,thresh=n) # 删除所有小于 n 个非空值的行df.fillna(x) # 用x替换DataFrame对象中所有的空值df.fillna(value={ 'prov':'未知'}) # 指定列的空值替换为指定内容s.astype(float) # 将Series中的数据类型更改为 float 类型df.index.astype('datetime64[ns]') # 转化为时间格式s.replace(1, 'one') # 用 ‘one’ 代替所有等于 1 的值s.replace([1, 3],['one','three']) # 用'one'代替 1,用 'three' 代替 3df.rename(columns=lambda x: x + 1) # 批量更改列名df.rename(columns={ 'old_name': 'new_name'}) # 选择性更改列名df.set_index('column_one') # 更改索引列df.rename(index=lambda x: x + 1) # 批量重命名索引# 重新命名表头名称df.columns = ['UID', '当前待打款金额', '认证姓名']df['是否设置提现账号'] = df['状态'] # 复制一列df.loc[:, ::-1] # 列顺序反转df.loc[::-1] # 行顺序反转, 下方为重新定义索引df.loc[::-1].reset_index(drop=True)1.7 数据处理# 保留小数位,四舍六入五成双df.round(2) # 全部df.round({ 'A': 1, 'C': 2}) # 指定列df['Name'] = df.Name # 取列名的两个方法df[df.index == 'Jude'] # 索引列的查询要用 .indexdf[df[col] > 0.5] # 选择col列的值大于0.5的行# 多条件查询df[(df['team'] == 'A') & ( df['Q1'] > 80) & df.utype.isin(['老客', '老访客'])]# 筛选为空的内容df[df.order.isnull()]# 类似 SQL where indf[df.team.isin('A','B')]df[(df.team=='B') & (df.Q1 == 17)]df[~(df['team'] == 'A') | ( df['Q1'] > 80)] # 非,或df[df.Name.str.contains('张')] # 包含字符df.sort_values(col1) # 按照列col1排序数据,默认升序排列df.col1.sort_values() # 同上, -> sdf.sort_values(col2, ascending=False) # 按照列 col1 降序排列数据# 先按列col1升序排列,后按col2降序排列数据df.sort_values([col1,col2], ascending=[True,False])df2 = pd.get_dummies(df, prefix='t_') # 将枚举的那些列带枚举转到列上s.set_index().plot()# 多索引处理dd.set_index(['utype', 'site_id', 'p_day'], inplace=True)dd.sort_index(inplace=True) # 按索引排序dd.loc['新访客', 2, '2019-06-22'].plot.barh() # loc 中按顺序指定索引内容# 前100行, 不能指定行,如:df[100]df[:100]# 只取指定行df1 = df.loc[0:, ['设计师ID', '姓名']]# 将ages平分成5个区间并指定 labelsages = np.array([1,5,10,40,36,12,58,62,77,89,100,18,20,25,30,32])pd.cut(ages, [0,5,20,30,50,100], labels=[u"婴儿",u"青年",u"中年",u"壮年",u"老年"])daily_index.difference(df_work_day.index) # 取出差别# 格式化df.index.name # 索引的名称 strdf.columns.tolist()df.values.tolist()df.总人口.values.tolist()data.apply(np.mean) # 对 DataFrame 中的每一列应用函数 np.meandata.apply(np.max,axis=1) # 对 DataFrame 中的每一行应用函数 np.maxdf.insert(1, 'three', 12, allow_duplicates=False) # 插入列 (位置、列名、[值])df.pop('class') # 删除列# 增加一行df.append(pd.DataFrame({ 'one':2, 'two':3, 'three': 4.4}, index=['f']), sort=True)# 指定新列iris.assign(sepal_ratio=iris['SepalWidth'] / iris['SepalLength']).head()df.assign(rate=lambda df: df.orders/df.uv)# shift 函数是对数据进行平移动的操作df['增幅'] = df['国内生产总值'] - df['国内生产总值'].shift(-1)df.tshift(1) # 时间移动,按周期# 和上相同,diff 函数是用来将数据进行移动之后与原数据差# 异数据,等于 df.shift()-dfdf['增幅'] = df['国内生产总值'].diff(-1)# 留存数据,因为最大一般为数据池df.apply(lambda x: x/x.max(), axis=1)# 取 best 列中值为列名的值写到 name 行上df['value'] = df.lookup(df['name'], df['best'])s.where(s > 1, 10) # 满足条件下数据替换(10,空为 NaN)s.mask(s > 0) # 留下满足条件的,其他的默认为 NaN# 所有值加 1 (加减乘除等)df + 1 / df.add(1)# 管道方法,链式调用函数,f(df)=df.pipe(f)def gb(df, by): result = df.copy() result = result.groupby(by).sum() return result # 调用df.pipe(gb, by='team')# 窗口计算 '2s' 为两秒df.rolling(2).sum()# 在窗口结果基础上的窗口计算df.expanding(2).sum()# 超出(大于、小于)的值替换成对应值df.clip(-4, 6)# AB 两列想加增加 C 列df['C'] = df.eval('A+B')# 和上相同效果df.eval('C = A + B', inplace=True)# 数列的变化百分比s.pct_change(periods=2)# 分位数, 可实现时间的中间点df.quantile(.5)# 排名 average, min,max,first,dense, 默认 averages.rank()# 数据爆炸,将本列的类列表数据和其他列的数据展开铺开df.explode('A')# 枚举更新status = { 0:'未执行', 1:'执行中', 2:'执行完毕', 3:'执行异常'}df['taskStatus'] = df['taskStatus'].apply(status.get)df.assign(金额=0) # 新增字段df.loc[('bar', 'two'), 'A'] # 多索引查询df.query('i0 == "b" & i1 == "b"') # 多索引查询方法 2# 取多索引中指定级别的所有不重复值df.index.get_level_values(2).unique()# 去掉为零小数,12.00 -> 12df.astype('str').applymap(lambda x: x.replace('.00', ''))# 插入数据,在第三列加入「两倍」列df.insert(3, '两倍', df['值']*2)# 枚举转换df['gender'] = df.gender.map({ 'male':'男', 'female':'女'})# 增加本行之和列df['Col_sum'] = df.apply(lambda x: x.sum(), axis=1)# 对指定行进行加和col_list= list(df)[2:] # 取请假范围日期df['总天数'] = df[col_list].sum(axis=1) # 计算总请假天数# 对列求和,汇总df.loc['col_sum'] = df.apply(lambda x: x.sum())# 按指定的列表顺序显示df.reindex(order_list)# 按指定的多列排序df.reindex(['col_1', 'col_5'], axis="columns")1.8 数据选择df[col] # 根据列名,并以Series的形式返回列df[[col1, col2]] # 以DataFrame形式返回多列df.loc[df['team'] == 'B',['name']] # 按条件查询,只显示name 列s.iloc[0] # 按位置选取数据s.loc['index_one'] # 按索引选取数据df.loc[0,'A':'B'] # A到 B 字段的第一行 df.loc[2018:1990, '第一产业增加值':'第三产业增加值']df.loc[0,['A','B']] # d.loc[位置切片, 字段]df.iloc[0,:] # 返回第一行, iloc 只能是数字df.iloc[0,0] # 返回第一列的第一个元素dc.query('site_id > 8 and utype=="老客"').head() # 可以 and or / & | # 迭代器及使用for idx,row in df.iterrows(): row['id']# 迭代器对每个元素进行处理df.loc[i,'链接'] = f'http://www.gairuo.com/p/{ slug}.html'for i in df.Name:print(i) # 迭代一个列# 按列迭代,[列名, 列中的数据序列 S(索引名 值)]for label, content in df.items():print(label, content)# 按行迭代,迭代出整行包括索引的类似列表的内容,可row[2]取for row in df.itertuples():print(row)df.at[2018, '总人口'] # 按行列索引名取一个指定的单个元素df.iat[1, 2] # 索引和列的编号取单个元素s.nlargest(5).nsmallest(2) # 最大和最小的前几个值df.nlargest(3, ['population', 'GDP'])df.take([0, 3]) # 指定多个行列位置的内容# 按行列截取掉部分内容,支持日期索引标签ds.truncate(before=2, after=4)# 将 dataframe 转成 seriesdf.iloc[:,0]float(str(val).rstrip('%')) # 百分数转数字df.reset_index(inplace=True) # 取消索引1.9 数据分组与重塑df.groupby(col) # 返回一个按列col进行分组的Groupby对象df.groupby([col1,col2]) # 返回一个按多列进行分组的Groupby对象df.groupby(col1)[col2] # 返回按列col1进行分组后,列col2的均值# 创建一个按列col1进行分组,并计算col2和col3的最大值的数据透视表df.pivot_table(index=col1, values=[col2,col3], aggfunc=max, as_index=False)# 同上df.pivot_table(index=['site_id', 'utype'], values=['uv_all', 'regist_num'], aggfunc=['max', 'mean'])df.groupby(col1).agg(np.mean) # 返回按列col1分组的所有列的均值# 按列将其他列转行pd.melt(df, id_vars=["day"], var_name='city', value_name='temperature')# 交叉表是用于统计分组频率的特殊透视表pd.crosstab(df.Nationality,df.Handedness)# groupby 后排序,分组 agg 内的元素取固定个数( df[(df.p_day >= '20190101')] .groupby(['p_day', 'name']) .agg({ 'uv':sum}) .sort_values(['p_day','uv'], ascending=[False, False]) .groupby(level=0).head(5) # 每天取5个页面 .unstack() .plot())# 合并查询经第一个看(max, min, last, size:数量)df.groupby('结算类型').first()# 合并明细并分组统计加总('max', `mean`, `median`,# `prod`, `sum`, `std`,`var`, 'nunique'),'nunique'为去重的列表df1 = df.groupby(by='设计师ID').agg({ '结算金额':sum})df.groupby(by=df.pf).ip.nunique() # groupby distinct, 分组+去重数df.groupby(by=df.pf).ip.value_counts() # groupby 分组+去重的值及数量df.groupby('name').agg(['sum', 'median', 'count'])1.10 数据合并# 合并拼接行# 将df2中的行添加到df1的尾部df1.append(df2)# 指定列合并成一个新表新列ndf = (df['提名1'] .append(df['提名2'], ignore_index=True) .append(df['提名3'], ignore_index=True))ndf = pd.DataFrame(ndf, columns=(['姓名']))# 将df2中的列添加到df1的尾部df.concat([df1, df2], axis=1)# 合并文件的各行df1 = pd.read_csv('111.csv', sep='\t')df2 = pd.read_csv('222.csv', sep='\t')excel_list = [df1, df2]# result = pd.concat(excel_list).fillna('')[:].astype('str')result = pd.concat(excel_list)[]result.to_excel('333.xlsx', index=False)# 合并指定目录下所有的 excel (csv) 文件import globfiles = glob.glob("data/cs/*.xls")dflist = []for i in files: dflist.append(pd.read_excel(i, usecols=['ID', '时间', '名称']))df = pd.concat(dflist)# 合并增加列# 对df1的列和df2的列执行SQL形式的joindf1.join(df2,on=col1,how='inner')# 用 key 合并两个表df_all = pd.merge(df_sku, df_spu, how='left', left_on=df_sku['product_id'], right_on=df_spu['p.product_id'])1.11 时序数据# 时间索引df.index = pd.DatetimeIndex(df.index)# 时间只保留日期df['date'] = df['time'].dt.date# 将指定字段格式化为时间类型df["date"] = pd.to_datetime(df['时间'])# 转化为北京时间df['time'] = df['time'].dt.tz_convert('Asia/Shanghai')# 转为指定格式,可能会失去秒以后的精度df['time'] = df['time'].dt.strftime("%Y-%m-%d %H:%M:%S")dc.index = pd.to_datetime(dc.index, format='%Y%m%d', errors='ignore')# 时间,参与运算pd.DateOffset(days=2)# 当前时间pd.Timestamp.now()pd.to_datetime('today')# 判断时间是否当天pd.datetime.today().year == df.start_work.dt.yeardf.time.astype('datetime64[ns]').dt.date == pd.to_datetime('today')# 定义个天数import datetimedays = lambda x: datetime.timedelta(days=x)days(2)# 同上,直接用 pd 包装的pd.Timedelta(days=2)# unix 时间戳pd.to_datetime(ted.film_date, unit='ms')# 按月(YMDHminS)采集合计数据df.set_index('date').resample('M')['quantity'].sum()df.set_index('date').groupby('name')['ext price'].resample("M").sum()# 按天汇总,index 是 datetime 时间类型df.groupby(by=df.index.date).agg({ 'uu':'count'})# 按周汇总df.groupby(by=df.index.weekday).uu.count()# 按月进行汇总df.groupby(['name', pd.Grouper(key='date', freq='M')])['ext price'].sum()# 按月进行汇总df.groupby(pd.Grouper(key='day', freq='1M')).sum()# 按照年度,且截止到12月最后一天统计 ext price 的 sum 值df.groupby(['name', pd.Grouper(key='date', freq='A-DEC')])['ext price'].sum()# 按月的平均重新采样df['Close'].resample('M').mean()# https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#offset-aliases# 取时间范围,并取工作日rng = pd.date_range(start="6/1/2016",end="6/30/2016",freq='B')# 重新定时数据频度,按一定补充方法df.asfreq('D', method='pad')# 时区,df.tz_convert('Europe/Berlin')df.time.tz_localize(tz='Asia/Shanghai')# 转北京时间df['Time'] = df['Time'].dt.tz_localize('UTC').dt.tz_convert('Asia/Shanghai')# 查看所有时区from pytz import all_timezonesprint (all_timezones)# 时长,多久,两个时间间隔时间,时差df['duration'] = pd.to_datetime(df['end']) - pd.to_datetime(df['begin'])# 指定时间进行对比df.Time.astype('datetime64[ns]') < pd.to_datetime('2019-12-11 20:00:00', format='%Y-%m-%d %H:%M:%S')1.12 样式显示# https://pbpython.com/styling-pandas.htmldf['per_cost'] = df['per_cost'].map('{ :,.2f}%'.format) # 显示%比形式# 指定列表(值大于0)加背景色df.style.applymap(lambda x: 'background-color: grey' if x>0 else '', subset=pd.IndexSlice[:, ['B', 'C']])# 最大值最小值加背景色df.style.highlight_max(color='lightgreen').highlight_min(color='#cd4f39')df.style.format('{ :.2%}', subset=pd.IndexSlice[:, ['B']]) # 显示百分号# 指定各列的样式format_dict = { 'sum':'${ 0:,.0f}', 'date': '{ :%Y-%m}', 'pct_of_total': '{ :.2%}' 'c': str.upper}# 一次性样式设置(df.style.format(format_dict) # 多种样式形式 .hide_index() # 指定列按颜色深度表示值大小, cmap 为 matplotlib colormap .background_gradient(subset=['sum_num'], cmap='BuGn') # 表格内作横向 bar 代表值大小 .bar(color='#FFA07A', vmin=100_000, subset=['sum'], align='zero') # 表格内作横向 bar 代表值大小 .bar(color='lightgreen', vmin=0, subset=['pct_of_total'], align='zero') # 下降(小于0)为红色, 上升为绿色 .bar(color=['#ffe4e4','#bbf9ce'], vmin=0, vmax=1, subset=['增长率'], align='zero') # 给样式表格起个名字 .set_caption('2018 Sales Performance') .hide_index())# 按条件给整行加背景色(样式)def background_color(row): if row.pv_num >= 10000: return ['background-color: red'] * len(row) elif row.pv_num >= 100: return ['background-color: yellow'] * len(row) return [''] * len(row)# 使用df.style.apply(background_color, axis=1)1.13 可视化df88.plot.bar(y='rate', figsize=(20, 10)) # 图形大小,单位英寸df_1[df_1.p_day > '2019-06-01'].plot.bar(x='p_day', y=['total_order_num','order_user'], figsize=(16, 6)) # 柱状图# 每条线一个站点,各站点的 home_remain, stack的意思是堆叠,堆积# unstack 即“不要堆叠”(df[(df.p_day >= '2019-05-1') & (df.utype == '老客')].groupby(['p_day', 'site_id'])['home_remain'].sum().unstack().plot.line())# 折线图,多条, x 轴默认为 indexdd.plot.line(x='p_day', y=['uv_all', 'home_remain'])dd.loc['新访客', 2].plot.scatter(x='order_user', y='paid_order_user') # 散点图dd.plot.bar(color='blue') # 柱状图, barh 为横向柱状图sns.heatmap(dd.corr()) # 相关性可视化# 刻度从0开始,指定范围 ylim=(0,100), x 轴相同s.plot.line(ylim=0)# 折线颜色 https://matplotlib.org/examples/color/named_colors.html# 样式( '-','--','-.',':' )# 折线标记 https://matplotlib.org/api/markers_api.html# grid=True 显示刻度 etc: https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.htmls.plot.line(color='green', linestyle='-', marker='o')# 两个图绘在一起[df['数量'].plot.kde(), df['数量'].plot.hist()]# 对表中的数据按颜色可视化import seaborn as snscm = sns.light_palette("green", as_cmap=True)df.style.background_gradient(cmap=cm, axis=1)# 将数据转化为二维数组[i for i in zip([i.strftime('%Y-%m-%d') for i in s.index.to_list()], s.to_list())]# 和 plot 用法一样 https://hvplot.pyviz.org/user_guide/Plotting.htmlimport hvplot.pandas# 打印 Sqlite 建表语句print(pd.io.sql.get_schema(fdf, 'table_name'))END!