- 1.统计分析入门
- 2.分组 groupby()
- 3.数据可视化
- 4.数据合并,重组
- 5.数据类型转换
1.统计分析入门:经常用到的函数
删除值的处理
1.1 pd.isnull(df)
检查缺失值
1.2 df.fillna()
填充缺失值
1.2.1 直接填充
df3.fillna(0,inplace = True)
1.2.2 采用前项填充或后向填充
df3.fillna(method='ffill') #用前一个值填充
df3.fillna(method='bfill') #用后一个值填充
1.2.3使用常量填充
df3.fillna({'c':100},inplace = True)
1.2.4 使用均值或者中位数填充
c_median = df3['c'].median() #可替换成.mean()
df3.fillna({'c':c_median},inplace= True)
1.3 df.dropna()
删除缺失值
df.dropna() #该操作会删除所有有缺失值的行数据
df.dropna(how='all') #该操作仅会删除所有列均为缺失值的行数据
1.4 df.mean()
ps:操作会把NaN 排除在外
1.5 .value_counts()
value_counts()是一种查看表格某列中有多少个不同值的快捷方法,并计算每个不同值有在该列中有多少重复值。
value_counts()是Series拥有的方法,一般在DataFrame中使用时,需要指定对哪一列或行使用
data['Unit Name'].value_counts()
1.6 df.count()
非空元素计算
1.7 df.min()
1.8 df.max()
1.9 df.idxmin()
最小值的位置,类似于r中的which.min函数
1.10 df.idmax()
最大值的位置,类似于r中的which.max函数
1.11 df.quantile(0.1)
10%分位数
1.12 df.sum()
1.13 df.median()
1.14 df.mode()
1.15 df.var()
1.16 df.std()
1.17 df.mad()
平均绝对偏差
1.18 df.skew()
1.19 df.kurt()
1.20 df.corr()
连续变量的相关系数
1.21 df.cov()
协方差矩阵
1.22 df.sort_values()
bank.sort_values(by=['job','age'])
2.分组 groupby()
2.1 按列分组
2.1.1依据单个列名’key1’进行为分组
import pandas as pd
import numpy as np
df = pd.DataFrame({'key1':['a','a','b','b','a'],'key2':['one','two','one','two','one'],'data1':np.random.randn(5),'data2':np.random.randn(5)})
group1 = df.groupby('key1')
[x for x in group1]
其中,group1是一个中间分组变量,为GroupBy类型;
推导式[x for x in group1]用于显示分组内容
2.2 groupby与 统计算法运用 sum() count()
group1.sum() #按照key1的key,相加value的值
data1 data2
a 2.217383 -1.276316
b -0.930265 0.205291
group2.count() #统计(key1,key2)出现的次数
data1 data2
key1 key2
a one 2 2
two 1 1
b one 1 1
two 1 1
2.3 groupby与agg()连用
agg(func)可对分组后的某一列或者多个列的数据应用func函数,也可推广到同时作用于多个列和多个函数上。
group1['data1'].agg('mean') #对分组后的’data1’列求均值
a 0.739128
b -0.465133
Name: data1, dtype: float64
group1['data1','data2'].agg(['mean','sum']) #对分组后的’data1’和’data2’列分别求均值、求和
data1 data2
mean sum mean sum
a 0.739128 2.217383 -0.425439 -1.276316
b -0.465133 -0.930265 0.102646 0.205291
当一个dataframe groupby之后,是没有办法直接print出来的。
要用一个循环语句做出来
[x for x in df]
这个出来可以出来,但是视觉效果不是很好
另一种办法:
for key, item in df:
print (df.get_group(key), "\n\n")
这个视觉效果更好
2.4 groupby 与apply()连用
apply()应用于dataframe的各个列
df.groupby('key1').apply(np.mean)
df.groupby(['key1','key2']).apply(np.mean)
问题:apply与agg 区别在于: apply是对dataframe应用,agg是对分组后的应用???
3.数据图
3.1 数据图的打开方式
4.数据合并
4.1merge()合并数据 通过键拼接列
pandas提供了一个类似于关系数据库的连接(join)操作的方法merage,可以根据一个或多个键将不同DataFrame中的行连接起来
语法如下:
merge(left, right, how='inner', on=None, left_on=None, right_on=None,
left_index=False, right_index=False, sort=True,
suffixes=('_x', '_y'), copy=True, indicator=False)
参数说明:
left与right:两个不同的DataFrame
how:指的是合并(连接)的方式有inner(内连接),left(左外连接),right(右外连接),outer(全外连接);默认为inner
on : 指的是用于连接的列索引名称。必须存在右右两个DataFrame对象中,如果没有指定且其他参数也未指定则以两个DataFrame的列名交集做为连接键
left_on:左则DataFrame中用作连接键的列名;这个参数中左右列名不相同,但代表的含义相同时非常有用。
right_on:右则DataFrame中用作 连接键的列名
left_index:使用左则DataFrame中的行索引做为连接键
right_index:使用右则DataFrame中的行索引做为连接键
sort:默认为True,将合并的数据进行排序。在大多数情况下设置为False可以提高性能
suffixes:字符串值组成的元组,用于指定当左右DataFrame存在相同列名时在列名后面附加的后缀名称,默认为('_x','_y')
copy:默认为True,总是将数据复制到数据结构中;大多数情况下设置为False可以提高性能
indicator:在 0.17.0中还增加了一个显示合并数据中来源情况;如只来自己于左边(left_only)、两者(both)
该函数的典型应用场景是:针对同一个主键存在两张包含不同字段的表,现在我们想把他们整合到一张表里。在此典型情况下,结果集的行数并没有增加,列数则为两个元数据的列数和减去连接键的数量。
1.on=None 用于显示指定列名(键名),如果该列在两个对象上的列名不同,则可以通过 left_on=None, right_on=None 来分别指定。或者想直接使用行索引作为连接键的话,就将 left_index=False, right_index=False 设为 True。
2.how='inner' 参数指的是当左右两个对象中存在不重合的键时,取结果的方式:inner 代表交集;outer 代表并集;left 和 right 分别为取一边。
3.suffixes=('_x','_y') 指的是当左右对象中存在除连接键外的同名列时,结果集中的区分方式,可以各加一个小尾巴。
对于多对多连接,结果采用的是行的笛卡尔积。
df1=pd.DataFrame({'key':['a','b','b'],'data1':range(3)})
df2=pd.DataFrame({'key':['a','b','c'],'data2':range(3)})
pd.merge(df1,df2) #没有指定连接键,默认用重叠列名,没有指定连接方式
key data1 data2
0 a 0 0
1 b 1 1
2 b 2 1
pd.merge(df2,df1,how='left') #通过how,指定连接方式
key data2 data1
0 a 0 0.0
1 b 1 1.0
2 b 1 2.0
3 c 2 NaN
eg3: 多键连接时
right=pd.DataFrame({'key1':['foo','foo','bar','bar'],
...: 'key2':['one','one','one','two'],
...: 'lval':[4,5,6,7]})
left=pd.DataFrame({'key1':['foo','foo','bar'],
...: 'key2':['one','two','one'],
...: 'lval':[1,2,3]})
right=pd.DataFrame({'key1':['foo','foo','bar','bar'],
...: 'key2':['one','one','one','two'],
...: 'lval':[4,5,6,7]})
pd.merge(left,right,on=['key1','key2'],how='outer') #传出数组
key1 key2 lval_x lval_y
0 foo one 1.0 4.0
1 foo one 1.0 5.0
2 foo two 2.0 NaN
3 bar one 3.0 6.0
4 bar two NaN 7.0
4.2 通过concat()可以沿着一条轴将多个对象堆叠到一起
concat方法相当于数据库中的全连接(UNION ALL),可以指定按某个轴进行连接,也可以指定连接的方式join(outer,inner 只有这两种)。与数据库不同的时concat不会去重,要达到去重的效果可以使用drop_duplicates方法
concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False, copy=True)
在默认的 axis=0 情况下,pd.concat([obj1,obj2]) 函数的效果与 obj1.append(obj2) 是相同的;
而在 axis=1 的情况下,pd.concat([df1,df2],axis=1) 的效果与 pd.merge(df1,df2,left_index=True,right_index=True,how='outer') 是相同的。
concat 一些特点:
1.作用于Series时,如果在axis=0时,类似union。axis=1 时,组成一个DataFrame,索引是union后的,列是类似join后的结果。
2.通过参数join_axes=[] 指定自定义索引。
3.通过参数keys=[] 创建层次化索引
4.通过参数ignore_index=True 重建索引。
df1=pd.DataFrame(np.random.randn(3,4),columns=['a','b','c','d'])
df2=pd.DataFrame(np.random.randn(2,3),columns=['b','d','a'])
pd.concat([df1,df2],ignore_index=True)
a b c d
0 -0.090280 -0.632174 -1.771575 0.537401
1 0.238462 0.835425 0.250523 -2.118311
2 -0.724603 0.633178 1.014699 1.659224
3 -0.911855 -0.457355 NaN -0.595535
4 0.856938 -0.018557 NaN -0.060267
5.数据类型转换
Pandas支持的数据类型最为丰富,在某种情形下Numpy的数据类型可以和Pandas的数据类型相互转化,毕竟Pandas库是在Numpy的基础之上开发的的。
5.1 用.astype()进行转换
df[[column]] = df[[column]].astype(type)
type:int;float
5.2 用自定义函数进行转换
5.2.1 用def()函数转换
5.2.2 用lambda()进行转换
chipo.item_price.dtype
dollarizer = lambda x: float(x[1:-1])
chipo.item_price = chipo.item_price.apply(dollarizer)
chipo.item_price.dtype
pandas练习中的第二个例子,要求用lambda进行转换成float
6.pd.Series.nunique()
在分析数据时,很多时候用户想要查看特定列中的唯一值。Pandas nunique() 用于获取唯一值的统计次数。
使用 &(且) 和 |(或) 时每个条件都要用小括号括起来。
7.2 isin()
如果要选择某列等于多个数值或者字符串时,要用到.isin(), 我们把df修改了一下(isin()括号里面应该是个list)
7.3 .str.contains()
reference:
https://www.jianshu.com/p/f773b4b82c66
https://blog.csdn.net/u013402321/article/details/79000996
https://blog.csdn.net/zutsoft/article/details/51498026
https://blog.csdn.net/A632189007/article/details/76176985