转发 Pandas:让你像写SQL一样做数据分析(一)
https://www.cnblogs.com/en-heng/p/5630849.html
Python实战】Pandas:让你像写SQL一样做数据分析(一)
1. 引言
Pandas是一个开源的Python数据分析库。Pandas把结构化数据分为了三类:
Series,1维序列,可视作为没有column名的、只有一个column的DataFrame;
DataFrame,同Spark SQL中的DataFrame一样,其概念来自于R语言,为多column并schema化的2维结构化数据,可视作为Series的容器(container);
Panel,为3维的结构化数据,可视作为DataFrame的容器;
DataFrame较为常见,因此本文主要讨论内容将为DataFrame。DataFrame的生成可通过读取纯文本、Json等数据来生成,亦可以通过Python对象来生成:
importpandasaspdimportnumpyasnpdf=pd.DataFrame({'total_bill': [16.99,10.34,23.68,23.68,24.59],'tip': [1.01,1.66,3.50,3.31,3.61],'sex': ['Female','Male','Male','Male','Female']})
对于DataFrame,我们可以看到其固有属性:
# data type of columnsdf.dtypes# indexesdf.index# return pandas.Indexdf.columns# each row, return array[array]df.values# a tuple representing the dimensionality of dfdf.shape
.index,为行索引
.columns,为列名称(label)
.dtype,为列数据类型
2. SQL操作
官方Doc给出了部分SQL的Pandas实现,在此基础上本文给出了一些扩充说明。以下内容基于Python 2.7 + Pandas 0.18.1的版本。
select
SQL中的select是根据列的名称来选取;Pandas则更为灵活,不但可根据列名称选取,还可以根据列所在的position选取。相关函数如下:
loc,基于列label,可选取特定行(根据行index);
iloc,基于行/列的position;
printdf.loc[1:3, ['total_bill','tip']]printdf.loc[1:3,'tip':'total_bill']printdf.iloc[1:3, [1,2]]printdf.iloc[1:3,1:3]
at,根据指定行index及列label,快速定位DataFrame的元素;
iat,与at类似,不同的是根据position来定位的;
printdf.at[3,'tip']printdf.iat[3,1]
ix,为loc与iloc的混合体,既支持label也支持position;
printdf.ix[1:3, [1,2]]printdf.ix[1:3, ['total_bill','tip']]
此外,有更为简洁的行/列选取方式:
printdf[1:3]printdf[['total_bill','tip']]# print df[1:2, ['total_bill', 'tip']] # TypeError: unhashable type
where
Pandas实现where filter,较为常用的办法为df[df[colunm] boolean expr],比如:
printdf[df['sex']=='Female']printdf[df['total_bill']>20]# orprintdf.query('total_bill > 20')
在where子句中常常会搭配and, or, in, not关键词,Pandas中也有对应的实现:
# andprintdf[(df['sex']=='Female')&(df['total_bill']>20)]# orprintdf[(df['sex']=='Female')|(df['total_bill']>20)]# inprintdf[df['total_bill'].isin([21.01,23.68,24.59])]# notprintdf[-(df['sex']=='Male')]printdf[-df['total_bill'].isin([21.01,23.68,24.59])]# string functionprintdf=df[(-df['app'].isin(sys_app))&(-df.app.str.contains('^微信\d+$'))]
对where条件筛选后只有一行的dataframe取其中某一列的值,其两种实现方式如下:
total=df.loc[df['tip']==1.66,'total_bill'].values[0]total=df.get_value(df.loc[df['tip']==1.66].index.values[0],'total_bill')
distinct
drop_duplicates根据某列对dataframe进行去重:
df.drop_duplicates(subset=['sex'], keep='first', inplace=True)
包含参数:
subset,为选定的列做distinct,默认为所有列;
keep,值选项{'first', 'last', False},保留重复元素中的第一个、最后一个,或全部删除;
inplace ,默认为False,返回一个新的dataframe;若为True,则返回去重后的原dataframe
group
group一般会配合合计函数(Aggregate functions)使用,比如:count、avg等。Pandas对合计函数的支持有限,有count和size函数实现SQL的count:
printdf.groupby('sex').size()printdf.groupby('sex').count()printdf.groupby('sex')['tip'].count()
对于多合计函数,
selectsex,max(tip),sum(total_bill)astotalfromtips_tbgroupbysex;
实现在agg()中指定dict:
printdf.groupby('sex').agg({'tip': np.max,'total_bill': np.sum})# count(distinct **)printdf.groupby('tip').agg({'sex': pd.Series.nunique})
as
SQL中使用as修改列的别名,Pandas也支持这种修改:
# first implementationdf.columns=['total','pit','xes']# second implementationdf.rename(columns={'total_bill':'total','tip':'pit','sex':'xes'}, inplace=True)
其中,第一种方法的修改是有问题的,因为其是按照列position逐一替换的。因此,我推荐第二种方法。
join
Pandas中join的实现也有两种:
# 1.df.join(df2, how='left'...)# 2. pd.merge(df1, df2, how='left', left_on='app', right_on='app')
第一种方法是按DataFrame的index进行join的,而第二种方法才是按on指定的列做join。Pandas满足left、right、inner、full outer四种join方式。
order
Pandas中支持多列order,并可以调整不同列的升序/降序,有更高的排序自由度:
printdf.sort_values(['total_bill','tip'], ascending=[False,True])
top
对于全局的top:
printdf.nlargest(3, columns=['total_bill'])
对于分组top,MySQL的实现(采用自join的方式):
selecta.sex, a.tipfromtips_tb awhere(selectcount(*)fromtips_tb bwhereb.sex = a.sexandb.tip > a.tip) <2orderbya.sex, a.tipdesc;
Pandas的等价实现,思路与上类似:
# 1.df.assign(rn=df.sort_values(['total_bill'], ascending=False) .groupby('sex') .cumcount()+1)\.query('rn < 3')\.sort_values(['sex','rn'])# 2.df.assign(rn=df.groupby('sex')['total_bill'] .rank(method='first', ascending=False))\.query('rn < 3')\.sort_values(['sex','rn'])
replace
replace函数提供对dataframe全局修改,亦可通过where条件进行过滤修改(搭配loc):
# overall replacedf.replace(to_replace='Female', value='Sansa', inplace=True)# dict replacedf.replace({'sex': {'Female':'Sansa','Male':'Leone'}}, inplace=True)# replace on where condition df.loc[df.sex=='Male','sex']='Leone'
自定义
除了上述SQL操作外,Pandas提供对每列/每一元素做自定义操作,为此而设计以下三个函数:
map(func),为Series的函数,DataFrame不能直接调用,需取列后再调用;
apply(func),对DataFrame中的某一行/列进行func操作;
applymap(func),为element-wise函数,对每一个元素做func操作
printdf['tip'].map(lambdax: x-1)printdf[['total_bill','tip']].apply(sum)printdf.applymap(lambdax: x.upper()iftype(x)isstrelsex)
3. 实战
环比增长
现有两个月APP的UV数据,要得到月UV环比增长;该操作等价于两个Dataframe left join后按指定列做减操作:
defchain(current, last):df1=pd.read_csv(current, names=['app','tag','uv'], sep='\t') df2=pd.read_csv(last, names=['app','tag','uv'], sep='\t') df3=pd.merge(df1, df2, how='left', on='app') df3['uv_y']=df3['uv_y'].map(lambdax:0.0ifpd.isnull(x)elsex) df3['growth']=df3['uv_x']-df3['uv_y']returndf3[['app','growth','uv_x','uv_y']].sort_values(by='growth', ascending=False)
差集
对于给定的列,一个Dataframe过滤另一个Dataframe该列的值;相当于集合的差集操作:
defdifference(left, right, on):""" difference of two dataframes :param left: left dataframe :param right: right dataframe :param on: join key :return: difference dataframe """df=pd.merge(left, right, how='left', on=on) left_columns=left.columns col_y=df.columns[left_columns.size] df=df[df[col_y].isnull()] df=df.ix[:,0:left_columns.size] df.columns=left_columnsreturndf
网友评论