pandas操作技巧

本文中记录Pandas操作技巧，包含：

• 导入数据
• 导出数据
• 查看、检查数据
• 数据选取
• 数据清洗
• 数据处理：Filter、Sort和GroupBy
• 数据合并

常识

# 导入pandas
import pandas as pd

# axis参数：0代表行，1代表列

导入数据

pd.read_csv(filename) # 从CSV文件导入数据

pd.read_table(filename) # 从限定分隔符的文本文件导入数据

pd.read_excel(filename) # 从Excel文件导入数据

pd.read_sql(query, connection_object) # 从SQL表/库导入数据

pd.read_json(json_string) # 从JSON格式的字符串导入数据

pd.read_html(url)  # 解析URL、字符串或者HTML文件，抽取其中的tables表格

pd.read_clipboard() # 从你的粘贴板获取内容，并传给read_table()

pd.DataFrame(dict) # 从字典对象导入数据，Key是列名，Value是数据

导出数据

df.to_csv(filename) # 导出数据到CSV文件
df.to_excel(filename) # 导出数据到Excel文件
df.to_sql(table_name, connection_object) # 导出数据到SQL表
df.to_json(filename) # 以Json格式导出数据到文本文件
writer=pd.ExcelWriter('test.xlsx',index=False)   # 然后调用df1.to_excel(writer,sheet_name='单位') 和 writer.save()，将多个数据帧写入同一个工作簿的多个sheet(工作表)

查看、检查数据

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.shape() # 查看行数和列数
df.info() # 查看索引、数据类型和内存信息
df.columns() # 查看字段（首行）名称
df.describe() # 查看数值型列的汇总统计
s.value_counts(dropna=False) # 查看Series对象的唯一值和计数
df.apply(pd.Series.value_counts) # 查看DataFrame对象中每一列的唯一值和计数
df.isnull().any() # 查看是否有缺失值
df[df[column_name].duplicated()] # 查看column_name字段数据重复的数据信息
df[df[column_name].duplicated()].count() # 查看column_name字段数据重复的个数

数据选取

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
s.iloc[0] # 按位置选取数据
s.loc['index_one'] # 按索引选取数据
df.iloc[0,:] # 返回第一行
df.iloc[0,0] # 返回第一列的第一个元素
df.loc[0,:] # 返回第一行（索引为默认的数字时，用法同df.iloc），但需要注意的是loc是按索引,iloc参数只接受数字参数
df.ix[[:5],["col1","col2"]] #  返回字段为col1和col2的前5条数据，可以理解为loc和iloc的结合体。
df.at[5,"col1"] # 选择索引名称为5，字段名称为col1的数据
df.iat[5,0] # 选择索引排序为5，字段排序为0的数据
data.str.contains("s") # 数据中含有"s"字符串的数据
data.astype(int).isin(list1) # 数据的某条数据的某个字段在列表list1中的数据
df[-df[column_name].duplicated()] # 选取column_name字段不重复的数据，支持df[-df.duplicated()]
df.loc[df['col_name']==value] # 选取col_name字段为value的数据
df.loc[df['col_name'].isin(value_list)] # 选取col_name字段为value_list中的值的数据
 df.loc[~df['col_name'].isin(value_list)] # 选取col_name字段不在value_list中的值的数据
df.loc[(df[‘col_name1’] == value1) & df[‘col_name2’].isin(value_list)] # 选取col_name1等于value1，并且col_name2在value_list中的数据
df.loc[df[‘col_name’] != value2] # 选取col_name字段不等于value2的数据

数据清理

df.columns = ['a','b','c'] # 重命名列名（需要将所有列名列出，否则会报错）
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.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(value=x) # 用x替换DataFrame对象中所有的空值，支持df[column_name].fillna(x)
s.astype(float) # 将Series中的数据类型更改为float类型
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3
df.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') # 将某个字段设为索引，可接受列表参数，即设置多个索引
df.reset_index("col1")#  将索引设置为col1字段，并将索引新设置为0,1,2...
df.rename(index=lambda x: x + 1) # 批量重命名索引

数据处理：Filter、Sort和GroupBy

df[df[col] > 0.5] # 选择col列的值大于0.5的行
df.sort_index().loc[:5]  #对前5条数据进行索引排序 
df.sort_values(col1) # 按照列col1排序数据，默认升序排列
df.sort_values(col2, ascending=False) #按照列col1降序排列数据
df.sort_values([col1,col2], ascending=[True,False]) #先按列col1升序排列，后按col2降序排列数据
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].agg(mean) # 返回按列col1进行分组后，列col2的均值,agg可以接受列表参数，agg([len,np.mean])
df.pivot_table(index=col1, values=[col2,col3], aggfunc={col2:max,col3:[ma,min]}) # 创建一个按列col1进行分组，计算col2的最大值和col3的最大值、最小值的数据透视表
df.groupby(col1).agg(np.mean) # 返回按列col1分组的所有列的均值,支持df.groupby(col1).col2.agg(['min','max'])
data.apply(np.mean) # 对DataFrame中的每一列应用函数np.mean
data.apply(np.max,axis=1) # 对DataFrame中的每一行应用函数np.max
df.groupby(col1).col2.transform("sum") # 通常与groupby连用，避免索引更改

数据合并

df1.append(df2) # 将df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1,join='inner') # 将df2中的列添加到df1的尾部,值为空的对应行与对应列都不要
df1.join(df2.set_index(col1),on=col1,how='inner') # 对df1的列和df2的列执行SQL形式的join，默认按照索引来进行合并，如果df1和df2有共同字段时，会报错，可通过设置lsuffix,rsuffix来进行解决，如果需要按照共同列进行合并，就要用到set_index(col1)
pd.merge(df1,df2,on='col1',how='outer')  # 对df1和df2合并，按照col1，方式为outer 
pd.merge(df1, df2, left_index=True, right_index=True, how='outer')  #与df1.join(df2, how='outer') 效果相同

数据统计

df.describe() #查看数据值列的汇总统计
df.mean() # 返回所有列的均值
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
pd.date_range('1/1/2000', periods=7)
df.std() # 返回每一列的标准差