入门Pandas，必须掌握的技巧
总结自己经常使用的pandas操作方法：
- 创建DataFrame数据
- 查看数据相关信息
- 查看头尾文件
- 花样取数
- 切片取数
- 常见函数使用
image
导入包
import pandas as pd
import numpy as np
使用技巧1-创建DataFrame数据
方式1：自己直接创建
df1 = pd.DataFrame({
"name":["小明","小红","小孙","王小","关宇","刘蓓","张菲"],
"age":[20,18,27,20,28,18,25],
"sex":["男","女","男","男","男","女","女"],
"score":[669,570,642,590,601,619,701],
"address":["北京","深圳","广州","武汉","深圳","广州","长沙"]
})
df1
数据如下图：
image
方式2：从本地文件中读取进来。现在本地有一个文件：学生信息.xlsx直接通过pd.read_excel()读进来：
df2 = pd.read_excel("学生信息.xlsx")
df2
image
可以看到效果和上面是一样的
使用技巧2-数据探索
查看数据shape
shape表示数据是由多少行和列组成：
df1.shape # (7,5)
查看字段属性名称
df1.columns
image
查看属性的数据类型
df1.dtypes
image
可以看到只有两种数据类型：int64和object
查看数据是否缺失
df1.isnull() # 如果缺失显示为True，否则显示False
image
df1.isnull().sum() # 统计缺失值的个数。一个True计数一次
image
结果显示：本次数据是没有缺失值的
查看数据行索引
df1.index
image
查看数据描述信息
df1.describe
image
查看数据统计值
统计值信息只会显示类型为数值型的数据统计值信息：
df1.describe()
image
统计值的结果包含：个数count、均值mean、方差std、最值min\max、四分位数25%、中位数50%、四分之三分位数75%。
使用技巧3-查看头尾文件
通过head和tail方法能够快速查看数据的头尾文件。
head
df1.head() # 默认是查看前5行数据
df1.head(3) # 指定显示的行数
tail
df1.tail() # 默认尾部5行
df1.tail(3) # 指定尾部3行数据
使用技巧4-花样取数
从pandas的DataFrame数据框中取出我们想要的数据，然后进行处理
取出某个字段的数据
我们取出name这列的数据：
name = df1["name"]
name
# 结果
0 小明
1 小红
2 小孙
3 王小
4 关宇
5 刘蓓
6 张菲
Name: name, dtype: object
取出多个字段的数据
比如我们取出name和age列的数据：
name_age = df1[["name","age"]]
name_age
# 结果
name age
0 小明 20
1 小红 18
2 小孙 27
3 王小 20
4 关宇 28
5 刘蓓 18
6 张菲 25
根据字段类型选择数据
比如，我们想选择字段类型为int64的数据，通过查看的字段数据类型显示：age和score都是int64类型
1、选择单个数据类型
# 1、选择单个数据类型
df1.select_dtypes(include='int64')
# 结果
age score
0 20 669
1 18 570
2 27 642
3 20 590
4 28 601
5 18 619
6 25 701
2、同时选择多个类型
df1.select_dtypes(include=['int64','object'])
# 结果
name age sex score address
0 小明 20 男 669 北京
1 小红 18 女 570 深圳
2 小孙 27 男 642 广州
3 王小 20 男 590 武汉
4 关宇 28 男 601 深圳
5 刘蓓 18 女 619 广州
6 张菲 25 女 701 长沙
因为数据中只有int64,object，所以我们全部选出来了。
3、选择排除某些数据类型之外的数据：
# 选择除了int64类型之外的数据
# 排除name和score字段之外的数据
df1.select_dtypes(exclude='int64')
# 结果
name sex address
0 小明 男 北京
1 小红 女 深圳
2 小孙 男 广州
3 王小 男 武汉
4 关宇 男 深圳
5 刘蓓 女 广州
6 张菲 女 长沙
根据数值大小取数
1、直接通过判断大小来取数：
df1[df1["age"] == 20] # 年龄等于20
df1[df1["age"] != 20] # 年龄不等于20
df1[df1["age"] >= 20] # 年龄大于等于20
2、多个判断条件连用
image
第一次使用上面的方法报错：关键词是ambiguous。判断条件很让pandas混淆，改成下面的写法成功解决：
df1[(df1["age"] >= 20) & (df1["age"] < 27)]
image
根据字符串取数
1、通过单个条件取数
# 1、单条数据
df1[df1["name"] == "小明"]
# 结果
name age sex score address
0 小明 20 男 669 北京
2、通过多个条件取数
选择姓名是小明，或者年龄大于25的数据
df1[(df1["name"] == "小明") | (df1["age"] > 25)]
# 结果
name age sex score address
0 小明 20 男 669 北京
2 小孙 27 男 642 广州
4 关宇 28 男 601 深圳
3、字符串的开始、结尾、包含函数
- str.startswith(string)
- str.endswith(string)
- str.contains(string)
# 1、取出以“小”开头的姓名
df1[df1["name"].str.startswith("小")] # name以"小"开头
# 结果
name age sex score address
0 小明 20 男 669 北京
1 小红 18 女 570 深圳
2 小孙 27 男 642 广州
# 以“关”开始
df1[df1["name"].str.startswith("关")]
# 结果
name age sex score address
4 关宇 28 男 601 深圳
# 3、以“菲”结尾
df1[df1["name"].str.endswith("菲")]
# 结果
name age sex score address
6 张菲 25 女 701 长沙
# 取出包含“小”的数据：不管小是在开头，还是结尾都会被选出来
df1[df1["name"].str.contains("小")]
# 结果
name age sex score address
0 小明 20 男 669 北京
1 小红 18 女 570 深圳
2 小孙 27 男 642 广州
3 王小 20 男 590 武汉
上面的王小不是小开头，但是包含小，所以也被选出来。
4、字符串取反操作
取反符号是波浪线：~
下面的例子是：取出名字name中不包含小的数据，只有3个人名字中没有小字。
# 取出不包含小的数据
df1[~df1["name"].str.contains("小")]
# 结果
name age sex score address
4 关宇 28 男 601 深圳
5 刘蓓 18 女 619 广州
6 张菲 25 女 701 长沙
使用技巧5-切片取数
切片是Python中存在的概念，在pandas中同样可以使用。切片中存在3个概念：start、stop、step
- start：起始索引，包含
- stop：结束索引，不包含
- step：步长，可正可负；
写法为：[start:stop:step]
步长为正数
1、通过下面的3个案例说明：起始索引默认从0开始，步长默认是1
image
image
2、指定起始索引，不指定结束索引，表示一直取到数据末尾
df1[4:] # 从索引4开始取到末尾
# 结果
name age sex score address
4 关宇 28 男 601 深圳
5 刘蓓 18 女 619 广州
6 张菲 25 女 701 长沙
3、改变步长的值
df1[0:4:2] # 改变步长：每隔2个值取一行数据
# 结果
name age sex score address
0 小明 20 男 669 北京
2 小孙 27 男 642 广州
上面的例子不指定起始索引：
df1[:4:2] # 默认从0开始
4、只指定步长
df1[::2] # 从头到尾，步长为2
# 结果
name age sex score address
0 小明 20 男 669 北京
2 小孙 27 男 642 广州
4 关宇 28 男 601 深圳
6 张菲 25 女 701 长沙
步长为负数
1、步长为-1，默认是倒序输出结果
df1[::-1] # 倒序输出
# 结果
name age sex score address
6 张菲 25 女 701 长沙
5 刘蓓 18 女 619 广州
4 关宇 28 男 601 深圳
3 王小 20 男 590 武汉
2 小孙 27 男 642 广州
1 小红 18 女 570 深圳
0 小明 20 男 669 北京
2、步长为负，指定起始和终止索引，起始索引大于终止索引
df1[4:0:-1]
name age sex score address
4 关宇 28 男 601 深圳
3 王小 20 男 590 武汉
2 小孙 27 男 642 广州
1 小红 18 女 570 深圳
3、起始和终止索引为负数
df1[-1:-5:-1] # 最后一行记录索引为-1，不包含索引为-5的数据
name age sex score address
6 张菲 25 女 701 长沙
5 刘蓓 18 女 619 广州
4 关宇 28 男 601 深圳
3 王小 20 男 590 武汉
使用技巧6-常用函数
统计元素个数
很多时候我们需要统计某个列中每个元素出现的个数，相当于是做词频统计，使用：value_counts()方法，具体案例为：
⚠️：新数据中df1增加了一列：班级class，后续有作用
image
比如我们想统计每个城市出现了多少次：
# 统计中每个城市各出现了多少次
address = df1["address"].value_counts()
address
image
结果自动是降序排列的Series类型数据
索引重置
索引重置使用reset_index()：
address_new = address.reset_index()
address_new
image
还比如我们想从数据中单独取出sex="男"的数据：
fale = df1[df1["sex"] == "男"]
fale
image
我们观察到数据前面的索引还是原来的，但是我们希望的是从0开始显示，比较符合我们的习惯：
fale_1 = fale.reset_index()
fale_1
image
出现的结果中索引是我们想要的结果，但是出现了一列新的数据，就是原来的索引构成的数据，这不是我们想要的数据，需要去除：
fale_1 = fale.reset_index(drop=True) # 加上参数即可解决
fale_1
image
属性重命名
使用的是rename函数，传入columsn参数：
address_new = address_new.rename(columns={"index":"address",
"address":"number"
})
address_new
image
groupby使用
groupby主要是实现分组统计的功能：
1、比如我们想统计男女各自的总分
image
# 统计男女的总成绩：sum
sex_score = df1.groupby("sex")["score"].sum()
sex_score
image
2、求男女各自的平均分mean
# 统计男女的平均成绩：mean
sex_score = df1.groupby("sex")["score"].mean()
sex_score
image
3、根据男女性别sex、班级class求总分
# 先根据性别、班级求总分
sex_class = df1.groupby(["sex","class"])["score"].sum()
sex_class
image
一行代码实现上面的功能：
# 一行代码实现
df1.groupby(["sex","class"])["score"].sum().reset_index()
image
apply函数
还是上面的df1数据集：
image
1、需求1：我们想将性别中的男变成1，女变成0
# 1、改变：男-1，女-0
df2 = df1.copy() # 生成一个副本
df2["sex"] = df2["sex"].apply(lambda x: 1 if x=="男" else 0) # 通过匿名函数解决
df2
image
我们还可以自定义一个函数来实现：
# 自定义函数
def apply_sex(x):
return 1 if x == "男" else 0
df3 = df1.copy() # 生成一个副本df3
df3["sex"] = df3["sex"].apply(apply_sex) # 通过自定义函数解决
df3
image
2、还比如我们想给每个城市的后面加上一个“市”，变成北京市、深圳市等：
# 2、给每个城市加上一个字：市，变成北京市、深圳市等
df4 = df1.copy()
df4["address"] = df4["address"].apply(lambda x: x + "市")
df4
image
总结
本文中从pandas中DataFrame数据的创建，常见数据信息的探索，再到如何从数据框中获取到我们指定的数据，最后介绍了笔者常用的处理数据的方法，希望对入门或者对不熟悉pandas的朋友有所帮助。Pandas真的是十分强大，学好之后会大大节省我们处理数据的时间。
网友评论