万字保姆级Pandas核心知识操作大全

👆点击关注｜设为星标｜干货速递👆

分享最近常用到pandas做数据处理和分析，特意总结了以下常用内容。

pandas常用速查

引入依赖

       # 导入模块
       import pymysql
       import pandas as pd
       import numpy as np
       import time
       # 数据库
       from sqlalchemy import create_engine
       # 可视化
       import matplotlib.pyplot as plt
       # 如果你的设备是配备Retina屏幕的mac，可以在jupyter notebook中，使用下面一行代码有效提高图像画质
       %config InlineBackend.figure_format = 'retina'
       # 解决 plt 中文显示的问题 mymac
       plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
       # 设置显示中文 需要先安装字体 aistudio
       plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
       plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
       import seaborn as sns
       # notebook渲染图片
       %matplotlib inline
       import pyecharts
       # 忽略版本问题
       import warnings
       warnings.filterwarnings("ignore")
   
  

   
  
  

       # 下载中文字体
       !wget https://mydueros.cdn.bcebos.com/font/simhei.ttf
       # 将字体文件复制到 matplotlib'字体路径
       !cp simhei.ttf /opt/conda/envs/python35-paddle120-env/Lib/python3,7/site-packages/matplotib/mpl-data/fonts.
       # 一般只需要将字体文件复制到系统字体田录下即可,但是在 studio上该路径没有写权限,所以此方法不能用
       # !cp simhei. ttf /usr/share/fonts/
       # 创建系统字体文件路径
       !mkdir .fonts
       # 复制文件到该路径
       !cp simhei.ttf .fonts/
       !rm -rf .cache/matplotlib
   
  

算法相关依赖

       # 数据归一化
       from sklearn.preprocessing import MinMaxScaler
       # kmeans聚类
       from sklearn.cluster import KMeans
       # DBSCAN聚类
       from sklearn.cluster import DBSCAN
       # 线性回归算法
       from sklearn.linear_model import LinearRegression
       # 逻辑回归算法
       from sklearn.linear_model import LogisticRegression
       # 高斯贝叶斯
       from sklearn.naive_bayes import GaussianNB
       # 划分训练/测试集
       from sklearn.model_selection import train_test_split
       # 准确度报告
       from sklearn import metrics
       # 矩阵报告和均方误差
       from sklearn.metrics import classification_report, mean_squared_error
   
  

   
  
  

获取数据

       from sqlalchemy import create_engine
       engine = create_engine('mysql+pymysql://root:root@127.0.0.1:3306/ry?charset=utf8')
       # 查询插入后相关表名及行数
       result_query_sql = "use information_schema;"
       engine.execute(result_query_sql)
       result_query_sql = "SELECT table_name,table_rows FROM tables WHERE TABLE_NAME LIKE 'log%%' order by table_rows desc;"
       df_result = pd.read_sql(result_query_sql, engine)
   
  

生成df

       # list转df
       df_result = pd.DataFrame(pred,columns=['pred'])
       df_result['actual'] = test_target
       df_result
       # df取子df
       df_new = df_old[['col1','col2']]
       # dict生成df
       df_test = pd.DataFrame({'A':[0.587221, 0.135673, 0.135673, 0.135673, 0.135673],
                               'B':['a', 'b', 'c', 'd', 'e'],
                               'C':[1, 2, 3, 4, 5]})
       # 指定列名
       data = pd.DataFrame(dataset.data, columns=dataset.feature_names)
       # 使用numpy生成20个指定分布(如标准正态分布)的数
       tem = np.random.normal(0, 1, 20)
       df3 = pd.DataFrame(tem)
       # 生成一个和df长度相同的随机数dataframe
       df1 = pd.DataFrame(pd.Series(np.random.randint(1, 10, 135)))
   
  

   
  
  

重命名列

       # 重命名列
       data_scaled = data_scaled.rename(columns={'本体油位': 'OILLV'})
   
  

增加列

       # df2df
       df_jj2yyb['r_time'] = pd.to_datetime(df_jj2yyb['cTime'])
       # 新增一列根据salary将数据分为3组
       bins = [0,5000, 20000, 50000]
       group_names = ['低', '中', '高']
       df['categories'] = pd.cut(df['salary'], bins, labels=group_names)
   
  

缺失值处理

       # 检查数据中是否含有任何缺失值
       df.isnull().values.any()
       # 查看每列数据缺失值情况
       df.isnull().sum()
       # 提取某列含有空值的行
       df[df['日期'].isnull()]
       # 输出每列缺失值具体行数
       for i in df.columns:
           if df[i].count() != len(df):
               row = df[i][df[i].isnull().values].index.tolist()
               print('列名："{}", 第{}行位置有缺失值'.format(i,row))
       # 众数填充
       heart_df['Thal'].fillna(heart_df['Thal'].mode(dropna=True)[0], inplace=True)
       # 连续值列的空值用平均值填充
       dfcolumns = heart_df_encoded.columns.values.tolist()
       for item in dfcolumns:
           if heart_df_encoded[item].dtype == 'float':
              heart_df_encoded[item].fillna(heart_df_encoded[item].median(), inplace=True)
   
  

   
  
  

独热编码

df_encoded = pd.get_dummies(df_data)
  

替换值

       # 按列值替换
       num_encode = {
           'AHD': {'No':0, "Yes":1},
       }
       heart_df.replace(num_encode,inplace=True)
   
  

删除列

df_jj2.drop(['coll_time', 'polar', 'conn_type', 'phase', 'id', 'Unnamed: 0'],axis=1,inplace=True)
  

groupby

       # 0.从sklearn加载iris数据集
       from sklearn import datasets
       # 加载数据集和目标
       data, target = datasets.load_iris(return_X_y=True, as_frame=True)
       # 合并数据集和目标
       iris = pd.concat([data, target], axis=1, sort=False)
       iris
       # 创建groupby对象
       iris_gb = iris.groupby('target')
       # 1. 创建频率表，输出每个类中数量多少
       iris_gb.size()
       # 2. 计算常用的描述统计量
       # min、max()、medianhe、std等
       # 计算均值
       iris_gb.mean()
       # 单列
       iris_gb['sepal length (cm)'].mean()
       # 双列
       iris_gb[['sepal length (cm)', 'sepal width (cm)']].mean()
       # 3. 查找最大值（最小值）索引
       iris_gb.idxmax()
       # 按sepal_length最大值这个条件进行了筛选
       sepal_largest = iris.loc[iris_gb['sepal length (cm)'].idxmax()]
       # 4. Groupby之后重置索引
       iris_gb.max().reset_index()
       # ↑↓二者效果相同
       iris.groupby('target', as_index=False).max()
       # 5. 多种统计量汇总，聚合函数agg
       iris_gb[['sepal length (cm)', 'sepal width (cm)']].agg(["min", "mean"])
       # 6.特定列的聚合
       # 为不同的列单独设置不同的统计量
       iris_gb.agg({"sepal length (cm)": ["min", "max"], "sepal width (cm)": ["mean", "std"]})
       # 7. NamedAgg命名统计量
       # 把每个列下面的统计量和列名分别合并起来。可以使用NamedAgg来完成列的命名
       iris_gb.agg(
            sepal_min=pd.NamedAgg(column="sepal length (cm)", aggfunc="min"),
            sepal_max=pd.NamedAgg(column="sepal length (cm)", aggfunc="max"),
            petal_mean=pd.NamedAgg(column="petal length (cm)", aggfunc="mean"),
            petal_std=pd.NamedAgg(column="petal length (cm)", aggfunc="std")
        )
       # 下述更简洁
       iris_gb.agg(
           sepal_min=("sepal length (cm)", "min"),
           sepal_max=("sepal length (cm)", "max"),
           petal_mean=("petal length (cm)", "mean"),
           petal_std=("petal length (cm)", "std")
       )
       # 8. 使用自定义函数
       iris_gb.agg(pd.Series.mean)
       # 不仅如此，名称和功能对象也可一起使用。
       iris_gb.agg(["min", pd.Series.mean])
       # 我们还可以自定义函数，也都是可以的。
       def double_length(x):
           return 2*x.mean()
       iris_gb.agg(double_length)
       # 如果想更简洁，也可以使用lambda函数。总之，用法非常灵活，可以自由组合搭配。
       iris_gb.agg(lambda x: x.mean())
   
  

   
  
  

透视表

       import numpy as np
       import pandas as pd
       import seaborn as sns
       titanic = sns.load_dataset('titanic')
       titanic.pivot_table(index='sex', columns='class')
       # 默认对所有列进行聚合，这时我们给与values参数，只计算想要的结果
       agg = pd.cut(titanic["age"],[0,18,80]) # 对年龄数据列进行分段，便于观看
       titanic.pivot_table(index=['sex','age'], columns='class',values=['survived','fare'])
       # 在实际使用中，并不一定每次都要均值，使用aggfunc指定累计函数
       titanic.pivot_table(index='sex', columns='class',aggfunc={'survived':sum, 'fare':'mean'})
       # 当需要计算每一组的总数时，可以通过margins 参数来设置：
       # margin 的标签可以通过margins_name 参数进行自定义，默认值是"All"。
       titanic.pivot_table('survived', index='sex', columns='class', margins=True)
   
  

   
  
  

数据筛选

       # 取第33行数据
       df.iloc[32]
       # 某列以xxx字符串开头
       df_jj2 = df_512.loc[df_512["transformer"].str.startswith('JJ2')]
       df_jj2yya = df_jj2.loc[df_jj2["变压器编号"]=='JJ2YYA']
       # 提取第一列中不在第二列出现的数字
       df['col1'][~df['col1'].isin(df['col2'])]
       # 查找两列值相等的行号
       np.where(df.secondType == df.thirdType)
       # 包含字符串
       results = df['grammer'].str.contains("Python")
       # 提取列名
       df.columns
       # 查看某列唯一值（种类）
       df['education'].nunique()
       # 删除重复数据
       df.drop_duplicates(inplace=True)
       # 某列等于某值
       df[df.col_name==0.587221]
       # df.col_name==0.587221 各行判断结果返回值(True/False)
       # 查看某列唯一值及计数
       df_jj2["变压器编号"].value_counts()
       # 时间段筛选
       df_jj2yyb_0501_0701 = df_jj2yyb[(df_jj2yyb['r_time'] >=pd.to_datetime('20200501')) & (df_jj2yyb['r_time'] <= pd.to_datetime('20200701'))]
       # 数值筛选
       df[(df['popularity'] > 3) & (df['popularity'] < 7)]
       # 按数据类型选择列
       df = pd.DataFrame({'a': [1, 2] * 3,
                          'b': [True, False] * 3,
                          'c': [1.0, 2.0] * 3})
       print('df:', df)
       # 输出包含 bool 数据类型的列
       print('输出包含 bool 数据类型的列:', df.select_dtypes(include='bool'))
       # 输出包含小数数据类型的列
       print('输出包含小数数据类型的列:', df.select_dtypes(include=['float64']))
       # 输出排除整数的列
       print('输出包含小数数据类型的列:', df.select_dtypes(exclude=['int64']))
       # 某列字符串截取
       df['Time'].str[0:8]
       # 随机取num行
       ins_1 = df.sample(n=num)
       # 数据去重
       df.drop_duplicates(['grammer'])
       # 按某列排序(降序)
       df.sort_values("popularity",inplace=True, ascending=False)
       # 取某列最大值所在行
       df[df['popularity'] == df['popularity'].max()]
       # 取某列最大num行
       df.nlargest(num,'col_name')
       # 最大num列画横向柱形图
       df.nlargest(10).plot(kind='barh')
   
  

   
  
  

差值计算

       # axis=0或index表示上下移动， periods表示移动的次数，为正时向下移，为负时向上移动。
       print(df.diff( periods=1, axis=‘index‘))
       print(df.diff( periods=-1, axis=0))
       # axis=1或columns表示左右移动，periods表示移动的次数，为正时向右移，为负时向左移动。
       print(df.diff( periods=1, axis=‘columns‘))
       print(df.diff( periods=-1, axis=1))
       # 变化率计算
       data['收盘价(元)'].pct_change()
       # 以5个数据作为一个数据滑动窗口，在这个5个数据上取均值
       df['收盘价(元)'].rolling(5).mean()
   
  

数据修改

       # 删除最后一行
       df = df.drop(labels=df.shape[0]-1)
       # 添加一行数据['Perl',6.6]
       row = {'grammer':'Perl','popularity':6.6}
       df = df.append(row,ignore_index=True)
       # 某列小数转百分数
       df.style.format({'data': '{0:.2%}'.format})
       # 反转行
       df.iloc[::-1, :]
       # 以两列制作数据透视
       pd.pivot_table(df,values=["salary","score"],index="positionId")
       # 同时对两列进行计算
       df[["salary","score"]].agg([np.sum,np.mean,np.min])
       # 对不同列执行不同的计算
       df.agg({"salary":np.sum,"score":np.mean})
   
  

   
  
  

时间格式转换

       # 时间戳转时间字符串
       df_jj2['cTime'] =df_jj2['coll_time'].apply(lambda x: time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(x)))
       # 时间字符串转时间格式
       df_jj2yyb['r_time'] = pd.to_datetime(df_jj2yyb['cTime'])
       # 时间格式转时间戳
       dtime = pd.to_datetime(df_jj2yyb['r_time'])
       v = (dtime.values - np.datetime64('1970-01-01T08:00:00Z')) / np.timedelta64(1, 'ms')
       df_jj2yyb['timestamp'] = v
   
  

设置索引列

df_jj2yyb_small_noise = df_jj2yyb_small_noise.set_index('timestamp')
  

折线图

       fig, ax = plt.subplots()
       df.plot(legend=True, ax=ax)
       plt.legend(loc=1)
       plt.show()
   
  

       plt.figure(figsize=(20, 6))
       plt.plot(max_iter_list, accuracy, color='red', marker='o',
                markersize=10)
       plt.title('Accuracy Vs max_iter Value')
       plt.xlabel('max_iter Value')
       plt.ylabel('Accuracy')
   
  

散点图

       plt.scatter(df[:, 0], df[:, 1], c="red", marker='o', label='lable0')
       plt.xlabel('x')
       plt.ylabel('y')
       plt.legend(loc=2)
       plt.show()
   
  

柱形图

       df = pd.Series(tree.feature_importances_, index=data.columns)
       # 取某列最大Num行画横向柱形图
       df.nlargest(10).plot(kind='barh')
   
  

热力图

       df_corr = combine.corr()
       plt.figure(figsize=(20,20))
       g=sns.heatmap(df_corr,annot=True,cmap="RdYlGn")
   
  

66个最常用的pandas数据分析函数

       df #任何pandas DataFrame对象
       s #任何pandas series对象
   
  

从各种不同的来源和格式导入数据

       pd.read_csv(filename) # 从CSV文件
       pd.read_table(filename) # 从分隔的文本文件（例如CSV）中
       pd.read_excel(filename) # 从Excel文件
       pd.read_sql(query, connection_object) # 从SQL表/数据库中读取
       pd.read_json(json_string) # 从JSON格式的字符串，URL或文件中读取。
       pd.read_html(url) # 解析html URL，字符串或文件，并将表提取到数据帧列表
       pd.read_clipboard() # 获取剪贴板的内容并将其传递给 read_table()
       pd.DataFrame(dict) # 从字典中，列名称的键，列表中的数据的值
   
  

导出数据

       df.to_csv(filename) # 写入CSV文件
       df.to_excel(filename) # 写入Excel文件
       df.to_sql(table_name, connection_object) # 写入SQL表
       df.to_json(filename) # 以JSON格式写入文件
   
  

创建测试对象

       pd.DataFrame(np.random.rand(20,5))               # 5列20行随机浮点数 pd.Series(my_list)                               # 从一个可迭代的序列创建一个序列 my_list
       df.index = pd.date_range('1900/1/30', periods=df.shape[0]) # 添加日期索引
   
  

查看、检查数据

       df.head(n)                       # DataFrame的前n行
       df.tail(n)                       # DataFrame的最后n行
       df.shape                         # 行数和列数
       df.info()                        # 索引，数据类型和内存信息
       df.describe()                    # 数值列的摘要统计信息
       s.value_counts(dropna=False)     # 查看唯一值和计数
       df.apply(pd.Series.value_counts) # 所有列的唯一值和计数
   
  

数据选取

       使用这些命令选择数据的特定子集。
       df[col]               # 返回带有标签col的列
       df[[col1, col2]]      # 返回列作为新的DataFrame
       s.iloc[0]             # 按位置选择
       s.loc['index_one']    # 按索引选择
       df.iloc[0,:]          # 第一行
       df.iloc[0,0]          # 第一栏的第一元素
   
  

数据清理

       df.columns = ['a','b','c']                  # 重命名列
       pd.isnull()                                 # 空值检查，返回Boolean Arrray
       pd.notnull()                                # 与pd.isnull() 相反
       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)                  # 删除所有具有少于n个非null值的行
       df.fillna(x)                                # 将所有空值替换为x
       s.fillna(s.mean())                          # 用均值替换所有空值（均值可以用统计模块中的几乎所有函数替换 ）
       s.astype(float)                             # 将系列的数据类型转换为float
       s.replace(1,'one')                          # 1 用 'one'
       s.replace([1,3],['one','three'])            # 替换所有等于的值 替换为所有1 'one' ，并 3 用 'three' df.rename(columns=lambda x: x + 1)          # 列的重命名
       df.rename(columns={'old_name': 'new_ name'})# 选择性重命名
       df.set_index('column_one')                  # 更改索引
       df.rename(index=lambda x: x + 1)            # 大规模重命名索引
   
  

筛选，排序和分组依据

       df[df[col] > 0.5]                      # 列 col 大于 0.5 df[(df[col] > 0.5) & (df[col] < 0.7)]  # 小于 0.7 大于0.5的行
       df.sort_values(col1)                   # 按col1升序对值进行排序
       df.sort_values(col2,ascending=False)   # 按col2 降序对值进行 排序
       df.sort_values([col1,col2],ascending=[True,False]) #按 col1 升序排序，然后 col2 按降序排序
       df.groupby(col)                        #从一个栏返回GROUPBY对象
       df.groupby([col1,col2]) # 返回来自多个列的groupby对象
       df.groupby(col1)[col2]                 # 返回中的值的平均值 col2，按中的值分组 col1 （平均值可以用统计模块中的几乎所有函数替换 ）
       df.pivot_table(index=col1,values=[col2,col3],aggfunc=mean) # 创建一个数据透视表组通过 col1 ，并计算平均值的 col2 和 col3
       df.groupby(col1).agg(np.mean)          # 在所有列中找到每个唯一col1 组的平均值
       df.apply(np.mean)                      #np.mean() 在每列上应用该函数
       df.apply(np.max,axis=1)                # np.max() 在每行上应用功能
   
  

数据合并

       df1.append(df2)                   # 将df2添加 df1的末尾 （各列应相同）
       pd.concat([df1, df2],axis=1)      # 将 df1的列添加到df2的末尾 （行应相同）
       df1.join(df2,on=col1,how='inner') # SQL样式将列 df1 与 df2 行所在的列col 具有相同值的列连接起来。'how'可以是一个 'left'， 'right'， 'outer'， 'inner'
   
  

数据统计

       df.describe()    # 数值列的摘要统计信息
       df.mean()        # 返回均值的所有列
       df.corr()        # 返回DataFrame中各列之间的相关性
       df.count()       # 返回非空值的每个数据帧列中的数字
       df.max()         # 返回每列中的最高值
       df.min()         # 返回每一列中的最小值
       df.median()      # 返回每列的中位数
       df.std()         # 返回每列的标准偏差
   
  

16个函数，用于数据清洗

       # 导入数据集
       import pandas as pd
       df ={'姓名':[' 黄同学','黄至尊','黄老邪 ','陈大美','孙尚香'],
            '英文名':['Huang tong_xue','huang zhi_zun','Huang Lao_xie','Chen Da_mei','sun shang_xiang'],
            '性别':['男','women','men','女','男'],
            '身份证':['463895200003128433','429475199912122345','420934199110102311','431085200005230122','420953199509082345'],
            '身高':['mid:175_good','low:165_bad','low:159_bad','high:180_verygood','low:172_bad'],
            '家庭住址':['湖北广水','河南信阳','广西桂林','湖北孝感','广东广州'],
            '电话号码':['13434813546','19748672895','16728613064','14561586431','19384683910'],
            '收入':['1.1万','8.5千','0.9万','6.5千','2.0万']}
       df = pd.DataFrame(df)
       df
   
  

1.cat函数

用于字符串的拼接

df["姓名"].str.cat(df["家庭住址"],sep='-'*3)
  

2.contains

判断某个字符串是否包含给定字符

df["家庭住址"].str.contains("广")
  

3.startswith/endswith

判断某个字符串是否以…开头/结尾

       # 第一个行的“ 黄伟”是以空格开头的
       df["姓名"].str.startswith("黄")
       df["英文名"].str.endswith("e")
   
  

4.count

计算给定字符在字符串中出现的次数

df["电话号码"].str.count("3")
  

5.get

获取指定位置的字符串

       df["姓名"].str.get(-1)
       df["身高"].str.split(":")df["身高"].str.split(":").str.get(0)
   
  

6.len

计算字符串长度

df["性别"].str.len()
  

7.upper/lower

英文大小写转换

       df["英文名"].str.upper()
       df["英文名"].str.lower()
   
  

8.pad+side参数/center

在字符串的左边、右边或左右两边添加给定字符

       df["家庭住址"].str.pad(10,fillchar="*")      # 相当于ljust()
       df["家庭住址"].str.pad(10,side="right",fillchar="*")    # 相当于rjust()
       df["家庭住址"].str.center(10,fillchar="*")
   
  

9.repeat

重复字符串几次

df["性别"].str.repeat(3)
  

10.slice_replace

使用给定的字符串，替换指定的位置的字符

df["电话号码"].str.slice_replace(4,8,"*"*4)
  

11.replace

将指定位置的字符，替换为给定的字符串

df["身高"].str.replace(":","-")
  

12.replace

将指定位置的字符，替换为给定的字符串(接受正则表达式)

• replace中传入正则表达式，才叫好用；

• 先不要管下面这个案例有没有用，你只需要知道，使用正则做数据清洗多好用；

df["收入"].str.replace("\d+\.\d+","正则")
  

13.split方法+expand参数

搭配join方法功能很强大

       # 普通用法
       df["身高"].str.split(":")
       # split方法，搭配expand参数
       df[["身高描述","final身高"]] = df["身高"].str.split(":",expand=True)
       df
       # split方法搭配join方法
       df["身高"].str.split(":").str.join("?"*5)
   
  

14.strip/rstrip/lstrip

去除空白符、换行符

       df["姓名"].str.len()
       df["姓名"] = df["姓名"].str.strip()
       df["姓名"].str.len()
   
  

15.findall

利用正则表达式，去字符串中匹配，返回查找结果的列表

• findall使用正则表达式，做数据清洗，真的很香！

       df["身高"]
       df["身高"].str.findall("[a-zA-Z]+")
   
  

16.extract/extractall

接受正则表达式，抽取匹配的字符串(一定要加上括号)

       df["身高"].str.extract("([a-zA-Z]+)")
       # extractall提取得到复合索引
       df["身高"].str.extractall("([a-zA-Z]+)")
       # extract搭配expand参数
       df["身高"].str.extract("([a-zA-Z]+).*?([a-zA-Z]+)",expand=True)
   
  

来源：https://github.com/SeafyLiang/Python_study

推荐阅读  点击标题可跳转

• Python 学习手册

• Pandas 学习大礼包

• 100+ Python 爬虫项目

• 100 道 Python 经典练习题

• Python 数据分析入门手册

• 2022最强Python学习神器来了

• 70 个 Python 经典实用练手项目

• 20张高清数据分析(Python)全知识地图

• 14 张 Python 速查表玩转数据分析&机器学习