pandas常用知识一、读取csv文件为dataframe
二、dataframe的数据概况
三、取列数据
四、取行数据
五、取某一单元格数据
六、缺失值处理
七、归一化处理
八、排序
九、索引重新编号
十、求均值
十一、矢量化操作(批量操作)
十二、透视表 一、读取csv文件为dataframepandas很好的一点是,可以操作表文件。输出为dataframe格式,这点很nice。 使用pandas.read_csv()读取csv文件,输出为dataframe格式数据。 这里数据tran.csv数据集下载自kaggle网站。 import pandas as pd
filepath = r'/Users/suosuo/Desktop/titanic/train.csv' 输出结果 PassengerId Survived Pclass 0 1 0 3
1 2 1 1
2 3 1 3
Name Sex Age SibSp 0 Braund, Mr. Owen Harris male 22.0 1
1 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0 1
2 Heikkinen, Miss. Laina female 26.0 0
Parch Ticket Fare Cabin Embarked
0 0 A/5 21171 7.2500 NaN S
1 0 PC 17599 71.2833 C85 C
2 0 STON/O2. 3101282 7.9250 NaN S 检查数据类型#检测下数据格式是否为DataFrame 运行结果<class 'pandas.core.frame.DataFrame'> 二、 DataFrame数据概况我们想知道数据如下知识: 1. 展示dataframe前后几条记录 2. 显示dataframe的列名字 3. 查看dataframe的维度情况(几行几列) 2.1展示dataframe前后几行#展示前两条记录(根据需要显示条数) 运行结果
#展示后三条记录 运行结果
2.2展示dataframe列名#展示列名 运行结果Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',
'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'],
dtype='object') #查看下col_namesgeshi 运行结果pandas.indexes.base.Index #将col_names转化为list 运行结果['PassengerId',
'Survived',
'Pclass',
'Name',
'Sex',
'Age',
'SibSp',
'Parch',
'Ticket',
'Fare',
'Cabin',
'Embarked'] 三、从dataframe中取列数据使用dataframe[column_name],返回series格式数据。 series序列数据类似于list,你可以近似等同于list。 只不过返回数据中会多一列index索引。如下面的左侧数字序号 2.1 取一列数据#这里我们一列,如取Name列数据 运行结果0 Braund, Mr. Owen Harris
1 Cumings, Mrs. John Bradley (Florence Briggs Th...
2 Heikkinen, Miss. Laina
3 Futrelle, Mrs. Jacques Heath (Lily May Peel)
4 Allen, Mr. William Henry
Name: Name, dtype: object 2.2取多列数据#这里返回的数据还是dataframe格式,为了方便也只显示前几条记录 运行结果
四、从dataframe中取行数据(记录)这里方法很多,有loc、iloc、ix。我就只写ix, 总之没必要学那么多,搞糊涂了,够用就好。 ix[row,col] 中括号中第一个参数row是行参数,你想选择的数据行数。 第二个参数col是列参数,选择你想要的列数据项。 4.1取一行数据#第一行所有数据 运行结果PassengerId 1
Survived 0
Pclass 3
Name Braund, Mr. Owen Harris
Sex male
Age 22
SibSp 1
Parch 0
Ticket A/5 21171
Fare 7.25
Cabin NaN
Embarked S
Name: 0, dtype: object 第一行的某几列数据col = ['Survived', 'Pclass', 'Sex'] 运行结果Survived 0
Pclass 3
Sex male
Name: 0, dtype: object 4.2取多行数据#取多行数据,所有列。这里我选择前5行,所有列. 运行结果
取多行,某几列df.ix[:5,col] 运行结果
五、取某一单元格数据会了三四节,这部分其实你已经会了。 比如我想获取 第一行第一列。df.ix[0,0] 第三行第七列。df.ix[2,6] df.ix[0,0] 运行结果1 df.ix[2,6] 运行结果0 六、缺失值处理缺失值一般标记为NaN,处理办法如下 df.dropna(axis) 默认直接使用df.dropna() axis=1,按照行进行缺失值处理 axis=0,按照列进行缺失值处理 df.dropna(axis=0,subset) axis=0,按照列方向处理subset中的列缺失值 subset=[column] subset含有一个或多个列名的的list 6.1按照行进行缺失值处理df.dropna(axis=1) #为了显示方便,只显示前五行。 运行结果
6.2按照列进行缺失值处理#按照列处理缺失值(为显示方便,只显示前5行) 运行结果
对指定列进行缺失值处理df.dropna(axis=0,subset=['Sex','Age']) 运行结果
七、归一化处理数据集中,不同的列的数据可能在不同量级,如果直接进行分析。模型会认为数字大的影响力大,数字小的影响力小。 最终结果可能导致量级小的变量被剔除出模型。因此需要将数据归一化,变成同一量级的数据,这就是归一化操作。 在这里我们只对一列操作下,其余列也需要操作,但为了方便,这里只写一列的归一化处理。 处理步骤:
#这里我们选Fare列进行归一化,先看下Fare的数据 运行结果0 7.2500
1 71.2833
2 7.9250
3 53.1000
4 8.0500
5 8.4583
6 51.8625
7 21.0750
8 11.1333
9 30.0708
Name: Fare, dtype: float64 这里我们选Fare列进行归一化max_value = df['Fare'].max() 运行结果512.32920000000001 归一化,并将数据传入新列new_Faredf['new_Fare']=df['Fare']/max_value
df['new_Fare'] 运行结果0 0.014151
1 0.139136
2 0.015469
3 0.103644
4 0.015713
5 0.016510
6 0.101229
7 0.041136
8 0.021731
9 0.058694
Name: new_Fare, dtype: float64 八、排序df.sort_values(col,inplace,ascending) col 对col列进行排序 inplace 布尔型值,是否原地操作。True时,操作结果覆盖掉原始数据,原始数据被修改.False时,新建一个新的数据,原始数据没有被修改 ascending 布尔型值。升序降序。 False降序,True升序 #对Age列进行降序操作,不修改原始数据 运行结果
九、索引重新将排序后的索引重新排序 df.reset_index(drop) drop 为布尔型值,True表示修改原始数据的索引。False保留原始数据索引序列。 df.reset_index(drop=False) 运行结果
十、求平均值10.1所有列的平均值信息df.mean() 运行结果PassengerId 446.000000
Survived 0.383838
Pclass 2.308642
Age 29.699118
SibSp 0.523008
Parch 0.381594
Fare 32.204208
new_Fare 0.062858
dtype: float64 10.2 单个列的平均值df['Age'].mean() 运行结果29.69911764705882 十一、矢量化操作(批量操作)一般对如list样式的数据批量操作,需要写循环,但是这样费时费力。 pandas基于numpy,可进行矢量化操作,一行就能完成复杂的循环语句,而且运行效率还很高。 11.1对Age列批量加10df['Age']+10).head 运行结果630 90.0
851 84.0
493 81.0
96 81.0
116 80.5
672 80.0
745 80.0
33 76.0
54 75.0
280 75.0
Name: Age, dtype: float64 11.2对Age列批量减20df['Age']-10 运行结果630 70.0
851 64.0
493 61.0
96 61.0
116 60.5
672 60.0
745 60.0
33 56.0
54 55.0
280 55.0
Name: Age, dtype: float64 十二、透视表类似groupby,这个透视表不好说是什么意思。大家直接看结果,好不?
围绕index参数列,分析各个col2,aggfunc是np函数,当然这里的aggfunc也可以是自定义函数。 #分析平均年龄对对生存率的影响。 运行结果Survived
0 30.626179
1 28.343690
Name: Age, dtype: float64 #分析仓位等级对生存率影响。0为死亡,1为生存。 Survived
0 2.531876
1 1.950292
Name: Pclass, dtype: float64
|
|