14个pandas神操作,手把手教你写代码

Karen110
• 阅读 901

「数仓宝贝库」,带你学数据!

导读:Pandas是Python数据分析的利器,也是各种数据建模的标准工具。本文带大家入门Pandas,将介绍Python语言、Python数据生态和Pandas的一些基本功能。

14个pandas神操作,手把手教你写代码

在Python语言应用生态中,数据科学领域近年来十分热门。作为数据科学中一个非常基础的库,Pandas受到了广泛关注。Pandas可以将现实中来源多样的数据进行灵活处理和分析。

0**1**

Pandas是什么

很多初学者可能有这样一个疑问:“我想学的是Python数据分析,为什么经常会被引导到Pandas上去?”虽然这两个东西都是以P开头的,但它们并不是同一个层面的东西。简单来说,Pandas是Python这门编程语言中一个专门用来做数据分析的工具,它们的关系如图1所示。接下来我们就说说Python是什么,Pandas又是什么。

14个pandas神操作,手把手教你写代码

图1 Pandas和Python的关系

Python简介

Python是一门强大的编程语言,它简单易学,提供众多高级数据结构,让我们可以面向对象编程。Python是一门解释型语言,语法优雅贴近人类自然语言,符合人类的认知习惯。

Python支持跨平台,能够运行在所有的常见操作系统上。Python在近期热门的大数据、科学研究、机器学习、人工智能等领域大显身手,并且几乎在所有领域都有应用,因此学习它十分划算。

Python由荷兰人吉多·范罗苏姆(Guido van Rossum)创造,第一版发布于1991年。关于为何有Python这个项目,吉多·范罗苏姆在1996年曾写道:6年前,也就是1989年12月,我在寻找一门“课余”编程项目来打发圣诞节前后的时间。到时我的办公室会关门,而我只有一台家用电脑,没有什么其他东西。我决定为我当时正在构思的新的脚本语言写一个解释器,它是ABC语言的后代,对UNIX/C程序员会有吸引力。当时我对项目叫什么名字并不太在乎,由于我是《蒙提·派森的飞行马戏团》的狂热爱好者,我就选择了用Python作为项目的名字。

《蒙提·派森的飞行马戏团》(Monty Python’s Flying Circus)是BBC播出的英国电视喜剧剧集,蒙提·派森(Monty Python)是创作该剧的六人喜剧团队,由此可见,Python虽原意为蟒蛇,但吉多·范罗苏姆用它来命名一门开发语言,并非出于他对蟒蛇的喜爱,大家不必恐惧。

Python 2.0于2000年10月16日发布。Python 3.0于2008年12月3日发布,此版不完全兼容之前的Python源代码。目前Python的正式版已经更新到3.9版本,且官方不再维护2.0版本,因此建议初学者(包括已经在学习的)至少从3.6版本开始学习Python,之后的版本功能差异不会太大。

Pandas简介

Pandas是使用Python语言开发的用于数据处理和数据分析的第三方库。它擅长处理数字型数据和时间序列数据,当然文本型的数据也能轻松处理。

作为Python的三方库,Pandas是建构在Python的基础上的,它封装了一些复杂的代码实现过程,我们只要调用它的方法就能轻松实现我们的需求。

Python中的库、框架、包意义基本相同,都是别人造好的轮子,我们可以直接使用,以减少重复的逻辑代码。正是由于有众多覆盖各个领域的框架,我们使用起Python来才能简单高效,而不用关注技术实现细节。

Pandas由Wes McKinney于2008年开发。McKinney当时在纽约的一家金融服务机构工作,金融数据分析需要一个健壮和超快速的数据分析工具,于是他就开发出了Pandas。

Pandas的命名跟熊猫无关,而是来自计量经济学中的术语“面板数据”(Panel data)。面板数据是一种数据集的结构类型,具有横截面和时间序列两个维度。不过,我们不必了解它,它只是一种灵感、思想来源。Pandas目前已经更新到1.2.1版本。

02

Pandas的使用人群

Pandas对数据的处理是为数据分析服务的,它所提供的各种数据处理方法、工具是基于数理统计学的,包含了日常应用中的众多数据分析方法。我们学习它不仅要掌控它的相应技术,还要从它的数据处理思路中学习数据分析的理论和方法。

特别地,如果你想要成为数据分析师、数据产品经理、数据开发工程师等与数据相关的工作者,学习Pandas能让你深入数据理论和实践,更好地理解和应用数据。

Pandas可以轻松应对白领们日常工作中的各种表格数据处理需求,还应用在金融、统计、数理研究、物理计算、社会科学、工程等领域。

Pandas可以实现复杂的处理逻辑,这些往往是Excel等工具无法完成的,还可以自动化、批量化,免去我们在处理相同的大量数据时的重复工作。

Pandas可以实现非常震撼的可视化效果,它对接众多令人赏心悦目的可视化库,可以实现动态数据交互效果。

03

Pandas的基本功能

Pandas常用的基本功能如下:

  • 从Excel、CSV、网页、SQL、剪贴板等文件或工具中读取数据;

  • 合并多个文件或者电子表格中的数据,将数据拆分为独立文件;

  • 数据清洗,如去重、处理缺失值、填充默认值、补全格式、处理极端值等;

  • 建立高效的索引;

  • 支持大体量数据;

  • 按一定业务逻辑插入计算后的列、删除列;

  • 灵活方便的数据查询、筛选;

  • 分组聚合数据,可独立指定分组后的各字段计算方式;

  • 数据的转置,如行转列、列转行变更处理;

  • 连接数据库,直接用SQL查询数据并进行处理;

  • 对时序数据进行分组采样,如按季、按月、按工作小时,也可以自定义周期,如工作日;

  • 窗口计算,移动窗口统计、日期移动等;

  • 灵活的可视化图表输出,支持所有的统计图形;

  • 为数据表格增加展示样式,提高数据识别效率。

04

Pandas快速入门

1、安装导入

首先安装pandas库。打开“终端”并执行以下命令:

pip install pandas matplotlib  

# 如网络慢,可指定国内源快速下载安装  

pip install pandas matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后,在终端中启动Jupyter Notebook,给文件命名,如pandas-01。在Jupyter Notebook中导入Pandas,按惯例起别名pd:

# 引入 Pandas库,按惯例起别名pd  

import pandas as pd

这样,我们就可以使用pd调用Pandas的所有功能了。

2、准备数据集

数据集(Data set或dataset),又称为资料集、数据集合或资料集合,是一种由数据组成的集合,可以简单理解成一个Excel表格。在分析处理数据时,我们要先了解数据集。对所持有数据各字段业务意义的理解是分析数据的前提。

介绍下我们后面会经常用的数据集team.xlsx,可以从网址 https://www.gairuo.com/file/data/dataset/team.xlsx下载。它的内容见表1。

表1 team.xlsx的部分内容

14个pandas神操作,手把手教你写代码

这是一个学生各季度成绩总表(节选),各列说明如下。

  • name:学生的姓名,这列没有重复值,一个学生一行,即一条数据,共100条。

  • team:所在的团队、班级,这个数据会重复。

  • Q1~Q4:各个季度的成绩,可能会有重复值。

3、读取数据

了解了数据集的意义后,我们将数据读取到Pandas里,变量名用df(DataFrame的缩写,后续会介绍),它是Pandas二维数据的基础结构。

import pandas as pd # 引入Pandas库,按惯例起别名pd  



# 以下两种效果一样,如果是网址,它会自动将数据下载到内存  

df = pd.read_excel('https://www.gairuo.com/file/data/dataset/team.xlsx')  

df = pd.read_excel('team.xlsx') # 文件在notebook文件同一目录下  

# 如果是CSV,使用pd.read_csv(),还支持很多类型的数据读取  

这样就把数据读取到变量df中,输入df看一下内容,在Jupyter Notebook中的执行效果如图2所示。

14个pandas神操作,手把手教你写代码

图2 读取数据的执行效果

其中:

  • 自动增加了第一列,是Pandas为数据增加的索引,从0开始,程序不知道我们真正的业务索引,往往需要后面重新指定,使它有一定的业务意义;

  • 由于数据量大,自动隐藏了中间部分,只显示前后5条;

  • 底部显示了行数和列数。

4、查看数据

读取完数据后我们来查看一下数据:

df.head() # 查看前5条,括号里可以写明你想看的条数  

df.tail() # 查看尾部5条  

df.sample(5) # 随机查看5条  

查看前5条时的结果如图3所示。

14个pandas神操作,手把手教你写代码

图3 查看df前5条数据

5、验证数据

拿到数据,我们还需要验证一下数据是否加载正确,数据大小是否正常。下面是一些常用的代码,可以执行看看效果(一次执行一行):

df.shape # (100, 6) 查看行数和列数  

df.info() # 查看索引、数据类型和内存信息  

df.describe() # 查看数值型列的汇总统计  

df.dtypes # 查看各字段类型  

df.axes # 显示数据行和列名  

df.columns # 列名  

df.info()显示有数据类型、索引情况、行列数、各字段数据类型、内存占用等:

df.info()  

<class 'pandas.core.frame.DataFrame'>  

RangeIndex: 100 entries, 0 to 99  

Data columns (total 6 columns):  

 #   Column  Non-Null Count  Dtype  

---  ------  --------------  -----  

 0   name    100 non-null    object  

 1   team    100 non-null    object  

 2   Q1      100 non-null    int64  

 3   Q2      100 non-null    int64  

 4   Q3      100 non-null    int64  

 5   Q4      100 non-null    int64  

dtypes: int64(4), object(2)  

memory usage: 4.8+ KB  

df.describe()会计算出各数字字段的总数(count)、平均数(mean)、标准差(std)、最小值(min)、四分位数和最大值(max):

Out:  

               Q1          Q2          Q3          Q4  

count  100.000000  100.000000  100.000000  100.000000  

mean    49.200000   52.550000   52.670000   52.780000  

std     29.962603   29.845181   26.543677   27.818524  

min      1.000000    1.000000    1.000000    2.000000  

25%     19.500000   26.750000   29.500000   29.500000  

50%     51.500000   49.500000   55.000000   53.000000  

75%     74.250000   77.750000   76.250000   75.250000  

max     98.000000   99.000000   99.000000   99.000000  

6、建立索引

以上数据真正业务意义上的索引是name列,所以我们需要使它成为索引:

df.set_index('name', inplace=True) # 建立索引并生效  

其中可选参数inplace=True会将指定好索引的数据再赋值给df使索引生效,否则索引不会生效。注意,这里并没有修改原Excel,从我们读取数据后就已经和它没有关系了,我们处理的是内存中的df变量。

将name建立索引后,就没有从0开始的数字索引了,如图4所示。

14个pandas神操作,手把手教你写代码

图4 将name设置为索引的执行效果

7、数据选取

接下来,我们像Excel那样,对数据做一些筛选操作。

(1)选择列

选择列的方法如下:

# 查看指定列  

df['Q1']  

df.Q1 # 同上,如果列名符合Python变量名要求,可使用  

显示如下内容:

df.Q1  

Out:  

0     89  

1     36  

2     57  

3     93  

4     65  

      ..  

95    48  

96    21  

97    98  

98    11  

99    21  

Name: Q1, Length: 100, dtype: int64  

这里返回的是一个Series类型数据,可以理解为数列,它也是带索引的。之前建立的索引在这里发挥出了作用,否则我们的索引是一个数字,无法知道与之对应的是谁的数据。

选择多列的可以用以下方法:

# 选择多列  

df[['team', 'Q1']] # 只看这两列,注意括号  

df.loc[:, ['team', 'Q1']] # 和上一行效果一样  

df.loc[x, y]是一个非常强大的数据选择函数,其中x代表行,y代表列,行和列都支持条件表达式,也支持类似列表那样的切片(如果要用自然索引,需要用df.iloc[])。下面的例子中会进行演示。

(2)选择行

选择行的方法如下:

# 用指定索引选取  

df[df.index == 'Liver'] # 指定姓名  



# 用自然索引选择,类似列表的切片  

df[0:3] # 取前三行  

df[0:10:2] # 在前10个中每两个取一个  

df.iloc[:10,:] # 前10个  

(3)指定行和列

同时给定行和列的显示范围:

df.loc['Ben', 'Q1':'Q4'] # 只看Ben的四个季度成绩  

df.loc['Eorge':'Alexander', 'team':'Q4'] # 指定行区间  

(4)条件选择

按一定的条件显示数据:

# 单一条件  

df[df.Q1 > 90] # Q1列大于90的  

df[df.team == 'C'] # team列为'C'的  

df[df.index == 'Oscar'] # 指定索引即原数据中的name  



# 组合条件  

df[(df['Q1'] > 90) & (df['team'] == 'C')] # and关系  

df[df['team'] == 'C'].loc[df.Q1>90] # 多重筛选  

8、排序

Pandas的排序非常方便,示例如下:

df.sort_values(by='Q1') # 按Q1列数据升序排列  

df.sort_values(by='Q1', ascending=False) # 降序  



df.sort_values(['team', 'Q1'], ascending=[True, False]) # team升序,Q1降序  

9、分组聚合

我们可以实现类似SQL的groupby那样的数据透视功能:

df.groupby('team').sum() # 按团队分组对应列相加  

df.groupby('team').mean() # 按团队分组对应列求平均  

# 不同列不同的计算方法  

df.groupby('team').agg({'Q1': sum,  # 总和  

                        'Q2': 'count', # 总数  

                        'Q3':'mean', # 平均  

                        'Q4': max}) # 最大值  

统一聚合执行后的效果如图5所示。

14个pandas神操作,手把手教你写代码

图5 按team分组后求平均数

不同计算方法聚合执行后的效果如图6所示。

14个pandas神操作,手把手教你写代码

图6 分组后每列用不同的方法聚合计算

10、数据转换

对数据表进行转置,对类似图6中的数据以A-Q1、E-Q4两点连成的折线为轴对数据进行翻转,效果如图7所示,不过我们这里仅用sum聚合。

df.groupby('team').sum().T  

14个pandas神操作,手把手教你写代码

图7 对聚合后的数据进行翻转

也可以试试以下代码,看有什么效果:

df.groupby('team').sum().stack()  

df.groupby('team').sum().unstack()  

11、增加列

用Pandas增加一列非常方便,就与新定义一个字典的键值一样。

df['one'] = 1 # 增加一个固定值的列  

df['total'] = df.Q1 + df.Q2 + df.Q3 + df.Q4 # 增加总成绩列  

# 将计算得来的结果赋值给新列  

df['total'] = df.loc[:,'Q1':'Q4'].apply(lambda x:sum(x), axis=1)  

df['total'] = df.sum(axis=1) # 可以把所有为数字的列相加  

df['avg'] = df.total/4 # 增加平均成绩列  

12、统计分析

根据你的数据分析目标,试着使用以下函数,看看能得到什么结论。

df.mean() # 返回所有列的均值  

df.mean(1) # 返回所有行的均值,下同  

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  

df.std() # 返回每一列的标准差  

df.var() # 方差  

s.mode() # 众数  

13、绘图

Pandas利用plot()调用Matplotlib快速绘制出数据可视化图形。注意,第一次使用plot()时可能需要执行两次才能显示图形。如图8所示,可以使用plot()快速绘制折线图。

df['Q1'].plot() # Q1成绩的折线分布  

14个pandas神操作,手把手教你写代码

图8 利用plot()快速绘制折线图

如图9所示,可以先选择要展示的数据,再绘图。

df.loc['Ben','Q1':'Q4'].plot() # ben四个季度的成绩变化  

14个pandas神操作,手把手教你写代码

图9 选择部分数据绘制折线图

如图10所示,可以使用plot.bar绘制柱状图。

df.loc[ 'Ben','Q1':'Q4'].plot.bar() # 柱状图  

df.loc[ 'Ben','Q1':'Q4'].plot.barh() # 横向柱状图  

14个pandas神操作,手把手教你写代码

图10 利用plot.bar绘制的柱状图

如果想绘制横向柱状图,可以将bar更换为barh,如图11所示。

14个pandas神操作,手把手教你写代码

图11 利用barh绘制的横向柱状图

对数据聚合计算后,可以绘制成多条折线图,如图12所示。

# 各Team四个季度总成绩趋势  

df.groupby('team').sum().T.plot()  

14个pandas神操作,手把手教你写代码

图12 多条折线图

也可以用pie绘制饼图,如图13所示。

# 各组人数对比  

df.groupby('team').count().Q1.plot.pie()  

14个pandas神操作,手把手教你写代码

图13 饼图的绘制效果

14、导出

可以非常轻松地导出Excel和CSV文件。

df.to_excel('team-done.xlsx') # 导出 Excel文件  

df.to_csv('team-done.csv') # 导出 CSV文件  

导出的文件位于notebook文件的同一目录下,打开看看。

本文我们了解了编程语言Python的特点,为什么要学Python,Pandas库的功能,快速感受了一下Pandas强大的数据处理和数据分析能力。这些是我们进入数据科学领域的基础。

本文摘编于《深入浅出Pandas:利用Python进行数据处理与分析》,经出版方授权发布。

作者:李庆辉

数据产品专家,某电商公司数据产品团队负责人,擅长通过数据治理、数据分析、数据化运营提升公司的数据应用水平。

**-----**------**-----**---**** 送书 **-----**--------**-----**-****

欢迎各位大佬点击链接加入群聊【helloworld开发者社区】:https://jq.qq.com/?_wv=1027&k=mBlk6nzX进群交流IT技术热点。

往期精彩文章推荐:

点赞
收藏
评论区
推荐文章
浅梦一笑 浅梦一笑
2个月前
初学 Python 需要安装哪些软件?超级实用,小白必看!
编程这个东西是真的奇妙。对于懂得的人来说,会觉得这个工具是多么的好用、有趣,而对于小白来说,就如同大山一样。其实这个都可以理解,大家都是这样过来的。那么接下来就说一下python相关的东西吧,并说一下我对编程的理解。本人也是小白一名,如有不对的地方,还请各位大神指出01名词解释:如果在编程方面接触的比较少,那么对于软件这一块,有几个名词一定要了解,比如开发环
Jacquelyn38 Jacquelyn38
1年前
2020年前端实用代码段,为你的工作保驾护航
有空的时候,自己总结了几个代码段,在开发中也经常使用,谢谢。 1、使用解构获取json数据let jsonData   id: 1, status: "OK", data: ['a', 'b'] ; let  id, status, data: number   jsonData; console.log(id, status, number )
blmius blmius
1年前
MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1
文章目录 问题 用navicat导入数据时,报错: 原因这是因为当前的MySQL不支持datetime为0的情况。 解决修改sql\mode: sql\mode:SQL Mode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。 全局s
Karen110 Karen110
1年前
14个pandas神操作,手把手教你写代码
「数仓宝贝库」,带你学数据!导读: Pandas是Python数据分析的利器,也是各种数据建模的标准工具。本文带大家入门Pandas,将介绍Python语言、Python数据生态和Pandas的一些基本功能。 在Python语言应用生态中,数据科学领域近年来十分热门。作为数据科学中一个非常基础的库,Pandas受到了广泛关注。Pandas可以将现实中来
Stella981 Stella981
1年前
KVM调整cpu和内存
一.修改kvm虚拟机的配置 1、virsh edit centos7 找到“memory”和“vcpu”标签,将 <name>centos7</name> <uuid>2220a6d1-a36a-4fbb-8523-e078b3dfe795</uuid>
Stella981 Stella981
1年前
Python之time模块的时间戳、时间字符串格式化与转换
Python处理时间和时间戳的内置模块就有`time`,和`datetime`两个,本文先说`time`模块。 ### 关于时间戳的几个概念 * 时间戳,根据1970年1月1日00:00:00开始按秒计算的偏移量。 * 时间元组(`struct_time`),包含9个元素。  `time.struct_time(tm_y
Wesley13 Wesley13
1年前
MySQL查询按照指定规则排序
1.按照指定(单个)字段排序 select * from table_name order id desc; 2.按照指定(多个)字段排序 select * from table_name order id desc,status desc; 3.按照指定字段和规则排序 selec
Stella981 Stella981
1年前
Angular material mat
Icon Icon Name mat-icon code _add\_comment_ add comment icon <mat-icon> add\_comment</mat-icon> _attach\_file_ attach file icon <mat-icon> attach\_file</mat-icon> _attach\
Wesley13 Wesley13
1年前
MySQL部分从库上面因为大量的临时表tmp_table造成慢查询
#### 背景描述 # Time: 2019-01-24T00:08:14.705724+08:00 # User@Host: **[**] @ [**] Id: ** # Schema: sentrymeta Last_errno: 0 Killed: 0 # Query_time: 0.315758 Lock_
helloworld_34035044 helloworld_34035044
4个月前
皕杰报表之UUID
​在我们用皕杰报表工具设计填报报表时,如何在新增行里自动增加id呢?能新增整数排序id吗?目前可以在新增行里自动增加id,但只能用uuid函数增加UUID编码,不能新增整数排序id。 uuid函数说明:获取一个UUID,可以在填报表中用来创建数据ID语法:uuid() 或 uuid(sep)参数说明:sep 布尔值,生成的uuid中是否包含分隔符'',缺省为