利用python进行数据分析笔记
来源:互联网 发布:pycharm tensorflow 编辑:程序博客网 时间:2024/06/01 10:31
pandas基础
索引
Series和DataFrame都是有索引的,索引的好处是快速定位,在涉及到两个Series或DataFrame时可以根据索引自动对齐,比如日期自动对齐,这样可以省去很多事。
缺失值
pd.isnull(obj)obj.isnull()
将字典转成数据框,并赋予列名,索引
DataFrame(data, columns=['col1','col2','col3'...], index = ['i1','i2','i3'...])
查看列名
DataFrame.columns
查看索引
DataFrame.index
重建索引
obj.reindex(['a','b','c','d','e'...], fill_value=0]#按给出的索引顺序重新排序,而不是替换索引。如果索引没有值,就用0填充#就地修改索引data.index=data.index.map(str.upper)
列顺序重排(也是重建索引)
DataFrame.reindex[columns=['col1','col2','col3'...])`#也可以同时重建index和columnsDataFrame.reindex[index=['a','b','c'...],columns=['col1','col2','col3'...])
重建索引的快捷键
DataFrame.ix[['a','b','c'...],['col1','col2','col3'...]]
重命名轴索引
data.rename(index=str.title,columns=str.upper)#修改某个索引和列名,可以通过传入字典data.rename(index={'old_index':'new_index'}, columns={'old_col':'new_col'})
查看某一列
DataFrame['state'] 或 DataFrame.state
查看某一行
需要用到索引
DataFrame.ix['index_name']
添加或删除一列
DataFrame['new_col_name'] = 'char_or_number'#删除行DataFrame.drop(['index1','index2'...])#删除列DataFrame.drop(['col1','col2'...],axis=1)#或del DataFrame['col1']
DataFrame选择子集
针对series
obj[['a','b','c'...]]obj['b':'e']=5
针对dataframe
#选择多列dataframe[['col1','col2'...]]#选择多行dataframe[m:n]#条件筛选dataframe[dataframe['col3'>5]]#选择子集dataframe.ix[0:3,0:5]
dataframe和series的运算
会根据 index 和 columns 自动对齐然后进行运算,很方便啊
#没有数据的地方用0填充空值df1.add(df2,fill_value=0)# dataframe 与 series 的运算dataframe - series规则是:-------- -------- || | | | || | -------- || | || | v--------#指定轴方向dataframe.sub(series,axis=0)规则是:-------- --- | | | | ----->| | | | | | | | | | | | -------- ---
apply函数
f=lambda x:x.max()-x.min()#默认对每一列应用dataframe.apply(f)#如果需要对每一行分组应用dataframe.apply(f,axis=1)
排序和排名
#默认根据index排序,axis = 1 则根据columns排序dataframe.sort_index(axis=0, ascending=False)# 根据值排序dataframe.sort_index(by=['col1','col2'...])#排名,给出的是rank值series.rank(ascending=False)#如果出现重复值,则取平均秩次#在行或列上面的排名dataframe.rank(axis=0)
描述性统计
唯一值,值计数,成员资格
obj.unique()obj.value_count()obj.isin(['b','c'])
处理缺失值
# 过滤缺失值# 只要有缺失值就丢弃这一行dataframe.dropna()#要求全部为缺失才丢弃这一行dataframe.dropna(how='all')# 根据列来判断dataframe.dropna(how='all',axis=1)# 填充缺失值#1.用0填充df.fillna(0)#2.不同的列用不同的值填充df.fillna({1:0.5, 3:-1})#3.用均值填充df.fillna(df.mean())# 此时axis参数同前面,
将列转成行索引
df.set_index(['col1','col2'...])
数据清洗,重塑
合并数据集
# 取 df1,df2 都有的部分,丢弃没有的# 默认是inner的连接方式pd.merge(df1,df2, how='inner')#如果df1,df2的连接字段名不同,则需要特别指定pd.merge(df1,df2,left_on='l_key',right_on='r_key')#其他的连接方式有 left,right, outer等。# 如果dataframe是多重索引,根据多个键进行合并pd.merge(left, right, on=['key1','key2'],how = 'outer')#合并后如果有重复的列名,需要添加后缀pd.merge(left, right, on='key1', suffixes=('_left','_right'))
索引上的合并
#针对dataframe中的连接键不是列名,而是索引名的情况。pd.merge(left, right, left_on = 'col_key', right_index=True)#即左边的key是列名,右边的key是index。#多重索引pd.merge(left, right, left_on=['key1','key2'], right_index=True)
dataframe的join方法
#实现按索引合并。#其实这个join方法和数据库的join函数是以一样的理解left.join(right, how='outer')#一次合并多个数据框left.join([right1,right2],how='outer')
轴向连接(更常用)
连接:concatenation
绑定:binding
堆叠:stacking
列上的连接
np.concatenation([df1,df2],axis=1) #np包pd.concat([df1,df2], axis=1) #pd包#和R语言中的 cbind 是一样的#如果axis=0,则和 rbind 是一样的#索引对齐,没有的就为空# join='inner' 得到交集pd.concat([df1,df2], axis=1, join='innner')# keys 参数,还没看明白# ignore_index=True,如果只是简单的合并拼接而不考虑索引问题。pd.concat([df1,df2],ignore_index=True)
合并重复数据
针对可能有索引全部或者部分重叠的两个数据集
填充因为合并时索引赵成的缺失值
where函数
#where即if-else函数np.where(isnull(a),b,a)
combine_first方法
#如果a中值为空,就用b中的值填补a[:-2].combine_first(b[2:])#combine_first函数即对数据打补丁,用df2的数据填充df1中的缺失值df1.combine_first(df2)
重塑层次化索引
stact:将数据转为长格式,即列旋转为行
unstack:转为宽格式,即将行旋转为列
result=data.stack()result.unstack()
长格式转为宽格式
pivoted = data.pivot('date','item','value')#前两个参数分别是行和列的索引名,最后一个参数则是用来填充dataframe的数据列的列名。如果忽略最后一个参数,得到的dataframe会带有层次化的列。
透视表
table = df.pivot_table(values=["Price","Quantity"], index=["Manager","Rep"], aggfunc=[np.sum,np.mean], margins=True))#values:需要对哪些字段应用函数#index:透视表的行索引(row)#columns:透视表的列索引(column)#aggfunc:应用什么函数#fill_value:空值填充#margins:添加汇总项#然后可以对透视表进行筛选table.query('Manager == ["Debra Henley"]')table.query('Status == ["pending","won"]')
移除重复数据
# 判断是否重复data.duplicated()`#移除重复数据data.drop_duplicated()#对指定列判断是否存在重复值,然后删除重复数据data.drop_duplicated(['key1'])
交叉表
是一种用于计算分组频率的特殊透视表.
注意,只对离散型的,分类型的,字符型的有用,连续型数据是不能计算频率这种东西的。
pd.crosstab(df.col1, df.col2, margins=True)
类似vlookup函数
利用函数或映射进行数据转换
#1.首先定义一个字典meat_to_animal={ 'bacon':'pig', 'pulled pork':'pig', 'honey ham':'cow'}#2.对某一列应用一个函数,或者字典,顺便根据这一列的结果创建新列data['new_col']=data['food'].map(str.lower).map(meat_to_animal)
替换值
data.replace(-999,np.na)#多个值的替换data.replace([-999,-1000],np.na)#对应替换data.replace([-999,-1000],[np.na,0])#对应替换也可以传入一个字典data.replace({-999:np.na,-1000:0})
离散化
#定义分割点bins=[20,40,60,80,100]#切割cats = pd.cut(series,bins)#查看标签cats.labels#查看水平(因子)cats.levels#区间计数pd.value_count(cats)#自定义分区的标签group_names=['youth','youngAdult','MiddleAge','Senior']pd.cut(ages,bins,labels=group_names)
分位数分割
data=np.random.randn(1000)pd.qcut(data,4) #四分位数#自定义分位数,包含端点pd.qcut(data,[0,0.3,0.5,0.9,1])
异常值
#查看各个统计量data.describe()#对某一列col=data[3]col[np.abs(col)>3]#选出全部含有“超过3或-3的值的行data[(np.abs(data)>3).any(1)]#异常值替换data[np.abs(data)>3]=np.sign(data)*3
抽样
#随机抽取k行df.take(np.random.permutation(len(df))[:k])#随机抽取k行,但是k可能大于df的行数#可以理解为过抽样了df.take(np.random.randint(0,len(df),size=k))
数据摊平处理
相当于将类别属性转成因子类型,比如是否有车,这个字段有3个不同的值,有,没有,过段时间买,那么将会被编码成3个字段,有车,没车,过段时间买车,每个字段用0-1二值填充变成数值型。
#对摊平的数据列增加前缀dummies = pd.get_dummies(df['key'],prefix='key')#将摊平产生的数据列拼接回去df[['data1']].join(dummies)
字符串操作
# 拆分strings.split(',')#根据正则表达式切分re.split('\s+',strings)# 连接'a'+'b'+'c'...或者'+'.join(series)# 判断是否存在's' in strings`strings.find('s')# 计数strings.count(',')# 替换strings.replace('old','new')# 去除空白字符s.strip()
正则表达式
正则表达式需要先编译匹配模式,然后才去匹配查找,这样能节省大量的CPU时间。
re.complie:编译
findall:匹配所有
search:只返回第一个匹配项的起始和结束地址
match:值匹配字符串的首部
sub:匹配替换,如果找到就替换
#原始字符串strings = 'sdf@153.com,dste@qq.com,sor@gmail.com'#编译匹配模式,IGNORECASE可以在使用的时候对大小写不敏感pattern = r'[A-Z0-9._%+-]+@[A-Z0-9.-]+\\.[A-Z]{2,4}'regex = re.compile(pattern,flags=re.IGNORECASE)#匹配所有regex.findall(strings)#使用searchm = regex.search(strings) #获取匹配的地址strings[m.start():m.end()]#匹配替换regex.sub('new_string', strings)
根据模式再切分
将模式切分,也就是将匹配到的进一步切分,通过pattern中的括号实现.
pattern = r'([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\\.([A-Z]{2,4})'regex = re.compile(pattern)regex.findall(strings)#如果使用matchm=regex.match(string)m.groups()#效果是这样的suzyu123@163.com --> [(suzyu123, 163, com)]#获取 list-tuple 其中的某一列matches.get(i)
分组聚合,计算
group_by技术
# 根据多个索引分组,然后计算均值means = df['data1'].groupby([df['index1'],df['index2']).mean()# 展开成透视表格式means.unstack()
分组后价将片段做成一个字典
pieces = dict(list(df.groupby('index1')))pieces['b']
groupby默认是对列(axis=0)分组,也可以在行(axis=1)上分组
语法糖,groupby的快捷函数
df.groupby('index1')['col_names']df.groupby('index1')[['col_names']]#是下面代码的语法糖df['col_names'].groupby(df['index1'])df.groupby(['index1','index2'])['col_names'].mean()
通过字典或series进行分组
people = DataFrame(np.random.randn(5, 5), columns=['a', 'b', 'c', 'd', 'e'], index=['Joe', 'Steve', 'Wes', 'Jim','Travis'])# 选择部分设为napeople.ix[2:3,['b','c']]=np.namapping = {'a': 'red', 'b': 'red', 'c': 'blue', 'd': 'blue', 'e': 'red', 'f' : 'orange'}people.groupby(mapping,axis=1).sum()
通过函数进行分组
#根据索引的长度进行分组people.groupby(len).sum()
数据聚合
使用自定义函数
## 对所有的数据列使用自定义函数df.groupby('index1').agg(myfunc)#使用系统函数df.groupby('index1')['data1']describe()
根据列分组应用多个函数
#分组grouped = df.groupby(['col1','col2'])#选择多列,对每一列应用多个函数grouped['data1','data2'...].agg(['mean','std','myfunc'])
对不同列使用不同的函数
grouped = df.groupby(['col1','col2'])#传入一个字典,对不同的列使用不同的函数#不同的列可以应用不同数量的函数grouped.agg({'data1':['min','max','mean','std'], 'data2':'sum'})
分组计算后重命名列名
grouped = df.groupby(['col1','col2'])grouped.agg({'data1':[('min','max','mean','std'),('d_min','d_max','d_mean','d_std')], 'data2':'sum'})
返回的聚合数据不要索引
df.groupby(['sex','smoker'], as_index=False).mean()
分组计算结果添加前缀
#对计算后的列名添加前缀df.groupby('index1').mean().add_prefix('mean_')
将分组计算后的值替换到原数据框
#将函数应用到各分组,再将分组计算的结果代换原数据框的值#也可以使用自定义函数df.groupby(['index1','index2'...]).transform(np.mean)
更一般化的apply函数
df.groupby(['col1','col2'...]).apply(myfunc)df.groupby(['col1','col2'...]).apply(['min','max','mean','std'])
禁用分组键
分组键会跟原始对象的索引共同构成结果对象中的层次化索引
df.groupby('smoker', group_keys=False).apply(mean)
桶分析与分位数
对数据切分段,然后对每一分段应用函数
frame = DataFrame({'col1':np.random.randn(1000), 'col2':np.random.randn(1000)})#数据分段,创建分段用的因子#返回每一元素是属于哪一分割区间factor = pd.cut(frame.col1, 4)#分组计算,然后转成数据框形式grouped = frame.col2.groupby(factor)grouped.apply(myfunc).unstack()
用分组的均值填充缺失值
#自定义函数fill_mean= lambda x:x.fillna(x.mean())#分组填充df.groupby(group_key).apply(fill_mean)
分组后不同的数据替换不同的值
#定义字典fill_value = {'east':0.5, 'west':-1}#定义函数fill_func = lambda x:x.fillna(fill_value(x.name))#分组填充df.groupby(['index1','index2'...]).apply(fill_func)
- 利用python进行数据分析笔记
- 利用Python进行数据分析笔记(一
- 《利用Python 进行数据分析》 - 笔记(2)
- 《利用Python 进行数据分析》 - 笔记(3)
- 《利用Python 进行数据分析》 - 笔记(4)
- 《利用Python 进行数据分析》 - 笔记(5)
- 利用Python进行数据分析 笔记1
- 利用Python进行数据分析 学习笔记
- 利用python进行数据分析笔记
- 《利用Python进行数据分析》笔记
- 利用python进行数据分析学习笔记—python基础知识
- 《利用python进行数据分析》学习笔记(一)
- 利用python进行数据分析(学习笔记)
- 利用Python进行数据分析——笔记2
- 《利用Python进行数据分析》第二章-学习笔记
- 《利用python进行数据分析》学习笔记(一)
- 《利用python进行数据分析》学习笔记(二)
- 《利用python进行数据分析》学习笔记(三)
- C/C++知识点整理(1)
- Cocos2d-x 3.x图元绘制
- 计算机网络12--TCP/IP参考模型
- 【SPOJ-ABCPATH】ABC Path【BFS/DFS】
- 随堂笔记160224基础语法
- 利用python进行数据分析笔记
- android versionname一直1.0
- Struts2-工作原理
- Android中ListView、GridView的通用适配封装简化代码
- “Linux内核分析”实验报告一
- android 状态选择器
- 第一个python的小程序
- 共用数据的保护
- Leetcode 328:Odd Even Linked List