暂无图片
暂无图片
暂无图片
暂无图片
暂无图片
首页 / Python数据分析与机器学习3-Pandas

Python数据分析与机器学习3-Pandas

原创 只是甲 2022-07-06
933

Table of Contents

一. Pandas简介

Pandas官方文档: https://pandas.pydata.org/pandas-docs/stable/

Pandas 是 Python 语言的一个扩展程序库，用于数据分析。
Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。
Pandas 名字衍生自术语 “panel data”（面板数据）和 “Python data analysis”（Python 数据分析）。
Pandas 一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算）。
Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。
Pandas 可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征

二. 数据源介绍

2.1 food_info.csv

这个是食品包含各种营养物质及卡路里的数据
image.png

2.2 titanic_train.csv

泰坦尼克号的数据集
image.png

2.3 fandango_score_comparison.csv

电影评分的数据集
image.png

三. pandas之DataFrame数据结构实操

pandas中最常使用的就是DataFrame数据结构了，例如从csv等文件格式读取到的内容就是DataFrame数据格式。

3.1 pandas读取csv文件数据

pandas读取csv文件是实际工作中使用得非常多的。
如果需要查看帮助文档，可以使用print (help(pandas.read_csv))命令。

object - For string values
int - For integer values
float - For float values
datetime - For time values
bool - For Boolean values

代码:

import pandas
# pandas读取csv文件数据
food_info = pandas.read_csv("E:/file/food_info.csv")
# 输出读取文件后的类型
print (type(food_info))
print ("##########################################")
# 输出DataFrame每一列的类型
print (food_info.dtypes)

测试记录:
image.png

3.2 pandas数据展示

3.2.1 输出读取到的数据

代码:

import pandas
# pandas读取csv文件数据
food_info = pandas.read_csv("E:/file/food_info.csv")
# 输出读取到的数据
print (food_info)

测试记录:
可以看到比原本的数据多了一个数组的下标，从0开始，依次递增
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4TRJuQ3w-1657070939337)(https://upload-images.jianshu.io/upload_images/2638478-8950867a859b5fb1.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]
数据太多了，中间进行了隐藏
image.png
因为列太多了，这边也是分开进行展示数据
image.png

3.2.2 输出列信息及行数列数

代码:

import pandas
# pandas读取csv文件数据
food_info = pandas.read_csv("E:/file/food_info.csv")


print ("##########################################")
# 输出dataframe的列信息
print (food_info.columns)

print ("##########################################")
# 输出dataframe的行数和列数
print (food_info.shape)

测试记录:
image.png

3.2.3 输出前几行和最后几行

代码:

import pandas
# pandas读取csv文件数据
food_info = pandas.read_csv("E:/file/food_info.csv")


print ("##########################################")
# 输出前3行
print(food_info.head(3))

print ("##########################################")
# 输出最后3行
print(food_info.tail(3))

测试记录:
image.png

3.3 索引的方法

索引的方法是输出指定的行的数据
代码:

import pandas
# pandas读取csv文件数据
food_info = pandas.read_csv("E:/file/food_info.csv")


print ("##########################################")
# 输出第0行
print (food_info.loc[0])
# 输出第3到6行
print ("##########################################")
print (food_info.loc[3:6])

print ("##########################################")
# 输出第 2,5,10行
two_five_ten = [2,5,10] 
print(food_info.loc[two_five_ten])
print ("##########################################")
print(food_info.loc[[2,5,10]])

3.4 输出指定的列

代码1:

import pandas
# pandas读取csv文件数据
food_info = pandas.read_csv("E:/file/food_info.csv")

print ("##########################################")
# 输出指定列
print (food_info["NDB_No"])

测试记录1:
image.png

代码2:

import pandas
# pandas读取csv文件数据
food_info = pandas.read_csv("E:/file/food_info.csv")


print ("##########################################")
# 输出包含 (g) 的列
col_names = food_info.columns.tolist()
#print col_names
gram_columns = []

for c in col_names:
    if c.endswith("(g)"):
        gram_columns.append(c)
gram_df = food_info[gram_columns]
print (gram_df.head(3))

测试记录2:
image.png

3.5 group by函数的用法

函数 用途
min 最小值
max 最大值
sum 求和
mean 均值
median 中位数
std 标准差
var 方差
count 计数

我们现在想求泰坦尼克号每个等级的仓位 票价的总和以及年龄的平均值。

代码:

import pandas as pd
import numpy as np
titanic_survival = pd.read_csv("E:/file/titanic_train.csv")

a = titanic_survival.groupby('Pclass').agg({'Fare':'sum','Age':'mean'})
print(a)

测试记录:
image.png

3.6 过滤数据

实际生产中，我们也经常使用pandas来过滤数据，实现sql语句中类似where的操作

3.6.1 过滤null值数据

例如我要提取 泰坦尼克号 数据集中 Cabin 列为空的数据，显示前3行
代码:

import pandas as pd
import numpy as np
titanic_survival = pd.read_csv("E:/file/titanic_train.csv")
a = titanic_survival[ titanic_survival['Cabin'].isnull() ]
print(a.head(3))

测试记录:
image.png

3.6.2 过滤数据-单条件

例如我要提取 泰坦尼克号 数据集中 Pclass为1的数据，显示前3行
代码:

import pandas as pd
import numpy as np
titanic_survival = pd.read_csv("E:/file/titanic_train.csv")
a = titanic_survival[ titanic_survival['Pclass'] == 1 ]
print(a.head(3))

测试记录:
在这里插入图片描述

3.6.3 过滤数据-组合条件

  1. 过滤条件可以进行 与或非
  2. 过滤的条件超过一个时，需要在每个条件的外面加（）
  3. 运算符不能用 and,or,not 而是用 &，|，！

例如我要提取 泰坦尼克号 数据集中 Pclass为1且Age > 35 的数据，显示前3行

代码:

import pandas as pd
import numpy as np
titanic_survival = pd.read_csv("E:/file/titanic_train.csv")
a = titanic_survival[ (titanic_survival['Pclass'] == 1) &  (titanic_survival['Age'] > 35) ]
print(a.head(3))

测试记录：
image.png

3.7 数据计算

pandas中具有大量的数据计算函数，比如求和、求平均值、求最大值、最小值、中位数、众数、方差、标准差等。

3.7.1 求和(sum)函数

语法:

DataFrame.sum(axis = None,skipna = None,level = None,numeric_only = None,min_count = 0,**kwargs)

参数说明:

  1. axis：axis = 1表示行，axis = 0表示列，默认为None（无）
  2. skipna：布尔型，表示计算结果是否排除NaN/Null值，默认值为None
  3. level：表示索引层级，默认为None
  4. numeric_only：仅数字，布尔型，默认值为None
  5. min_count：表示执行操作所需的数目，整型，默认为0
  6. **kwargs：要传递给函数的附加关键字参数。
  7. 返回值：返回Series对象或DataFrame对象。行或列求和数据

代码:

import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [[110,105,99],[105,88,115],[109,120,130]]
index = [1,2,3]
columns =['语文','数学','英语']
df = pd.DataFrame(data = data,index = index,columns=columns)

df['总成绩']=  df.sum(axis = 1)
print(df)

测试记录:
image.png

3.7.2 求均值（mean函数）

语法:

mean(axis=None, skipna=None, level=None, numeric_only=None, **kwargs)

参数说明：

  1. axis：axis = 1表示行，axis = 0表示列，默认为None（无）
  2. skipna：布尔型，表示计算结果是否排除NaN/Null值，默认值为None
  3. level：表示索引层级，默认为None
  4. numeric_only：仅数字，布尔型，默认值为None
  5. min_count：表示执行操作所需的数目，整型，默认为0
  6. **kwargs：要传递给函数的附加关键字参数。
  7. 返回值：返回Series对象或DataFrame对象。行或列平均值数据

代码:

import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [[110,105,99],[105,88,115],[109,120,130],[112,115]]
columns =['语文','数学','英语']
df = pd.DataFrame(data = data,columns=columns)
new = df.mean()
#增加一行数据（语文、数学和英语的平均值，忽略索引）
df = df.append(new,ignore_index=True)
print(df)

测试记录:
image.png

3.7.3 最大值（max函数）

语法:

max(axis=None, skipna=None, level=None, numeric_only=None, **kwargs)

参数说明：

  1. axis：axis = 1表示行，axis = 0表示列，默认为None（无）
  2. skipna：布尔型，表示计算结果是否排除NaN/Null值，默认值为None
  3. level：表示索引层级，默认为None
  4. numeric_only：仅数字，布尔型，默认值为None
  5. min_count：表示执行操作所需的数目，整型，默认为0
  6. **kwargs：要传递给函数的附加关键字参数。
  7. 返回值：返回Series对象或DataFrame对象。行或列最大值数据

代码:

import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [[110,105,99],[105,88,115],[109,120,130],[112,115]]
columns =['语文','数学','英语']
df = pd.DataFrame(data = data,columns=columns)
new = df.max()
#增加一行数据（语文、数学和英语的最大值，忽略索引）
df = df.append(new,ignore_index=True)
print(df)

测试记录:
在这里插入图片描述

3.7.4 最小值（min函数）

语法:

min(axis=None, skipna=None, level=None, numeric_only=None, **kwargs)

参数说明：

  1. axis：axis = 1表示行，axis = 0表示列，默认为None（无）
  2. skipna：布尔型，表示计算结果是否排除NaN/Null值，默认值为None
  3. level：表示索引层级，默认为None
  4. numeric_only：仅数字，布尔型，默认值为None
  5. min_count：表示执行操作所需的数目，整型，默认为0
  6. **kwargs：要传递给函数的附加关键字参数。
  7. 返回值：返回Series对象或DataFrame对象。行或列最小值数据

代码:

import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [[110,105,99],[105,88,115],[109,120,130],[112,115]]
columns =['语文','数学','英语']
df = pd.DataFrame(data = data,columns=columns)
new = df.min()
#增加一行数据（语文、数学和英语的最小值，忽略索引）
df = df.append(new,ignore_index=True)
print(df)

测试记录:
image.png

3.7.5 中位数（median函数）

中位数又叫作中值，按顺序排列的一组数据中位于中间位置的数，其不受异常值的影响。

语法:

median(axis=None, skipna=None, level=None, numeric_only=None, **kwargs)

参数说明：

  1. axis：axis = 1表示行，axis = 0表示列，默认为None（无）
  2. skipna：布尔型，表示计算结果是否排除NaN/Null值，默认值为None
  3. level：表示索引层级，默认为None
  4. numeric_only：仅数字，布尔型，默认值为None
  5. min_count：表示执行操作所需的数目，整型，默认为0
  6. **kwargs：要传递给函数的附加关键字参数。
  7. 返回值：返回Series对象或DataFrame对象。行或列中位数数据

代码:

import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
data = [[110,105,99],[105,88,115],[109,120,130],[112,115]]
columns =['语文','数学','英语']
df = pd.DataFrame(data = data,columns=columns)
new = df.median()
#增加一行数据（语文、数学和英语的中位数，忽略索引）
df = df.append(new,ignore_index=True)
print(df)

测试记录:
image.png

3.7.6 求众数（mode函数）

众数就是一组数据中出现最多的数，代表了数据的一般水平。

语法:

mode(axis=0, numeric_only=False, dropna=True)

参数说明：

  1. axis：axis = 1表示行，axis = 0表示列，默认为None（无）
  2. numeric_only：仅数字，布尔型，默认值为None
  3. drop_na：是否删除缺失值，布尔型，默认为True
  4. 返回Series对象或DataFrame对象。

代码:

import pandas as pd
data = [[110,120,110],[130,130,130],[130,120,130]]
columns = ['语文','数学','英语']
df = pd.DataFrame(data = data ,columns=columns)
print(df.mode())#三科成绩的众数
print(df.mode(axis = 1))#每一行的众数
print(df['数学'].mode())#'数学'成绩的众数

测试记录:
在这里插入图片描述

3.7.7 方差（var函数）

方差是用来反映数据的离散程度的，是各组数据与他们平均数的差的平方，方差越小越稳定。

语法:

var(axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)

参数说明：

  1. axis：axis = 1表示行，axis = 0表示列，默认为None（无）
  2. skipna：布尔型，表示计算结果是否排除NaN/Null值，默认值为None
  3. level：表示索引层级，默认为None
  4. ddof：整型，默认值为1.自由度，计算中使用的除数是N-ddof，其中N表示元素的数量。
  5. numeric_only：仅数字，布尔型，默认值为None
  6. **kwargs：要传递给函数的附加关键字参数。
  7. 返回值：返回Series对象或DataFrame对象。

代码:

import pandas as pd
data = [[110,113,102,105,108],[118,98,119,85,118]]
index = ['小黑','小白']
columns = ['物理1','物理2','物理3','物理4','物理5']
df = pd.DataFrame(data = data,index = index,columns=columns)
print(df.var(axis = 1))

测试记录:
image.png

3.7.8 标准差（std函数）

标准差是方差的平方根，用来表示数据的离散程度。

语法:

std(axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)

参数与var一样。

代码:

import pandas as pd
data = [[110,120,110],[130,130,130],[130,120,130]]
columns = ['语文','数学','英语']
df = pd.DataFrame(data = data ,columns=columns)
print(df.std())

测试记录:
image.png

3.7.9 分位数（quantile函数）

分位数是以概率依据将数据分割为几个等分，常用的有中位数（即二分位数）、四分位数、百分位数等。

语法:

quantile(q=0.5, axis=0, numeric_only=True, interpolation='linear')

参数说明：

  1. q：浮点型或数组，默认为0.5（50%分位数），其值为0~1

  2. axis：axis = 1表示行，axis = 0表示列，默认为None（无）

  3. numeric_only：仅数字，布尔型，默认值为True

  4. interpolation：内插值，可选参数，用于指定要使用的插值方法，当期望的分位数为数据点i~j时。
    4.1 线性：i+(j-i)*分数，其中分数是指数被i和j包围的小数部分。
    4.2 较低：i
    4.3 较高：j
    4.4 最近：i或j二者以最近者为准
    4.5 中点：（i+j）/2
    4.6 返回值：返回Series对象或DataFrame对象。

代码:

import pandas as pd
#创建DataFrame数据（数学成绩）
data = [120,89,98,78,65,102,112,56,79,45]
columns  = ['数学']
df = pd.DataFrame(data = data,columns=columns)
#计算35%的分位数
x = df['数学'].quantile(0.35)
#输出淘汰
print(df[df['数学']<=x])

测试记录:
image.png

3.7.10 相关系数(corr)函数

#计算任意两列之间的相关系数
data.corr()
 # 计算某一列与其它所有列的相关系数								 
data.corr()['col_name']  		
 #计算两个列之间的相关系数			
data['col1'].corr( data['col2'])

需求:
我们现在需要知道 泰坦尼克号 所有列与 是否生还的相关性

代码:

测试记录:
可以看到只显示了 数值列
image.png

3.8 merge合并操作

Pandas 提供的 merge() 函数能够进行高效的合并操作，这与 SQL 关系型数据库的 MERGE 用法非常相似。从字面意思上不难理解，merge 翻译为“合并”，指的是将两个 DataFrame 数据表按照指定的规则进行连接，最后拼接成一个新的 DataFrame 数据表。

merge() 函数的法格式如下：

pd.merge(left, right, how='inner', on=None, left_on=None, 
right_on=None,left_index=False, right_index=False, 
sort=True,suffixes=('_x', '_y'), copy=True)

参数说明，如下表所示：
image.png

3.8.1 在单个键上进行合并操作

代码:

import pandas as pd 
left = pd.DataFrame({ 
   'id':[1,2,3,4], 
   'Name': ['Smith', 'Maiki', 'Hunter', 'Hilen'], 
   'subject_id':['sub1','sub2','sub4','sub6']}) 
right = pd.DataFrame({ 
    'id':[1,2,3,4], 
   'Name': ['William', 'Albert', 'Tony', 'Allen'], 
   'subject_id':['sub2','sub4','sub3','sub6']}) 

print ("########################################")
print (left) 
print ("########################################")
print (right)  

#通过on参数指定合并的键
print ("########################################")
print(pd.merge(left,right,on='id'))

测试记录:
image.png

3.8.2 在多个键上进行合并操作

代码:

import pandas as pd 
left = pd.DataFrame({ 
   'id':[1,2,3,4], 
   'Name': ['Smith', 'Maiki', 'Hunter', 'Hilen'], 
   'subject_id':['sub1','sub2','sub4','sub6']}) 
right = pd.DataFrame({ 
    'id':[1,2,3,4], 
   'Name': ['Bill', 'Lucy', 'Jack', 'Mike'], 
   'subject_id':['sub2','sub4','sub3','sub6']}) 
print(pd.merge(left,right,on=['id','subject_id']))

测试记录:
image.png

3.8.3 使用how参数合并

通过how参数可以确定 DataFrame 中要包含哪些键，如果在左表、右表都不存的键，那么合并后该键对应的值为 NaN。为了便于大家学习，我们将 how 参数和与其等价的 SQL 语句做了总结：

image.png

代码:

import pandas as pd 
left = pd.DataFrame({ 
   'id':[1,2,3,4], 
   'Name': ['Smith', 'Maiki', 'Hunter', 'Hilen'], 
   'subject_id':['sub1','sub2','sub4','sub6']}) 
right = pd.DataFrame({ 
    'id':[1,2,3,4], 
   'Name': ['Bill', 'Lucy', 'Jack', 'Mike'], 
   'subject_id':['sub2','sub4','sub3','sub6']}) 
#以left侧的subject_id为键
print(pd.merge(left,right,on='subject_id',how="left"))

测试记录:
image.png

3.9 pivot数据透视表

pandas作为编程领域最强大的数据分析工具之一，自然也有透视表的功能。

在pandas中，透视表操作由pivot_table()函数实现，不要小看只是一个函数，但却可以玩转数据表，解决大麻烦。

pivot_table使用方法：

pandas.pivot_table(*data*, *values=None*, *index=None*, *columns=None*, *aggfunc='mean'*, *fill_value=None*, *margins=False*, *dropna=True*, *margins_name='All'*, *observed=False*)

参数解释：

  1. data：dataframe格式数据
  2. values：需要汇总计算的列，可多选
  3. index：行分组键，一般是用于分组的列名或其他分组键，作为结果DataFrame的行索引
  4. columns：列分组键，一般是用于分组的列名或其他分组键，作为结果DataFrame的列索引
  5. aggfunc：聚合函数或函数列表，默认为平均值
  6. fill_value：设定缺失替换值
  7. margins：是否添加行列的总计
  8. dropna：默认为True，如果列的所有值都是NaN，将不作为计算列，False时，被保留
  9. margins_name：汇总行列的名称，默认为All
  10. observed：是否显示观测值

代码:

import pandas as pd
import numpy as np
titanic_survival = pd.read_csv("E:/file/titanic_train.csv")

port_stats = titanic_survival.pivot_table(index="Embarked", values=["Fare","Survived"], aggfunc=np.sum)
print(port_stats)

测试记录:
image.png

3.10 时间操作

时间类型的列 dt操作  object类型的列str操作
data['日期'] =df['交易时间'].dt.date
data['时间'] =df['交易时间'].dt.time
data['年'] = df['交易时间'].dt.year
data['季节'] = df['交易时间'].dt.quarter
data['月'] = df['交易时间'].dt.month
data['周']=df['交易时间'].dt.week
data['日'] = df['交易时间'].dt.day
data['小时'] =df['交易时间'].dt.hour
data['分钟'] =df['交易时间'].dt.minute
data['秒'] = df['交易时间'].dt.second
data['一年第几天'] =df['交易时间'].dt.dayofyear
data['一年第几周'] = df['交易时间'].dt.isocalendar().week
data['一周第几天'] = df['交易时间'].dt.dayofweek
data['一个月含有多少天'] = df['交易时间'].dt.days_in_month
data['星期名称'] =df['交易时间'].dt.day_name()

代码:

import pandas as pd

# 创建文本格式的日期类型
data = ['2022-06-30','2022-07-01']
columns = ['交易日期']
df = pd.DataFrame(data = data ,columns = columns)
print (df)

# 将文本类日期格式转化为日期时间格式
df['交易日期_NEW']=pd.to_datetime(df['交易日期'])
# 输出年
df['年'] = df['交易日期_NEW'].dt.year
print ("#######################")
print (df)

测试记录:
image.png

3.11 apply 自定义函数

代码:

import pandas as pd
import numpy as np
titanic_survival = pd.read_csv("E:/file/titanic_train.csv")

def which_class(row):
    pclass = row['Pclass']
    if pd.isnull(pclass):
        return "Unknown"
    elif pclass == 1:
        return "First Class"
    elif pclass == 2:
        return "Second Class"
    elif pclass == 3:
        return "Third Class"

classes = titanic_survival.apply(which_class, axis=1)
print (classes)

测试记录:
image.png

3.12 字符串操作

3.12.1 字符串大小写及长度

代码:

import pandas as pd
import numpy as np

s = pd.Series(['A', 'c', 'AGeR', 'SEW', np.nan])
print (s)

print ("#####################################")
# 大写
print (s.str.upper())

print ("#####################################")
# 小写
print (s.str.lower())

print ("#####################################")
# 字符串长度
print (s.str.len())

测试记录:
image.png

3.12.2 字符串的替换操作

代码:

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(3, 2), columns=['A a', 'B b'], index=range(3))
print (df)

# 将属性名中的空格去除
print ("##########################################")
df.columns = df.columns.str.replace(' ', '')
print (df)

测试记录:
image.png

3.12.3 字符串切分

代码:

import pandas as pd
import numpy as np

se = pd.Series(['a_b_c', 'x_y_z', 'p_q_t'])
print (se)

print ("###############################################")
# 按指定字符切分 全切 不计次数
print (se.str.split('_'))     

print ("###############################################")
# 只能切分一次
print (se.str.split('_', 1))

测试记录:
image.png

3.12.4 包含关系

代码:

import pandas as pd
import numpy as np

ser = pd.Series(['A', 'c', 'AGeR', 'SEW', np.nan])
print (ser.str.contains('A'))

测试记录:
image.png

四. pandas之Series数据结构实操

Pandas Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。

Series 由索引（index）和列组成，函数如下：

pandas.Series( data, index, dtype, name, copy)

参数说明：

  1. data：一组数据(ndarray 类型)。
  2. index：数据索引标签，如果不指定，默认从 0 开始。
  3. dtype：数据类型，默认会自己判断。
  4. name：设置名称。
  5. copy：拷贝数据，默认为 False。

代码:

import pandas as pd

a = [1, 2, 3]
myvar = pd.Series(a)

print(myvar)

测试记录:
image.png

参考:

  1. https://study.163.com/course/introduction.htm?courseId=1003590004#/courseDetail?tab=1
  2. https://www.jianshu.com/p/3b2c3876691b
  3. https://blog.csdn.net/ccc369639963/article/details/124270988
  4. https://blog.csdn.net/D_Low/article/details/123768282
python
「喜欢这篇文章，您的关注和赞赏是给作者最好的鼓励」
关注作者
【版权声明】本文为墨天轮用户原创内容，转载时必须标注文章的来源（墨天轮），文章链接，文章作者等基本信息，否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容，欢迎发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

评论