Pandas基础教程(Python篇 第一部分)

文章目录

  • 安装
  • 设定系统环境
  • Pandas的主要数据结构
  • Series对象创建
  • 使用列表创建
  • 属性values和index
  • 指定index
  • 使用list列表指定index
  • 传入字典创建,默认将key作为index
  • 将一个标量与index对象一起传入创建
  • DataFrame对象创建
  • 创建DataFrame对象
  • values index columns属性
  • 列表创建
  • 索引columns的使用
  • 二维数组指定columns和index创建
  • Pandas中的Index
  • 导入Excel文件
  • 导入.xlsx文件时,指定导入哪个Sheet
  • 导入.xlsx文件时,通过index_col指定行索引
  • 导入.xlsx文件时,通过header指定列索引
  • 导入.xlsx文件时,通过usecols指定导入列
  • 导入csv文件
  • 导入.csv文件,文件编码格式是gbk
  • 导入.csv文件,指明分隔符
  • 导入txt文件
  • 导入.txt文件
  • 读取数据库数据
  • 配置 MySQL 连接引擎
  • 读取数据表
  • 保存数据
  • 保存数据至外部文件
  • 保存数据至数据库
  • 了解数据
  • head()与 tail()
  • info()
  • shape
  • describe()
  • Python中的Pandas是一个强大的数据分析和处理库,它提供了快速、灵活和表达式丰富的数据结构,旨在使“关系”或“标签”数据的处理工作变得既简单又直观。Pandas非常适合于金融、统计分析、社会科学以及许多其他领域的数据处理。




    使用 Pandas 包完成数据读入、数据清理、数据准备、图表呈现等工作,为继续学习数据建模和数据挖掘打下坚实基础。

    安装

    pip install pandas
    

    设定系统环境

    import pandas as pd
    #设定自由列表输出最多为 10 行
    pd.options.display.max_rows = 10
    # 显示当前 Pandas 版本号
    pd.__version__
    

    Pandas的主要数据结构

    1. Series:一维的、同类型的数据结构,可以存储任何数据类型(整数、字符串、浮点数、Python对象等)。Series是带有索引的数组,索引可以是整数或其他数据类型(如字符串)。
    2. DataFrame:二维的、表格型的数据结构,可以看作是由多个Series组成的字典(共用同一个索引)。DataFrame既有行索引也有列索引,可以被看作是一个共享相同索引的Series的集合。

    Series对象创建


    Series:一维数组,与Numpy中的一维array类似。它是一种类似于一维数组的对象,是由一组数据(各种 NumPy 数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series 对象。用值列表生成 Series 时,Pandas 默认自动生成整数索引 。

    使用列表创建

    import pandas as pd
    data=pd.Series([4,3,5,6,1])
    data
    

    pandas中两个重要的属性 values 和index,values:是Series对象的原始数据。index:对应了Series对象的索引对象。

    属性values和index

    data.values
    data.index
    

    指定index

    data=pd.Series([5,4,6,3,1],index=['one','two','three','four','five'])
    

    使用list列表指定index

    data=pd.Series([4,3,2,1],index=list('abcd'))
    

    传入字典创建,默认将key作为index

    population_dict={'sh':2800,'bj':3000,'gz':1500,'sz':1200}
    population_series=pd.Series(population_dict)
    #如果存在取交集
    sub_series=pd.Series(population_dict,index=['bj','sh'])
    #如果不存在则值为NaN
    sub_series=pd.Series(population_dict,index=['bj','xa'])
    

    将一个标量与index对象一起传入创建

    data=pd.Series(10,index=list('abcd'))
    

    DataFrame对象创建


    DataFrame 是 Pandas 中的一个表格型的数据结构,包含有一组有序的列,每列可以是不同的值类型(数值、字符串、布尔型等),DataFrame 即有行索引也有列索引,可以被看做是由 Series 组成的字典。将两个series对象作为dict的value传入,就可以创建一个DataFrame对象。

    创建DataFrame对象

    population_dict={'beijing':3000,'shanghai':1200,'guangzhou':1800}
    area_dict={'beijing':300,'shanghai':180,'guangzhou':200}
    import pandas as pd
    population_series=pd.Series(population_dict)
    area_series=pd.Series(area_dict)
    citys=pd.DataFrame({'area':area_series,'population':population_series})
    

    values index columns属性

    citys.index
    citys.values
    citys.columns
    

    列表创建

    population_dict={'beijing':3000,'shanghai':1200,'guangzhou':1800}
    area_dict={'beijing':300,'shanghai':180,'guangzhou':200}
    data=pd.DataFrame([population_dict,area_dict])
    #添加index属性
    data=pd.DataFrame([population_dict,area_dict],index=['population','area'])
    

    索引columns的使用

    population_series=pd.Series(population_dict)
    pd.DataFrame(population_series,columns=['population'])
    

    二维数组指定columns和index创建

    pd.DataFrame(np.random.randint(0,10,(3,2)),columns=list('ab'),index=list('efg'))
    

    Pandas中的Index


    Pandas中的Index,其实是不可变的一维数组

    ind=pd.Index([3,4,5,6,7])
    #根据下标获取值
    ind[3]  
    #切片获取值
    ind[::2]
    #有ndim  shap  dtype  size属性
    #但不能进行修改
    ind[3]=20
    

    导入Excel文件


    使用read_excel()方法导入文件,首先要指定文件的路径。(注意:使用Pandas模块操作Excel时候,需要安装openpyxl)

    import pandas as pd
    pd.read_excel('stu_data.xlsx')
    

    导入.xlsx文件时,指定导入哪个Sheet

    pd.read_excel('stu_data.xlsx',sheet_name='Target')
    pd.read_excel('stu_data.xlsx',sheet_name=0)
    

    导入.xlsx文件时,通过index_col指定行索引

    pd.read_excel('stu_data.xlsx',sheet_name=0,index_col=0)
    

    导入.xlsx文件时,通过header指定列索引

    pd.read_excel('stu_data.xlsx',sheet_name=0,header=1)
    pd.read_excel('stu_data.xlsx',sheet_name=0,header=None)
    

    有时候本地文件的列数太多,而我们又不需要那么多列时,我们就可以通过设置usecols参数来指定要导入的列。

    导入.xlsx文件时,通过usecols指定导入列

    pd.read_excel('stu_data.xlsx',usecols=[1,2,3])
    

    导入csv文件


    导入csv文件时除了指明文件路径,还需要设置编码格式。Python中用得比较多的两种编码格式是UTF-8和gbk,默认编码格式是UTF-8。我们要根据导入文件本身的编码格式进行设置,通过设置参数encoding来设置导入的编码格式。

    导入.csv文件,文件编码格式是gbk

    pd.read_csv('stu_data.csv',encoding='gbk')
    

    用分隔符号进行分隔。常用的分隔符除了逗号、空格,还有制表符(\t)。

    导入.csv文件,指明分隔符

    df=pd.read_csv("stu_data.csv",encoding='gbk',sep=' ')
    df1=pd.read_csv('stu_data.csv',encoding='gbk',sep=',')
    

    导入txt文件


    导入.txt文件用得方法是read_table(),read_table()是将利用分隔符分开的文件导入。DataFrame的通用函数。它不仅仅可以导入.csv文件,还可以导入.txt文件。

    导入.txt文件

    pd.read_table('test_data.txt',encoding='utf-8',sep='\t')
    

    读取数据库数据

    配置 MySQL 连接引擎

    conn = pymysql.connect(host = 'localhost',user = 'root',passwd = 'root',db = 'mydb',port=3306,charset = 'utf8' )
    

    读取数据表

    pd.read_sql(sql :需要执行的 SQL 语句/要读入的表名称
    con : 连接引擎名称
    index_col = None :将被用作索引的列名称
    columns = None :当提供表名称时,需要读入的列名称list)
    tab1 = pd.read_sql('select * from
    emp',con=conn)
    tab1 = pd.read_sql('select count(*) from
    emp',con=conn)
    sal_start = 150
    end_start =3000
    tab1 =pd.read_sql(f'select * from emp where sal between {sal_start} and {end_start}',con=conn,index_col = ['empno'])
    

    保存数据

    保存数据至外部文件

    df.to_csv(
       filepath_or_buffer :要保存的文件路径
       sep =:分隔符
       columns :需要导出的变量列表
       header = True :指定导出数据的新变量名,可直接提供 list
       index = True :是否导出索引
       mode = 'w' : Python 写模式,读写方式:r,r+ ,w , w+ , a , a+     encoding = 'utf-8' :默认导出的文件编码格式
    )
    df2.to_csv('temp.csv')
    df.to_excel(
        filepath_or_buffer :要读入的文件路径
        sheet_name = 1 Sheetl1 :要保存的表单名称
    )
    df2.to_excel('temp.xlsx', index = False,sheet_name = data)
    

    保存数据至数据库

    df.to_sql(
       name :将要存储数据的表名称
       con : 连接引擎名称
       if_exists = 'fail' :指定表已经存在时的处理方式
       fail :不做任何处理(不插入新数据)
       replace :删除原表并重建新表
       append :在原表后插入新数据
       index = True :是否导出索引 )
    #pip install sqlalchemy
    from sqlalchemy import create_engine
    con =create_engine('mysql+pymysql://root:root@localhost:3306/mydb?charset=utf8')
    df.to_sql('t_stu',con,if_exists=append)
    

    了解数据

    head()与 tail()

    当数据表中包含了数据行数过多时,而我们又想看一下每一列数据都是什么样的数据时,就可以把数据表中前几行或后几行数据显示出来进行查看head()方法返回前 n 行(观察索引值),显示元素的数量默认是 5,但可以传递自定义数值tail()方法返回后 n 行观察索引值),显示元素的数量默认是 5,但可以传递自定义数值。

    #浏览前几条记录
    df.head()
    df.head(10)
    #浏览最后几条记录
    df.tail()
    

    info()

    熟悉数据的第一点就是看下数据的类型,不同的数据类型的分析思路是不一样的,比如说数值类型的数据就可以求均值,但是字符类型的数据就没法求均值了。info()方法查看数据表中的数据类型,而且不需要一列一列的查看,info()可以输出整个表 中所有列的数据类型。

    df.info()
    

    shape

    熟悉数据的第二点就是看下数据表的大小,即数据表有多少行,多少列 。shape()方法会以元组的形式返回行、列数。注意 shape 方法获取行数和列数时不会把索引和列索引计算在内。

    df.shape
    

    describe()

    熟悉数据的第三点就是掌握数值的分布情况,即均值是多少,最值是多少,方差及分位数分别是多少 。describe()方法就是可以就可以获取所有数值类型字段的分布值。

    df.describe()
    

    作者:红米煮粥

    物联沃分享整理
    物联沃-IOTWORD物联网 » Pandas基础教程(Python篇 第一部分)

    发表回复