本篇我们继续前面 pandas系列教程的探讨，今天小编会介绍 pandas库当中一些非常基础的方法与函数，希望大家看了之后会有所收获，另外呢，大家要是希望小编写什么样子类型的文章，也可以 在评论区留言，小编第一时间看到就会回复。
准备需要的数据集
我们先准备生成一些随机数，作为后面需要用到的数据集
index = pd.date_range("1/1/2000", periods=8)
series = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])
df = pd.DataFrame(np.random.randn(8, 3), index=index, columns=["A", "B", "C"])
Head and tail
head()和 tail()方法是用来查看数据集当中的前几行和末尾几行的，默认是查看5行，当然读者朋友也可以自行设定行数
series2 = pd.Series(np.random.randn(100))
series2.head()
output
0 0.733801
1 -0.740149
2 -0.031863
3 2.515542
4 0.615291
dtype: float64
同理
series2.tail()
output
95 -0.526625
96 -0.234975
97 0.744299
98 0.434843
99 -0.609003
dtype: float64
数据的统计分析
在 pandas当中用 describe()方法来对表格中的数据做一个概括性的统计分析，例如
series2.describe()
output
count 100.000000
mean 0.040813
std 1.003012
min -2.385316
25% -0.627874
50% -0.029732
75% 0.733579
max 2.515542
dtype: float64
当然，我们也可以设置好输出的分位
series2.describe(percentiles=[0.05, 0.25, 0.75, 0.95])
output
count 100.000000
mean 0.040813
std 1.003012
min -2.385316
5% -1.568183
25% -0.627874
50% -0.029732
75% 0.733579
95% 1.560211
max 2.515542
dtype: float64
对于 离散型的数据来说， describe()方法给出的结果则会简洁很多
s = pd.Series(["a", "a", "b", "b", "a", "a", "d", "c", "d", "a"])
s.describe()
output
count 10
unique 4
top a
freq 5
dtype: object
要是表格中既包含了离散型数据，也包含了连续型的数据，默认的话， describe()是会针对 连续型数据进行统计分析
df2 = pd.DataFrame({"a": ["Yes", "Yes", "No", "No"], "b": np.random.randn(4)})
df2.describe()
output
b
count 4.000000
mean 0.336053
std 1.398306
min -1.229344
25% -0.643614
50% 0.461329
75% 1.440995
max 1.650898
当然我们也可以指定让其强制统计分析离散型数据或者连续型数据
df2.describe(include=["object"])
output
a
count 4
unique 2
top Yes
freq 2
同理，我们也可以指定连续型的数据进行统计分析
df2.describe(include=["number"])
output
b
count 4.000000
mean -0.593695
std 0.686618
min -1.538640
25% -0.818440
50% -0.459147
75% -0.234401
max 0.082155
如果我们都要去做统计分析，可以这么来执行
df2.describe(include="all")
output
a b
count 4 4.000000
unique 2 NaN
top Yes NaN
freq 2 NaN
mean NaN 0.292523
std NaN 1.523908
min NaN -1.906221
25% NaN -0.113774
50% NaN 0.789560
75% NaN 1.195858
max NaN 1.497193
最大/最小值的位置
idxmin()和 idxmax()方法是用来查找表格当中最大/最小值的 位置，返回的是值的索引
s1 = pd.Series(np.random.randn(5))
s1
output
s1.idxmin(), s1.idxmax()
output
(0, 3)
用在 DataFrame上面的话，如下
df1 = pd.DataFrame(np.random.randn(5, 3), columns=["A", "B", "C"])
df1.idxmin(axis=0)
output
A 4
B 2
C 1
dtype: int64
同理，我们将 axis参数改成 1
df1.idxmin(axis=1)
output
0 C
1 C
2 C
3 B
4 A
dtype: object
value_counts() 方法
pandas当中的 value_counts()方法主要用于数据表的计数以及排序，用来查看表格当中，指定列有多少个不同的数据值并且计算不同值在该列当中出现的 次数，先来看一个简单的例子
df = pd.DataFrame({'城市': ['北京', '广州', '上海', '上海', '杭州', '成都', '香港', '南京', '北京', '北京'],
'收入': [10000, 10000, 5500, 5500, 4000, 50000, 8000, 5000, 5200, 5600],
'年龄': [50, 43, 34, 40, 25, 25, 45, 32, 25, 25]})
df["城市"].value_counts()
output
北京 3
上海 2
广州 1
杭州 1
成都 1
香港 1
南京 1
Name: 城市, dtype: int64
可以看到 北京出现了3次， 上海出现了2次，并且默认采用的是 降序来排列的，下面我们来看一下用升序的方式来排列一下 收入这一列
df["收入"].value_counts(ascending=True)
output
4000 1
50000 1
8000 1
5000 1
5200 1
5600 1
10000 2
5500 2
Name: 收入, dtype: int64
同时里面也还可以利用参数 normalize=True，来计算不同值的计数占比
df['年龄'].value_counts(ascending=True,normalize=True)
output
50 0.1
43 0.1
34 0.1
40 0.1
45 0.1
32 0.1
25 0.4
Name: 年龄, dtype: float64
数据分组
我们可以使用 cut()方法以及 qcut()方法来对表格中的连续型数据分组，首先我们看一下 cut()方法，假设下面这组数据代表的是小组每个成员的年龄
ages = np.array([2,3,10,40,36,45,58,62,85,89,95,18,20,25,35,32])
pd.cut(ages, 5)
output
[(1.907, 20.6], (1.907, 20.6], (1.907, 20.6], (39.2, 57.8], (20.6, 39.2], ..., (1.907, 20.6], (1.907, 20.6], (20.6, 39.2], (20.6, 39.2], (20.6, 39.2]]
Length: 16
Categories (5, interval[float64, right]): [(1.907, 20.6]
由上可以看到用 cut()方法将数据平分成了5个区间，且区间两边都有扩展以包含 最大值和最小值，当然我们也可以给每一个区间加上标记
pd.cut(ages, 5, labels=[u"婴儿",u"少年",u"青年",u"中年",u"老年"])
output
['婴儿', '婴儿', '婴儿', '青年', '少年', ..., '婴儿', '婴儿', '少年', '少年', '少年']
Length: 16
Categories (5, object): ['婴儿'
而对于 qcut()方法来说，我们可以指定区间来进行分组，例如
pd.qcut(ages, [0,0.5,1], labels=['小朋友','大孩子'])
output
['小朋友', '小朋友', '小朋友', '大孩子', '大孩子', ..., '小朋友', '小朋友', '小朋友', '小朋友', '小朋友']
Length: 16
Categories (2, object): ['小朋友'
这里将年龄这组数据分成两部分[0, 0.5, 1]，一组是标上标记 小朋友，另一组是 大孩子，不过通常情况下，我们用的 cut()方法比较多
引用函数
要是在表格当中引用其他的方法，或者是自建的函数，可以使用通过 pandas当中的以下这几个方法
pipe()apply()和applymap()agg()和transform()
pipe() 方法
首先我们来看 pipe()这个方法，我们可以将自己定义好的函数，以链路的形式一个接着一个传给我们要处理的数据集上
def extract_city_name(df):
df["state_name"] = df["state_and_code"].str.split(",").str.get(0)
return df
def add_country_name(df, country_name=None):
df["state_and_country"] = df["state_name"] + country_name
return df
然后我们用 pip()这个方法来将上面我们定义的函数串联起来
df_p = pd.DataFrame({"city_and_code": ["Arizona, AZ"]})
df_p = pd.DataFrame({"state_and_code": ["Arizona, AZ"]})
df_p.pipe(extract_city_name).pipe(add_country_name, country_name="_USA")
output
state_and_code state_name state_and_country
0 Arizona, AZ Arizona Arizona_USA
apply() 方法和 applymap() 方法
apply()方法可以对表格中的数据按照行或者是列方向进行处理，默认是按照列方向，如下
df.apply(np.mean)
output
A -0.101751
B -0.360288
C -0.637433
dtype: float64
当然，我们也可以通过 axis参数来进行调节
df.apply(np.mean, axis = 1)
output
0 -0.803675
1 -0.179640
2 -1.200973
3 0.156888
4 0.381631
5 0.049274
6 1.174923
7 0.612591
dtype: float64
除此之外，我们也可以直接调用匿名函数 lambda的形式
df.apply(lambda x: x.max() - x.min())
output
A 1.922863
B 2.874672
C 1.943930
dtype: float64
也可以调用自己定义的函数方法
df = pd.DataFrame(np.random.randn(5, 3), columns=["A", "B", "C"])
def normalize(x):
return (x - x.mean()) / x.std()
我们用上 apply()方法
df.apply(normalize)
output
A B C
0 1.149795 0.390263 -0.813770
1 0.805843 -0.532374 0.859627
2 0.047824 -0.085334 -0.067179
3 -0.903319 -1.215023 1.149538
4 -1.100144 1.442467 -1.128216
apply()方法作用于数据集当中的 每个行或者是列，而 applymap()方法则是对数据集当中的 所有元素都进行处理
df = pd.DataFrame({'key1' : ['a', 'c', 'b', 'b', 'd'],
'key2' : ['one', 'two', 'three', 'two', 'one'],
'data1' : np.arange(1, 6),
'data2' : np.arange(10,15)})
output
key1 key2 data1 data2
0 a one 1 10
1 c two 2 11
2 b three 3 12
3 b four 4 13
4 d five 5 14
我们来自定义一个函数
def add_A(x):
return "A" + str(x)
df.applymap(add_A)
output
key1 key2 data1 data2
0 Aa Aone A1 A10
1 Ac Atwo A2 A11
2 Ab Athree A3 A12
3 Ab Afour A4 A13
4 Ad Afive A5 A14
我们然后也可以通过 lambda()自定义函数方法，然后来去除掉这个 A
df.applymap(add_A).applymap(lambda x: x.split("A")[1])
output
key1 key2 data1 data2
0 a one 1 10
1 c two 2 11
2 b three 3 12
3 b four 4 13
4 d five 5 14
agg() 方法和 transform() 方法
agg()方法本意上是聚合函数，我们可以将用于统计分析的 一系列方法都放置其中，并且放置多个
df = pd.DataFrame(np.random.randn(5, 3), columns=["A", "B", "C"])
df.agg(np.sum)
output
A 0.178156
B 3.233845
C -0.859622
dtype: float64
当然，当中的 np.sum部分也可以用字符串来表示，例如
df.agg("sum")
output
A -0.606484
B -1.491742
C -1.732083
dtype: float64
我们尝试在当中放置多个统计分析的函数方法
df.agg(["sum", "mean", "median"])
output
A B C
sum 1.964847 3.855801 0.630042
mean 0.392969 0.771160 0.126008
median 0.821005 0.714804 -0.273685
当然我们也可以和 lambda匿名函数混合着搭配
df.agg(["sum", lambda x: x.mean()])
output
A B C
sum -0.066486 -1.288341 -1.236244
-0.013297 -0.257668 -0.247249
或者和自己定义的函数方法混合着用
def my_mean(x):
return x.mean()
df.agg(["sum", my_mean])
output
A B C
sum -4.850201 -1.544773 0.429007
my_mean -0.970040 -0.308955 0.085801
与此同时，我们在 agg()方法中添加字典，实现不同的列使用不同的函数方法
df.agg({"A": "sum", "B": "mean"})
output
A -0.801753
B 0.097550
dtype: float64
例如
df.agg({"A": ["sum", "min"], "B": "mean"})
output
A B
sum 0.911243 NaN
min -0.720225 NaN
mean NaN 0.373411
而当数据集当中既有连续型变量，又有离散型变量的时候，用 agg()方法则就会弄巧成拙了
df = pd.DataFrame(
{
"A": [1, 2, 3],
"B": [1.0, 2.0, 3.0],
"C": ["test1", "test2", "test3"],
"D": pd.date_range("20211101", periods=3),
}
)
df.agg(["min", "sum"])
output
A B C D
min 1 1.0 test1 2021-11-01
sum 6 6.0 test1test2test3 NaT
出来的结果可能并非是用户所想要的了，而至于 transform()方法，其效果和用法都和 agg()方法及其的相似，这边也就不多做赘述
索引和列名的重命名
针对索引和列名的重命名，我们可以通过 pandas当中的 rename()方法来实现，例如我们有这样一个数据集
df1 = pd.DataFrame(np.random.randn(5, 3), columns=["A", "B", "C"],
index = ["a", "b", "c", "d", "e"])
output
A B C
a 0.343690 0.869984 -1.929814
b 1.025613 0.470155 -0.242463
c -0.400908 -0.362684 0.226857
d -1.339706 -0.302005 -1.784452
e -0.957026 -0.813600 0.215098
我们可以这样来操作
df1.rename(columns={"A": "one", "B": "two", "C": "three"},
index={"a": "apple", "b": "banana", "c": "cat"})
output
one two three
apple 0.383813 0.588964 -0.162386
banana -0.462068 -2.938896 0.935492
cat -0.059807 -1.987281 0.095432
d -0.085230 2.013733 -1.324039
e -0.678352 0.306776 0.808697
当然我们可以拆开来，单独对行或者是列进行重命名，对列的重命名可以这么来做
df1.rename({"A": "one", "B": "two", "C": "three"}, axis = "columns")
output
one two three
a -0.997108 -1.383011 0.474298
b 1.009910 0.286303 1.120783
c 1.130700 -0.566922 1.841451
d -0.350438 -0.171079 -0.079804
e 0.988050 -0.524604 0.653306
对行的重命名则可以这么来做
df1.rename({"a": "apple", "b": "banana", "c": "cat"}, axis = "index")
output
A B C
apple 0.590589 -0.311803 -0.782117
banana 1.528043 -0.944476 -0.337584
cat 1.326057 -0.087368 0.041444
d 1.079768 -0.098314 -0.210999
e 1.654869 1.170333 0.506194
排序
在 pandas当中，我们可以针对数据集当中的值来进行排序
df1 = pd.DataFrame(
{"one": [2, 1, 1, 1], "two": [1, 3, 2, 4], "three": [5, 4, 3, 2]}
)
output
one two three
0 2 1 5
1 1 3 4
2 1 2 3
3 1 4 2
我们按照”three”这一列当中的数值来进行排序
df1.sort_values(by = "three")
output
one two three
3 1 4 2
2 1 2 3
1 1 3 4
0 2 1 5
我们也可以依照多列进行排序
df1.sort_values(by = ["one", "two"])
output
one two three
2 1 2 3
1 1 3 4
3 1 4 2
0 2 1 5
在”one”这一列相等的时候，比较”two”这一列数值的大小，在排序的过程当中，默认采用的都是升序，我们可以改成降序来进行编排
df1.sort_values("two", ascending=False)
output
one two three
3 1 4 2
1 1 3 4
2 1 2 3
0 2 1 5
数据类型的转换
最后涉及到的是数据类型的转换，在这之前，我们先得知道如何来查看数据的类型， pandas当中有相应的方法可以处理
df2 = pd.DataFrame(
{
"A": pd.Series(np.random.randn(5), dtype="float16"),
"B": pd.Series(np.random.randn(5)),
"C": pd.Series(np.array(np.random.randn(5), dtype="uint8")),
}
)
output
A B C
0 -0.498779 -0.501512 0
1 -0.055817 -0.528227 254
2 -0.914551 0.763298 1
3 -0.916016 1.366833 0
4 1.993164 1.834457 0
我们通过 dtypes属性来查看数据的类型
A float16
B float64
C uint8
dtype: object
而通过 astype()方法来实现数据类型的转换
df2["B"].astype("int64")
output
0 0
1 0
2 0
3 2
4 1
Name: B, dtype: int64
根据数据类型来筛选
与此同时，我们也可以根据相对应的数据类型来进行筛选，运用 pandas当中的 select_dtypes方法，我们先来创建一个数据集包含了各种数据类型的
df = pd.DataFrame(
{
"string_1": list("abcde"),
"int64_1": list(range(1, 6)),
"uint8_1": np.arange(3, 8).astype("u1"),
"float64_1": np.arange(4.0, 9.0),
"bool1": [True, False, True, True, False],
"bool2": [False, True, False, False, True],
"dates_1": pd.date_range("now", periods=5),
"category_1": pd.Series(list("ABCDE")).astype("category"),
}
)
output
string_1 int64_1 uint8_1 ... bool2 dates_1 category_1
0 a 1 3 ... False 2021-11-10 10:43:05.957685 A
1 b 2 4 ... True 2021-11-11 10:43:05.957685 B
2 c 3 5 ... False 2021-11-12 10:43:05.957685 C
3 d 4 6 ... False 2021-11-13 10:43:05.957685 D
4 e 5 7 ... True 2021-11-14 10:43:05.957685 E
我们先来查看一下各个列的数据类型
df.dtypes
output
string_1 object
int64_1 int64
uint8_1 uint8
float64_1 float64
bool1 bool
bool2 bool
dates_1 datetime64[ns]
category_1 category
dtype: object
我们筛选类型为 布尔值的数据
df.select_dtypes(include=[bool])
output
bool1 bool2
0 True False
1 False True
2 True False
3 True False
4 False True
筛选出数据类型为 整型的数据
df.select_dtypes(include=['int64'])
output
int64_1
0 1
1 2
2 3
3 4
4 5
往
期
回
顾
教程
教程
教程
教程
分享、收藏、点赞、在看安排一下？
Original: https://blog.csdn.net/weixin_43373042/article/details/121260068
Author: 欣一2002
Title: 8000字概括精髓，pandas必知必会50例
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/761200/
转载文章受原作者版权保护。转载请注明原作者出处！