Python初学小知识（十四）：数据分析处理库Pandas

十八 Pandas
- 1 文件读取
- - 1.1 读取csv
  - 1.2 读取txt
  - 1.3 读取excel（xlsx）
- 2 内容读取
- - 2.1 读取行
  - 2.2 读取列
- 3 数据处理
- - 3.1 加减乘除
  - - 3.1.1 列与元素
    - 3.1.2 列与列
  - 3.2 最值、总和、归一化
  - 3.3 `.sort_values()`排序
  - 3.4 缺失值处理
- 4 常用函数
- - 4.1 pivot_table 找出特定索引对应的特定值
  - 4.2 删去缺失值多的那列或行
  - 4.3 定位
  - 4.4 自定义函数apply
- 5 Series 结构
- - 5.1 从表格中提取 Series 结构
  - 5.2 自己造一个 Series 结构

来源于这里。

很多情况下用的是pandas而不是numpy，因为前者是在后者的基础上又封装了一些操作，相当于做了函数简化。pandas主要是数据预处理用的比较多。

十八 Pandas

1 文件读取

1.1 读取csv

任意一种格式，只要是以，为分隔符，就可以用read_csv读取：

import pandas as pd
excel = pd.read_csv('excel.csv')

先把文件打印出来看看结果：

print(excel)
>>>number1  Unnamed: 1 letter  number2
0      1.0         NaN      a      0.1
1      3.0         NaN      c      0.5
2      4.0         NaN      b      0.2
3      2.0         NaN      d      NaN
4      NaN         NaN    NaN      NaN
5      5.0         NaN      e      NaN
6      9.0         NaN      j      NaN
7      8.0         NaN      i      NaN

在这里插入图片描述
结果是和表格一致的，而且打印出来的在表格左侧加上了行号。而没有内容的地方用NaN表示。忽略了前面的空行，但是内部的空行不忽略。

接着我们看看这个文件的格式：

print(type(excel))
>>> <class 'pandas.core.frame.DataFrame'>

pandas的格式是DataFrame，数据流。通过read_csv之后，就是数据流格式，这是pandas里面最为核心也是最常用的格式。这个格式跟矩阵是差不多的，也是由行和列来组成。

我们再看看文件内部的格式：

print(excel.dtypes)
>>> number1       float64Unnamed: 1    float64letter         objectnumber2       float64dtype: object

可以看到，基本是由int、float、object组成的。
值得一提的是，文件number1这一列存在浮点数（NaN被认为是浮点数），则类型就是float64。

1.2 读取txt

1.1说过了：任意一种格式，只要是以，为分隔符，就可以用read_csv读取。因此用逗号分隔的txt格式也是一样的方法：
在这里插入图片描述

import pandas as pd
excel = pd.read_csv('word_new.txt')
print(excel)>>> number    word
0       1      my
1  2 name     NaN
2       3    is  
3  4\tnxy     NaN
4       5     \t?print(type(excel))
>>> <class 'pandas.core.frame.DataFrame'>print(excel.dtypes)
>>> number    objectword      objectdtype: object

最前面的空行同样被忽略了→
csv和txt都是用pd.read_csv()读取，用逗号来分隔，所以这两个文件都忽略了前面的空行，但是内容中间的空行不能忽略。
第一行有内容的行被认为是表头
number,word和1,my行都是被,分隔的，所以很顺利的占据两列
2 name没有逗号，认为是一列的，所以在后面补NaN
3, is 里面is左右各有两个空格，所以可以看到结果里面is没有和同一列其它元素一样向右对齐
最后两行是用了tab

1.3 读取excel（xlsx）

pandas里面同样包含读取最普遍的 excel 的xlsx格式的方式：
在这里插入图片描述

import pandas as pd
excel = pd.read_excel('excel.xlsx')
print(excel)
>>>    Unnamed: 0  Unnamed: 1 Unnamed: 2 Unnamed: 3
0         NaN         NaN        NaN        NaN
1         NaN         NaN        NaN        NaN
2     number1         NaN     letter    number2
3           1         NaN          a        0.1
4           3         NaN          c        0.5
5           4         NaN          b        0.2
6           2         NaN          d        NaN
7         NaN         NaN        NaN        NaN
8           5         NaN          j        NaN
9           9         NaN          h        NaN
10          8         NaN        NaN        NaNprint(type(excel))
>>> <class 'pandas.core.frame.DataFrame'>print(excel.dtypes)
>>> Unnamed: 0     objectUnnamed: 1    float64Unnamed: 2     objectUnnamed: 3     objectdtype: object

这里就没有忽略前面的空行。
$\quad$

2 内容读取

这里的excel代表的是'excel.csv'：

   number1  Unnamed: 1 letter  number2
0      1.0         NaN      a      0.1
1      3.0         NaN      c      0.5
2      4.0         NaN      b      0.2
3      2.0         NaN      d      NaN
4      NaN         NaN    NaN      NaN
5      5.0         NaN      e      NaN
6      9.0         NaN      j      NaN
7      8.0         NaN      i      NaN

2.1 读取行

.head()读取前面几行：

print(excel.head(3))
>>> number1  Unnamed: 1 letter  number2
0      1.0         NaN      a      0.1
1      3.0         NaN      c      0.5
2      4.0         NaN      b      0.2print(excel.head())  # 默认5行
>>>number1  Unnamed: 1 letter  number2
0      1.0         NaN      a      0.1
1      3.0         NaN      c      0.5
2      4.0         NaN      b      0.2
3      2.0         NaN      d      NaN
4      NaN         NaN    NaN      NaN

.tail()读取后面几行：

print(excel.tail())
>>>number1  Unnamed: 1 letter  number2
3      2.0         NaN      d      NaN
4      NaN         NaN    NaN      NaN
5      5.0         NaN      j      NaN
6      9.0         NaN      h      NaN
7      8.0         NaN    NaN      NaN

.loc[]读取特定行：

print(excel.loc[3])
>>> number1       2.0Unnamed: 1    NaNletter          dnumber2       NaNName: 3, dtype: objectprint(excel.loc[3:6])
>>>number1  Unnamed: 1 letter  number2
3      2.0         NaN      d      NaN
4      NaN         NaN    NaN      NaN
5      5.0         NaN      j      NaN
6      9.0         NaN      h      NaNprint(excel.loc[[2,4,7]])
>>>number1  Unnamed: 1 letter  number2
2      4.0         NaN      b      0.2
4      NaN         NaN    NaN      NaN
7      8.0         NaN    NaN      NaN

2.2 读取列

直接文件名+列名：

print(excel['number1'])
>>> 0    1.01    3.02    4.03    2.04    NaN5    5.06    9.07    8.0Name: number1, dtype: float64'''读取多列要再加一个[]'''
print(excel[['number1', 'letter']].head())
>>>number1 letter
0      1.0      a
1      3.0      c
2      4.0      b
3      2.0      d
4      NaN    NaN

如果要读取列的表头：

print(excel.columns)
>>> Index(['number1', 'Unnamed: 1', 'letter', 'number2'], dtype='object')

这样出来的是名称和类型，但是有时候只想要列表模式的名称就行，所以在上面的代码还要再加上.tolist()：

columns_names = excel.columns.tolist()
print(columns_names)
>>> ['number1', 'Unnamed: 1', 'letter', 'number2']

这时候其实可以针对列名来筛选列，比如筛选数字列：

new = []
for i in columns_names:if 'number' in i:new.append(i)print(new)  # 这就是筛选出的列名
>>> ['number1', 'number2']print(excel[new].head())
>>>number1  number2
0      1.0      0.1
1      3.0      0.5
2      4.0      0.2
3      2.0      NaN
4      NaN      NaN

或者筛选末尾有特定字符的列名（比如末尾都有某种计量单位），在这里筛选末尾都是1的列：

new = []
for i in columns_names:if i.endswith('1'):new.append(i)print(new)  # 这就是筛选出的列名
>>> ['number1', 'Unnamed: 1']print(excel[new].head())
>>>number1  Unnamed: 1
0      1.0         NaN
1      3.0         NaN
2      4.0         NaN
3      2.0         NaN
4      NaN         NaN

3 数据处理

3.1 加减乘除

要保证运算的是相同元素！！！

3.1.1 列与元素

对于全为NaN的空列，不管怎么运算，结果都还是NaN，且类型为float：

print(excel['Unnamed: 1'].head() + 10)
print(excel['Unnamed: 1'].head() - 10)
print(excel['Unnamed: 1'].head() * 10)
print(excel['Unnamed: 1'].head() / 10)print(excel['Unnamed: 1'].head() + '10ab')
print(excel['Unnamed: 1'].head() - '10ab')
print(excel['Unnamed: 1'].head() * '10ab')
print(excel['Unnamed: 1'].head() / '10ab')'''结果全都一样'''
>>> 0   NaN1   NaN2   NaN3   NaN4   NaNName: Unnamed: 1, dtype: float64

float、int、str + 元素：

print(excel['number1'].head() + 10)  # 数字+数字
>>> 0    11.01    13.02    14.03    12.04     NaNName: number1, dtype: float64print(excel['letter'].head() + '012ab')  # 字符串+字符串
>>> 0    a012ab1    b012ab2    c012ab3    d012ab4       NaNName: letter, dtype: object

float、int、str - 元素：

print(excel[['number1', 'number2']].head() - 10)  # 数字-数字
>>> number1  number2
0     -9.0     -9.9
1     -7.0     -9.5
2     -6.0     -9.8
3     -8.0      NaN
4      NaN      NaN

float、int、str ×、÷ 元素：
×、÷里面的元素只能是数字！

print(excel[['number1', 'letter']] * 10)
>>>number1      letter
0     10.0  aaaaaaaaaa
1     30.0  cccccccccc
2     40.0  bbbbbbbbbb
3     20.0  dddddddddd
4      NaN         NaN
5     50.0  jjjjjjjjjj
6     90.0  hhhhhhhhhh
7     80.0         NaNprint(excel[['number1']] / 10)
>>> number1
0      0.1
1      0.3
2      0.4
3      0.2
4      NaN
5      0.5
6      0.9
7      0.8

3.1.2 列与列

列与列 的运算中，哪一列的行更多，结果的行就取决于哪一列。

对于全为NaN的空列，不管怎么运算，结果都还是NaN，但是类型会变：

print(excel['number1'].head() + excel['Unnamed: 1'].head())
print(excel['number1'].head() - excel['Unnamed: 1'].head())
print(excel['number1'].head() * excel['Unnamed: 1'].head())
print(excel['number1'].head() / excel['Unnamed: 1'].head())
>>> 0   NaN1   NaN2   NaN3   NaN4   NaNdtype: float64print(excel['letter'].head() + excel['Unnamed: 1'].head())
print(excel['letter'].head() - excel['Unnamed: 1'].head())
print(excel['letter'].head() * excel['Unnamed: 1'].head())
print(excel['letter'].head() / excel['Unnamed: 1'].head())
>>> 0    NaN1    NaN2    NaN3    NaN4    NaNdtype: object

类型取决于与Unnamed列运算的那一列。
$\quad$

float、int 加减乘除 float、int：

'''与自己运算，就会给出列名和类型'''
print(excel['number1'].head() + excel['number1'])
>>> 0    2.01    6.02    8.03    4.04    NaNName: number1, dtype: float64'''与别人运算，只会给类型'''
print(excel['number1'].head() - excel['number2'])
>>> 0    0.91    2.52    3.83    NaN4    NaN5    NaN6    NaN7    NaNdtype: float64'''总行数取决于行数最多的那个'''
print(excel['number1'].head() * excel['number2'])
>>> 0    0.11    1.52    0.83    NaN4    NaN5    NaN6    NaN7    NaNdtype: float64print(excel['number1'].head() / excel['number2'].head())
>>> 0    10.01     6.02    20.03     NaN4     NaNdtype: float64

$\quad$

float、int 与 str的列不能运算
str + str（只有这一种）

print(excel['letter'].head() + excel['letter'].head())
>>> 0     aa1     cc2     bb3     dd4    NaNName: letter, dtype: object

3.2 最值、总和、归一化

print(excel['number1'].max(), excel['number1'].min(), excel['number1'].sum())
>>> 9.0 1.0 32.0

归一化：除以最大值

print(excel['number1'] / excel['number1'].max())>>> 0    0.1111111    0.3333332    0.4444443    0.2222224         NaN5    0.5555566    1.0000007    0.888889Name: number1, dtype: float64

3.3 `.sort_values()`排序

用法：DataFrame.sort_values(by='##',axis=0,ascending=True, inplace=False, na_position='last')

by=''：针对列：指定列名 by='number1'（一般为了偷懒都直接写列名）
针对行：指定索引 by=1
axis=0：若axis=0或'index'，则按列排序；
若axis=1或'columns'，则按指定索引行排序
ascending=True：排列顺序，默认升序排列
inplace=False：是否用排序后的数据集替换原来的数据，默认不替换
na_position='last'：{'first','last'}，设定缺失值的显示位置（开始还是末尾）

'number1',按列排序,升序排列,不替换,缺失值末尾显示

print(excel.sort_values('number1'))
>>>number1  Unnamed: 1 letter  number2
0      1.0         NaN      a      0.1
3      2.0         NaN      d      NaN
1      3.0         NaN      c      0.5
2      4.0         NaN      b      0.2
5      5.0         NaN      j      NaN
7      8.0         NaN    NaN      NaN
6      9.0         NaN      h      NaN
4      NaN         NaN    NaN      NaN

可以看到，行与行之间按照排序重新换了位置。

此时索引发生了变化，我们可以重新安排索引：

sorted_excel = excel.sort_values('number1')  # 排序后的
sorted_excel_reindexed = sorted_excel.reset_index(drop=True)  # 把之前的index给drop掉
print(sorted_excel_reindexed)
>>>number1  Unnamed: 1 letter  number2
0      1.0         NaN      a      0.1
1      2.0         NaN      d      NaN
2      3.0         NaN      c      0.5
3      4.0         NaN      b      0.2
4      5.0         NaN      j      NaN
5      8.0         NaN    NaN      NaN
6      9.0         NaN      h      NaN
7      NaN         NaN    NaN      NaN

'letter',按列排序,降序排列,不替换,缺失值显示在开始

print(excel.sort_values('letter', ascending=False, na_position='first'))
>>>number1  Unnamed: 1 letter  number2
4      NaN         NaN    NaN      NaN
7      8.0         NaN    NaN      NaN
5      5.0         NaN      j      NaN
6      9.0         NaN      h      NaN
3      2.0         NaN      d      NaN
1      3.0         NaN      c      0.5
2      4.0         NaN      b      0.2
0      1.0         NaN      a      0.1

按第7行排序,升序排列,不替换,缺失值显示在开头

print(excel.sort_values(by=7, axis='columns', na_position='first'))
>>>Unnamed: 1 letter  number2  number1
0         NaN      a      0.1      1.0
1         NaN      c      0.5      3.0
2         NaN      b      0.2      4.0
3         NaN      d      NaN      2.0
4         NaN    NaN      NaN      NaN
5         NaN      j      NaN      5.0
6         NaN      h      NaN      9.0
7         NaN    NaN      NaN      8.0

这里是按照最后一行排序，可以看到，所有列都随着第七行变化了顺序。

3.4 缺失值处理

首先要找到缺失值：

number1 = excel['number1']
number1_isnull = pd.isnull(number1)  # 判断是否NaN
print(number1_isnull)  # 布尔类型
>>> 0    False1    False2    False3    False4     True5    False6    False7    FalseName: number1, dtype: boolprint(number1[number1_isnull])  # 输出True的
>>> 4   NaNName: number1, dtype: float64

然后找出好的值：

good_number1 = number1[number1_isnull==False]
print(good_number1)  # 输出不为缺失值的，也就是好的
>>> 0    1.01    3.02    4.03    2.05    5.06    9.07    8.0Name: number1, dtype: float64print(sum(good_number1) / len(good_number1))  # 均值
>>> 4.571428571428571

上面是求均值，其实已经有函数直接解决了：

print(excel['number1'].mean())
>>> 4.571428571428571

4 常用函数

4.1 pivot_table 找出特定索引对应的特定值

换一个表格：

import pandas as pd
excel = pd.read_csv('new.csv')
print(excel)
>>>Survived  Pclass  Age     Fare Embarked
0         0       3   22   7.2500        S
1         1       1   38  71.2833        C
2         1       2   26   7.9250        S
3         0       1   35  53.1000        S
4         1       3   35   8.0500        S
5         0       2   28   7.2000        C

在这里插入图片描述

找出特定索引对应的特定值：

# 统计各个等级的船舱（Pclass）中，获救的几率，按平均值计算
passenger_survival = excel.pivot_table(index='Pclass', values='Survived', aggfunc=np.mean)
print(passenger_survival)
>>>Survived
Pclass          
1            0.5
2            0.5
3            0.5

# 统计各个船舱中乘客的年龄
passenger_age = excel.pivot_table(index='Pclass', values='Age')  # aggfunc没写，就是默认mean
print(passenger_age)
>>>
Pclass      
1       36.5
2       27.0
3       28.5

# 统计不同登船地点（C、S）的价格和存活人数
port_stats = excel.pivot_table(index='Embarked', values=['Fare', 'Survived'], aggfunc=np.sum)
print(port_stats)
>>>Fare  Survived
Embarked                   
C         78.4833         1
S         76.3250         2

4.2 删去缺失值多的那列或行

原始表格：

import pandas as pd
import numpy as np
excel = pd.read_csv('excel.csv')
print(excel)
>>>number1  Unnamed: 1 letter  number2
0      1.0         NaN      a      0.1
1      3.0         NaN      c      0.5
2      4.0         NaN      b      0.2
3      2.0         NaN      d      NaN
4      NaN         NaN    NaN      NaN
5      5.0         NaN      j      NaN
6      9.0         NaN      h      NaN
7      8.0         NaN    NaN      NaN

删除列中含有 NaN 值较多的列：

# thresh 参数表示一个列中至少要有多少个非 NaN 值，否则该列将被删除。
# 上面代码中的 thresh=len(df)*0.8 表示一个列中非 NaN 值数量至少要占该列总数量的 80% 才会保留，这可以根据实际情况进行调整。
drop1_excel = excel.dropna(thresh=len(excel)*0.7, axis='columns')
print(drop1_excel)
>>>number1 letter
0      1.0      a
1      3.0      c
2      4.0      b
3      2.0      d
4      NaN    NaN
5      5.0      j
6      9.0      h
7      8.0    NaN

删掉指定列中，含有NaN的行：

drop1_excel = excel.dropna(axis=0, subset = ['letter', 'number2'])
print(drop1_excel)
>>>number1  Unnamed: 1 letter  number2
0      1.0         NaN      a      0.1
1      3.0         NaN      c      0.5
2      4.0         NaN      b      0.2

4.3 定位

# 定位第7号样本的number1是什么内容
location = excel.loc[7, 'number1']
print(location)  # 8.0

4.4 自定义函数apply

# 自定义一个想实现的功能的函数
def find(x):  # 寻找第3行的样本a = x.loc[3]return amy = excel.apply(find)
print(my)
>>>
number1       2.0
Unnamed: 1    NaN
letter          d
number2       NaN
dtype: object

def not_null_count(x):  # 统计每一列的缺失值y = pd.isnull(x)  # 函数用于判断一个 DataFrame 或 Series 中每个元素是否为空值，返回一个由 True/False 构成的布尔型 DataFrame/Seriesnull = x[y]  # 取出为 True 的元素return len(null)print(excel.apply(not_null_count))  # 打印出每个列有多少个缺失值
>>>
number1       1
Unnamed: 1    8
letter        2
number2       5
dtype: int64

def is_adult(x):  # 判断是否是成年人，表格是newif x['Age'] > 18:return Trueelse:return Falseprint(excel.apply(is_adult, axis=1))
>>>
0    True
1    True
2    True
3    True
4    True
5    True
dtype: bool

5 Series 结构

参考：Pandas库中的Series结构

Series对象可以理解为由一列索引和一列值，共两列数据组成的结构。而DataFrame就是由一列索引和多列值组成的结构，其中，在DataFrame中的每一列都是一个Series对象。

Series(collection of values)
DataFrame(collection of Series objects)

5.1 从表格中提取 Series 结构

import pandas as pd
excel = pd.read_csv('excel.csv')
print(excel)
>>>number1  Unnamed: 1 letter  number2
0      1.0         NaN      a      0.1
1      3.0         NaN      c      0.5
2      4.0         NaN      b      0.2
3      2.0         NaN      d      NaN
4      NaN         NaN    NaN      NaN
5      5.0         NaN      j      NaN
6      9.0         NaN      h      NaN
7      8.0         NaN    NaN      NaNseries_letter = excel['letter']
print(type(series_letter))
>>> <class 'pandas.core.series.Series'># 作为 Series 结构直接提取
print(series_letter[0:5])
>>>
0      a
1      c
2      b
3      d
4    NaN
Name: letter, dtype: object# 也可以作为 DataFrame 结构
print(series_letter.loc[2])
>>> b

5.2 自己造一个 Series 结构

from pandas import Series
series_letter = excel['letter'].values
series_number1 = excel['number1'].valuesseries_new = Series(series_number1, index=series_letter)  # 索引是number1，值是letter
print(series_new)
>>>
a      1.0
c      3.0
b      4.0
d      2.0
NaN    NaN
j      5.0
h      9.0
NaN    8.0
dtype: float64print(series_new[['b', 'j']])  # 相当于额外造了一个索引，之前的索引一样能用
>>> 
b    4.0
j    5.0
dtype: float64print(series_new[0:5])
>>>
a      1.0
c      3.0
b      4.0
d      2.0
NaN    NaN
dtype: float64