数据分析-Pandas类别数据序列合并

news/2024/4/29 16:07:05/文章来源:https://blog.csdn.net/Alex_StarSky/article/details/137021305

数据分析-Pandas类别数据序列合并

数据分析和处理中，难免会遇到各种数据，那么数据呈现怎样的规律呢？不管金融数据，风控数据，营销数据等等，莫不如此。如何通过图示展示数据的规律？

数据表，时间序列数据在数据分析建模中很常见，例如天气预报，空气状态监测，股票交易等金融场景。数据分析过程中重新调整，重塑数据表是很重要的技巧，此处选择Titanic数据，以及巴黎、伦敦欧洲城市空气质量监测 $NO_2$ 数据作为样例。

数据分析

数据分析-Pandas如何转换产生新列

数据分析-Pandas如何统计数据概况

数据分析-Pandas如何轻松处理时间序列数据

数据分析-Pandas如何选择数据子集

数据分析-Pandas如何重塑数据表-CSDN博客

实验数据分析处理，股票序列，时间序列，信号序列，有时候表格的数据并不完全是数值类型，也有可能是字符串，或者其他数据，需要做分类处理。pandas如何控制数据分类处理呢？需要配置哪些参数？

数据梳理

优化的 pandas 的.loc 、.iloc 、.at 和 .iat，使得数据访问方式正常。唯一的区别是返回类型（用于获取），和可以赋值已有的数值。categories

分类数据的合并

默认情况下，合并相同类别的数据返回也是该类别。否则，返回结果是取决于两者的类别情况。

两个相同类别的序列合并

In [1]: from pandas.api.types import union_categoricals
# 类别相同
In [2]: s1 = pd.Series(["a", "b"], dtype="category")
In [3]: s2 = pd.Series(["a", "b", "a"], dtype="category")
In [4]: pd.concat([s1, s2])
Out[4]: 
0    a
1    b
0    a
1    b
2    a
dtype: category
Categories (2, object): ['a', 'b']

两个不同类别的序列合并，变成普通序列

# 不同类别合并
In [5]: s3 = pd.Series(["b", "c"], dtype="category")
In [6 pd.concat([s1, s3])
Out[6]: 
0    a
1    b
0    b
1    c
dtype: object

两个不同类别的序列合并，强制转换类别：

# 类型转换，输出类型通过类别进行推断
In [7]: pd.concat([s1, s3]).astype("category")
Out[7]: 
0    a
1    b
0    b
1    c
dtype: category
Categories (3, object): ['a', 'b', 'c']In [8]: union_categoricals([s1.array, s3.array])
Out[8]: 
['a', 'b', 'b', 'c']
Categories (3, object): ['a', 'b', 'c']

两个数值类型的分类数据序列合并，自动推断类别

# 输出类型通过类别进行推断
In [1]: int_cats = pd.Series([1, 2], dtype="category")
In [2]: float_cats = pd.Series([3.0, 4.0], dtype="category")
In [3]: pd.concat([int_cats, float_cats])
Out[3]: 
0    1.0
1    2.0
0    3.0
1    4.0
dtype: float64

序列拼接总结

下表总结类别数据的合并情况的结果：

arg1	arg2	相同	结果
类别	类别	True	category
类别（对象）	类别（对象）	False	object（推断 dtype ）
类别（int）	类别（浮动）	False	float （dtype 被推断）