Python数据分析入门之pandas总结基础（二）

一.大熊猫世界来去自如：Pandas的I/O

老生常谈，从基础来看，我们仍然关心pandas对于与外部数据是如何交互的。

1.1 结构化数据输入输出

• read_csv与to_csv 是⼀对输⼊输出的⼯具，read_csv直接返回pandas.DataFrame，⽽to_csv只要执行命令即可写文件

  • read_table：功能类似

  • read_fwf：操作fixed width file

• read_excel与to_excel方便的与excel交互

• header 表⽰数据中是否存在列名，如果在第0行就写就写0，并且开始读数据时跳过相应的行数，不存在可以写none

• names 表示要用给定的列名来作为最终的列名

• encoding 表⽰数据集的字符编码，通常而言一份数据为了⽅便的进⾏⽂件传输都以utf-8作为标准

这里用的是自己的一个csv数据，因为找不到参考的这个pdf中的数据。

cnames=['经度','纬度']

taxidata2 = pd.read_csv('20140401.csv',header = 4,names=cnames,encoding='utf-8')

taxidata2

全部参数的请移步API：

http://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_csv.html#pandas.read_csv

这里介绍一些常用的参数：

读取处理：

• skiprows：跳过⼀定的⾏数

• nrows：仅读取⼀定的⾏数

• skipfooter：尾部有固定的⾏数永不读取

• skip_blank_lines：空⾏跳过

内容处理：

• sep/delimiter：分隔符很重要，常⻅的有逗号，空格和Tab('\t')

• na_values：指定应该被当作na_values的数值

• thousands：处理数值类型时，每千位分隔符并不统⼀ (1.234.567,89或者1,234,567.89都可能)，此时要把字符串转化为

数字需要指明千位分隔符

收尾处理：

• index_col：将真实的某列（列的数⺫，甚⾄列名）当作index

• squeeze：仅读到⼀列时，不再保存为pandas.DataFrame⽽是pandas.Series

1.2 Excel ... ?

对于存储着极为规整数据的Excel而言，其实是没必要一定用Excel来存，尽管Pandas也十分友好的提供了I/O接口。

taxidata.to_excel('t0401.xlsx',encoding='utf-8')

taxidata_from_excel = pd.read_excel('t0401.xlsx',header=0, encoding='utf-8')

taxidata_from_excel

注意：当你的xls文件行数很多超过65536时，就会遇到错误，解决办法是将写入的格式变为xlsx。excel函数受限制问题

唯一重要的参数：sheetname=k，标志着一个excel的第k个sheet页将会被取出。（从0开始）

1.3 半结构化数据

JSON：网络传输中常⽤的⼀种数据格式。

仔细看一下，实际上这就是我们平时收集到异源数据的风格是一致的：

• 列名不能完全匹配

• key可能并不唯一

• 元数据被保存在数据里

import json

json_data = [{'name':'Wang','sal':50000,'job':'VP'},\

 {'name':'Zhang','job':'Manager','report':'VP'},\

 {'name':'Li','sal':5000,'report':'IT'}]

data_employee = pd.read_json(json.dumps(json_data))

data_employee_ri = data_employee.reindex(columns=['name','job','sal','report'])

data_employee_ri

输出结果：

二. 深入Pandas数据操纵

在前面部分的基础上，数据会有更多种操纵方式：

• 通过列名、行index来取数据，结合ix、iloc灵活的获取数据的一个子集（第一部分已经介绍）

• 按记录拼接（就像Union All）或者关联（join）

• 方便的统计函数与⾃定义函数映射

• 排序

• 缺失值处理

• 与Excel一样灵活的数据透视表（在第四部分更详细介绍）

2.1 数据集整合

2.1.1 横向拼接：直接DataFrame

pd.DataFrame([np.random.rand(2),np.random.rand(2),np.random.rand(2)],columns=['C1','C2'])

2.1.2 横向拼接：Concatenate

pd.concat([data_employee_ri,data_employee_ri,data_employee_ri])

输出结果

2.1.3 纵向拼接：Merge

根据数据列关联，使用on关键字

• 可以指定一列或多列

• 可以使⽤left_on和right_on

pd.merge(data_employee_ri,data_employee_ri,on='name')

根据index关联，可以直接使用left_index和right_index

TIPS: 增加how关键字，并指定

• how = 'inner'

• how = 'left'

• how = 'right'

• how = 'outer'

结合how，可以看到merge基本再现了SQL应有的功能，并保持代码整洁

2.2 自定义函数映射

dataNumPy32 = np.asarray([('Japan','Tokyo',4000),('S.Korea','Seoul',1300),('China','Beijing',9100)])

DF32 = pd.DataFrame(dataNumPy32,columns=['nation','capital','GDP'])

DF32

2.2.1 map: 以相同规则将1列数据作1个映射，也就是进行相同函数的处理

def GDP_Factorize(v):

    fv = np.float64(v)

    if fv > 6000.0:

         return 'High'

    elif fv < 2000.0:

         return 'Low'

    else:

         return 'Medium'



DF32['GDP_Level'] = DF32['GDP'].map(GDP_Factorize)

DF32['NATION'] = DF32.nation.map(str.upper)

DF32

2.3 排序

• sort: 按⼀列或者多列的值进行行级排序

• sort_index: 根据index⾥的取值进行排序，而且可以根据axis决定是重排行还是列

2.3.1 sort

dataNumPy33 = np.asarray([('Japan','Tokyo',4000),('S.Korea','Seoul',1300),('China','Beijing',9100)])

DF33 = pd.DataFrame(dataNumPy33,columns=['nation','capital','GDP'])

DF33

DF33.sort(['capital','nation'],ascending=False)

ascending是降序的意思。

2.3.2 sort_index

DF33.sort_index(axis=1,ascending=True)

2.3.3 一个好用的功能：Rank

DF33.rank()

2.4 缺失数据处理

2.4.1 忽略缺失值：

DF34.mean(skipna=True)

不忽略缺失值的话，估计就不能计算均值了吧。

如果不想忽略缺失值的话，就需要祭出fillna了：

注：这里我在猜想，axis=1是不是就代表从行的角度呢？还是得多读书查资料呀。

三. “一组”大熊猫：Pandas的groupby

groupby的功能类似SQL的group by关键字：

Split-Apply-Combine

• Split，就是按照规则分组

• Apply，通过⼀定的agg函数来获得输⼊pd.Series返回⼀个值的效果

• Combine，把结果收集起来

Pandas的groupby的灵活性：

• 分组的关键字可以来⾃于index，也可以来⾃于真实的列数据

• 分组规则可以通过⼀列或者多列

没有具体数据，截图看一下吧，方便日后回忆。

分组可以快速实现MapReduce的逻辑

• Map: 指定分组的列标签，不同的值就会被扔到不同的分组处理

• Reduce: 输入多个值，返回1个值，一般可以通过agg实现，agg能接受1个函数

参考：

• S1EP3_Pandas.pdf 不知道什么时候存到电脑里的资料，今天发现了它。感谢作者的资料。

• Python数据分析入门之pandas总结基础（一）

欢迎来Michael翔的博客查看完成版。