【Python教程】Pandas数据分析核心操作详解

所需工具：

Python

聪明的大脑

勤劳的双手

 

注意：本站只提供教程，不提供任何成品+工具+软件链接，仅限用于学习和研究，禁止商业用途，未经允许禁止转载/分享等

 

教程如下

Pandas 是一个 python 软件库，它提供了大量能使我们快速便捷地处理数据的函数和方法。一般而言，Pandas 是使 Python 成为强大而高效的数据分析环境的重要因素之一。

Pandas 是基于 NumPy 构建的库，在数据处理方面可以把它理解为 NumPy 加强版，同时 Pandas 也是一项开源项目。它基于 Cython，因此读取与处理数据非常快，并且还能轻松处理浮点数据中的缺失数据（表示为 NaN）以及非浮点数据。

本文中，基本数据集操作主要介绍了 CSV 与 Excel 的读写方法，基本数据处理主要介绍了缺失值及特征抽取，最后的 DataFrame 操作则主要介绍了函数和排序等方法。

基本数据集操作

1.读取 CSV 格式的数据集

 	pd.DataFrame.from_csv(“csv_file”)

或者：

 	pd.read_csv(“csv_file”)

2.读取 Excel 数据集

 	pd.read_excel("excel_file")

3.将 DataFrame 直接写入 CSV 文件

如下采用逗号作为分隔符，且不带索引：

 	df.to_csv("data.csv", sep=",", index=False)

4.基本的数据集特征信息

 	df.info()

5.基本的数据集统计信息

 	print(df.describe())

6.Print data frame in a table

将 DataFrame 输出到一张表：

 	print(tabulate(print_table, headers=headers))

当「print_table」是一个列表，其中列表元素还是新的列表，「headers」为表头字符串组成的列表。

7.列出所有列的名字

 	df.columns

基本数据处理

8.删除缺失数据

 	df.dropna(axis=0, how='any')

返回一个 DataFrame，其中删除了包含任何 NaN 值的给定轴，选择 how=「all」会删除所有元素都是 NaN 的给定轴。

9.替换缺失数据

 	df.replace(to_replace=None, value=None)

使用 value 值代替 DataFrame 中的 to_replace 值，其中 value 和 to_replace 都需要我们赋予不同的值。

10.检查空值 NaN

 	pd.isnull(object)

检查缺失值，即数值数组中的 NaN 和目标数组中的 None/NaN。

11.删除特征

 	df.drop('feature_variable_name', axis=1)

axis 选择 0 表示行，选择表示列。

12.将目标类型转换为浮点型

 	pd.to_numeric(df["feature_name"], errors='coerce')

将目标类型转化为数值从而进一步执行计算，在这个案例中为字符串。

13.将 DataFrame 转换为 NumPy 数组

 	df.as_matrix()

14.取 DataFrame 的前面「n」行

 	df.head(n)

15.通过特征名取数据

 	df.loc[feature_name]

DataFrame 操作

16.对 DataFrame 使用函数

该函数将令 DataFrame 中「height」行的所有值乘上 2：

 	df["height"].apply(*lambda* height: 2 * height)

或：

 	def multiply(x): return x * 2df["height"].apply(multiply)

17.重命名行

下面代码会重命名 DataFrame 的第三行为「size」：

 	df.rename(columns = {<!--{C}%3C!%2D%2D%20%2D%2D%3E-->df.columns[2]:'size'}, inplace=True)

18.取某一行的唯一实体

下面代码将取「name」行的唯一实体：

 	df["name"].unique()

19.访问子 DataFrame

以下代码将从 DataFrame 中抽取选定了的行「name」和「size」：

 	new_df = df[["name", "size"]]

20.总结数据信息

 	# Sum of values in a data frame
 	df.sum()
 	# Lowest value of a data frame
 	df.min()
 	# Highest value
 	df.max()
 	# Index of the lowest value
 	df.idxmin()
 	# Index of the highest value
 	df.idxmax()
 	# Statistical summary of the data frame, with quartiles, median, etc.
 	df.describe()
 	# Average values
 	df.mean()
 	# Median values
 	df.median()
 	# Correlation between columns
 	df.corr()
 	# To get these values for only one column, just select it like this#
 	df["size"].median()

21.给数据排序

 	df.sort_values(ascending = False)

22.布尔型索引

以下代码将过滤名为「size」的行，并仅显示值等于 5 的行：

 	df[df["size"] == 5]

23.选定特定的值

以下代码将选定「size」列、第一行的值：

 	df.loc([0], ['size'])