pandas实用手册

Pandas最常用的数据对象是数据框（DataFrame）和Series。数据框与R中的DataFrame格式类似，都是一个二维数组。Series则是一个一维数组，类似于列表。数据框是Pandas中最常用的数据组织方式和对象。

series是一种一维数据结构，每一个元素都带有一个索引，与一维数组的含义相似，其中索引可以为数字或字符串。series结构名称：

dataframe是一种二维数据结构，数据以表格形式（与excel类似）存储，有对应的行和列。dataframe结构名称：

1、pandas安装及模块导入

最常用的方法是通过Anaconda安装，在终端或命令符输入如下命令安装：

conda install pandas

若未安装Anaconda，使用Python自带的包管理工具pip来安装：

pip install pandas

模块导入：

import pandas as pd # 导入pandas库print(pd.__version__) # 打印pandas版本信息

2、导入导出数据

#导入pd.read_csv(filename)：从CSV文件导入数据pd.read_table(filename)：从限定分隔符的文本文件导入数据pd.read_excel(filename)：从Excel文件导入数据pd.read_sql(query, connection_object)：从SQL表/库导入数据pd.read_json(json_string)：从JSON格式的字符串导入数据pd.read_html(url)：解析URL、字符串或者HTML文件，抽取其中的tables表格pd.read_clipboard()：从你的粘贴板获取内容，并传给read_table()pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据#导出df.to_csv(filename)：导出数据到CSV文件df.to_excel(filename)：导出数据到Excel文件df.to_sql(table_name, connection_object)：导出数据到SQL表df.to_json(filename)：以Json格式导出数据到文本文件

3、查看数据信息

# df：任意的Pandas DataFrame对象# s：任意的Pandas Series对象df.head(n)：查看DataFrame对象的前n行，默认5行df.tail(n)：查看DataFrame对象的最后n行df.shape()：查看行数和列数df.dtype:查看数据框每一列的数据类型df.index:查看索引df.columns:查看列名df.info()：查看索引、数据类型和内存信息df.describe()：显示描述性统计数据，包括集中趋势、分散趋势、形状等s.value_counts(dropna=False)：查看Series对象的唯一值和计数df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数

4、数据的选取和过滤

# df：任意的Pandas DataFrame对象# s：任意的Pandas Series对象#选取df[col]：根据列名，并以Series的形式返回列df[[col1, col2，...]]：以DataFrame形式返回多列df.iloc[where]:按整数索引选取数据，选取单个行或行子集df.iloc[:,where]:按整数索引选取数据,选取单个列或列子集df.iloc[where_i,where_j]：按整数索引选取数据,同时选取行和列df.loc[col]:通过轴标签选取数据，选取单个行货一组行df.loc[:,col]:通过轴标签选取数据，选取单列或列子集df.loc[col1,col2]:通过轴标签选取数据,同时选取行和列#过滤df[df['col3']==True]:单独列为基础选择符合条件的数据df[df=='a']:以所有的列为基础选择符合条件的数据df[(df['col2']=='a') & (df['col3']==True)]:多个筛选条件，且多个条件的逻辑为“且”，用&表示df[(df['col2']=='a') | (df['col3']==True)]:多个筛选条件，且多个条件的逻辑为“或”，用|表示df[df['col1'].isin([1,2])]:基于特定值的范围的数据查找df.query('col2=="b"'):按照类似sql的规则筛选数据

5、数据的处理

# df：任意的Pandas DataFrame对象# s：任意的Pandas Series对象df.T：转置数据框，行和列转换df.columns = ['a','b','c']：重命名列名pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组df.dropna()：删除所有包含空值的行df.dropna(axis=1)：删除所有包含空值的列df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行df.fillna(x)：用x替换DataFrame对象中所有的空值s.astype(float)：将Series中的数据类型更改为float类型s.replace(1,'one')：用‘one’代替所有等于1的值s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3df.rename(columns=lambda x: x + 1)：批量更改列名df.rename(columns={'old_name': 'new_ name'})：选择性更改列名df.set_index('column_one')：更改索引列df.rename(index=lambda x: x + 1)：批量重命名索引df.sort_values(['col1']):按值排序，默认为正序，可通过ascending=False指定倒序排序df.sort_index(ascending=False):按索引排序，默认为正序，可通过ascending=False指定倒序排序df.drop_duplicates(['col']):去重重复项，通过指定列设置去重的参照

6、数据的合并和匹配

df1.merge(df2,on='col1',how='inner')df1.append(df2)：将df2中的行添加到df1的尾部pd.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部df1.join(df2,on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join

7、数据的分类汇总

# df：任意的Pandas DataFrame对象# s：任意的Pandas Series对象df.groupby(['col2'])['col1'].sum()：按指定的列做分类汇总;groupby还可以配合agg，filter，transform，apply等高级函数使用df['col3'].map(lambda x:x*2):将一个函数或匿名函数应用到Series或数据框的特定列df.apply(pd.np.cumsum):将一个函数或匿名函数应用到Series或数据框df.groupby(['col2']).agg({'col1':np.sum,'col3':np.mean}):一次性对多个列做聚合操作pd.pivot_table(df,index=['col2'])：以col2列为索引建立数据透视表，默认计算方式为求均值df.count()非NaN的数量df.describe()一次性产生多个汇总统计df.min():最小值df.max():最大值df.idxmax(axis=0, skipna=True):返回含有最大值的index的Seriesdf.idxmin(axis=0, skipna=True):返回含有最小值的index的Seriesdf.quantile(axis=0)计算样本的分位数df.sum(axis=0, skipna=True, level=NaN)返回一个含有求和小计的Seriesdf.mean(axis=0, skipna=True, level=NaN)返回一个含有平均值的Seriesdf.median(axis=0, skipna=True, level=NaN)返回一个含有算术中位数的Seriesdf.var(axis=0, skipna=True, level=NaN)返回一个方差的Seriesdf.std(axis=0, skipna=True, level=NaN)返回一个标准差的Seriesdf.cumsum(axis=0, skipna=True, level=NaN)返回样本的累计和df.cummin(axis=0, skipna=True, level=NaN)返回样本的累计最大值df.cummax(axis=0, skipna=True, level=NaN)返回样本的累计最小值