Pandas库基础知识（一）

pandas包依赖于 NumPy 包，提高了高性能易用数据类型和分析工具。

1 数据结构 1、 Series 数据结构

Series 是一种类似于一维数组的对象，由一组数据和一组数据标签（索引值）组成。

（1） Series对象的创建

通过Series()方法创建对象，也可以直接将标量值、列表、字典和ndarray类型转换成Series数据。series的索引可以是自动索引或自定义索引，索引个数必须跟创建series的数据个数相同

（2） Series对象的属性

获取数据：Series.values
获取名称：Series.name
获取index：Series.index
获取index的名称：Series.index.name

（3） Series对象的基本操作

import pandas as pd
s=pd.Series(range(5),['a','b','c','d','e'])
print(s[3],s['d'])  # 3 3
print(s[['a','b']],s[:2])  # a    0   (结果相同)
					 	   #b    1
print(s[s>3])   # e    4
print('e' in s,0 in s)  # True False
print(s.get('f',99))  # 99

2、 DataFrame 数据结构

DataFrame是由一组数据和一对索引（行索引和列索引）组成的表格型数据结构，常用于表达二维数据，同时也可以表达多维数据，行列索引有自动索引和自定义索引。

当你将列表或数组赋值给一个列时，值的长度必须和DataFrame的长度相匹配。如果你将Series赋值给一列时，Series的索引将会按照DataFrame的索引重新排列，并在空缺的地方填充缺失值

（1） DataFrame对象的创建

df=pd.DataFrame(list/dict)

（2） DataFrame对象的属性

获得index：dataframe.index
获得columns：dataframe.columns
获取数据：dataframe.values
获取类型：dataframe.dtype
获得维度信息：dataframe.ndim
获取shape信息：dataframe.shape
获取行及列索引：dataframe.axes
转置列表：dataframe.T

（3）类型转换

第一种方法
语法：df.astype(‘type’)
功能描述：将表格数据类型转换成指定的数据类型

第二种方法
语法： df['column_name'].apply(‘type’)
功能描述：将表格数据中的一列数据类型转换成指定的数据类型

时间字符串转换成日期类型数据：
1、df['字段名']=pd.to_datetime(df['字段名'],format=None) format是时间格式，时间格式跟df['字段名']相同
2、df['字段名']=df['字段名'].apply(lambda x:datetime.strptime(x,'%Y-%m-%d')) 时间格式跟x相同

3、Series和 DataFrame的互相转换

Series------》DataFrame：

Series.to_frame(['column_name']) # column_name选填参

DataFrame------》Series：

DataFrame[column_name]

2 导入与导出数据

一般导入数据会使用到pandas库中的read_x()方法，其中x代表数据文件的类型，例如：read_excel()、read_csv()、read_table()

1、excel文件

（1）导入数据
语法：pandas.read_excel(io, sheet_name=0, header=0, names=None, index_col=None, usecols=None, squeeze=False, dtype= None, engine=None, converters=None, true_values=None, false_values=None, skiprows=None, nrows=None, na_values=None, keep_default_na=True, na_filter=True, verbose=False, parse_dates=False, date_parser=None, thousands=None, comment=None, skipfooter=0, convert_float=None, mangle_dupe_cols=True, storage_options= None)

参数说明：
sheet_name： 指定工作表名称或索引,默认第一个工作表
index_col： 指定行索引，默认从excel数据中的第0列开始
header： 指定列索引，默认从excel数据中的第0行开始
usecols： 指定数据导入时的列
skiprows： 设置跳过的行索引
keep_default_na： 空内容是否默认为NaN
parse_dates： 读取文件时按照指定的解析成日期格式的列
date_parser： 读取数据时按照该设置解析成日期格式，{ True(解析成日期并作为结果的index)，[index0,index1] 或 [‘column_name1’ ,‘column_name1’] (对指定列解析日期)，[[0,1,2]] (对指定列的数据解析日期并组合成一列)，{‘new_column_name’:[0,1,2] ((对指定列的数据解析日期并组合成一列,指定列名)}}

（2）导出数据

语法：DataFrame.to_excel(excel_writer, sheet_name= 'Sheet1', na_rep: = '', float_format:= None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None, storage_options= None)
参数说明：
excel_writer： 文件路径，文件后缀最好是xlsx格式
sheet_name： 要写入工作表的表名
na_rep： 表示缺失数据，不写默认为空
float_format： 浮点数据输出格式，如：%.2f
columns： 要写入的列
header： 数据的表头
index： 是否写入行索引
startrow： 写入的数据初始行
startcol： 写入的数据初始列
engine： 设置写引擎，{io.excel.xlsx.writer，io.excel.xls.writer 和 io.excel.xlsm.writer}
freeze_panes : 指定冻结窗口，整数的元组(长度2)
encoding： 编码方式

还有一种方法是采用ExcelWriter方法

with pd.ExcelWriter('output.xlsx') as writer:
	df1.to_excel(writer, sheet_name='Sheet_name_1')

2、 csv文件

（1）导入数据

df=padans.read_csv("文件路径"[,sep= ,nrows= , encoding=utf8/gbk  , engine=None])
# sep  定义分隔符，根据分隔符分隔csv中的数据返回结果给df，默认逗号分割（如csv数据不是用逗号分隔时会整行返回）
# nrows 指定返回csv数据中的行数
# encoding 指定编码方式
# engine  设置解析语言，参数值有python和c，所以路径中存在中文时会抛出OSError异常

当数据量很大时，可以修改engine参数，修改为pyarrow（仅限pandas1.4版本之后），也可以使用Parquet 数据格式

import pandas as pd
df = pd.read_csv("001.csv")
df.to_parquet("001.parquet", compression=None)
df = pd.read_parquet("001.parquet", engine="fastparquet")

（2）导出数据

df.to_csv(path,sep=',',na_rep='',columns=None,header=True,index=True,mode='w',encoding=None)
# mode：模式，'w'写入模式,'a'追加写入模式 

3、 txt文件

（1）导入数据
语法：padans.read_table(path,sep='\t',delimiter='None',header='infer',na_filter=True)
参数说明：
sep： 定义分隔符，根据分隔符分隔文件中的数据返回结果给df
delimiter： 分隔符别名
header： 标题行，默认infer（自动推导）
usecols： 需要导入的列
nrows： 需要导入的行数
na_filter： 是否检查缺失值

read_table()方法是利用分隔符来分开文件并将分隔后的文件导入，它不仅可以导入.txt文件，还可以导入.csv文件。

4、 导入sql文件 （1）python与数据库连接

语法：pymysql.connect(host='',user='',password='',db='',charset='')
参数说明：
host： 用户名
user： 密码
password： 数据库地址/本机使用localhost
db： 数据库名

（2）导入sql文件

语法：padas.read_aql(sql,con [, index_col])
参数说明：
sql： 是需要执行的sql语句
con： 第一步链接数据库的实例对象
index_col： 设置行索引

5、总结

数据格式	读取函数	写入函数
excel	read_excel	to_excel
csv	read_csv / read_table	to_csv
txt	raad_table	to_table
json	read_json	to_json
sql	read_sql	to_sql
html	read_html	to_html
剪贴板	read_clipboard	to_clipboard
pkl	read_pickle	to_pickle

pkl文件的读取速度比csv文件读取速度快2倍 ，相比excel读取同样的容量的数据快379倍，object类型很占内存，可以将其转换为category类型，再转换成plk文件可以大大提高数据导入和处理效率。

3 数据预览 1、 控制显示行数

s[5] 切片的形式显示指定行数据
df.head( [ size ] ) 显示前N行，默认前5行
df.tail( [ size ] ) 显示后N行，默认后5行
df.sample( [ size ] ) 随机显示N行，默认1行

2、 获取数据表的大小

len(s) 获取多少个数据
df.shape 以元组形式返回数据表的总行数和列数
df.count() 获取每列的有效个数，不包含无效值（Nan）

3、 获取数据类型

第一种方法：df.info() 返回整个数据表中所有列的数据类型，返回的结果包含行索引和列数
第二种方法：df [ 列名 ].dtype 返回指定列的数据类型
第三种方法：df.dtypes 返回每一列的数据类型

4、 获取数值分布情况

df.describe() 将数据表中数值类型中数据的均值、最值、方差和分位数返回

4 索引操作 1、修改columns

第一种方法：
语法：data.columns=list
功能描述：重新赋值列索引名
返回情况：无返回，直接修改原值
注意： 此方法会直接全部列名都被修改

第二种方法：
语法：data.rename(columns={"columns_name":'new_columns_name'},inplace=True)
功能描述：根据传入的参数，直接修改列索引名
返回情况：根据inplace的参数值判断返回情况

2、修改index

第一种方法：
语法：df.set_index('columns_name'[,append=False,drop=True,inplace=False,verify_integrity=False])
功能描述： 将传入的列名设置为行索引
返回情况： 返回一个设置索引后的DataFrame
参数说明：
append： 是否保留原索引
drop： 该列被指定为索引后，是否删除该列
verify_integrity： 检查新索引是否存在重复项

第二种方法：
语法：df.reset_index((level=None,name=None,inplace=False,drop=False, col_level=0,col_fill='')
功能描述： 重置索引，重置的索引值为默认索引range(0,end)
返回情况： 根据inplace的参数值判断返回情况
注意：
1、当drop=True时，直接丢弃原来的索引；若为Fales时，原索引被并入新的一列。
2、当Series转换成DataFrame时，但inplace的参数值必须是False，否则抛出TypeError异常

第三种方法：
语法：df.rename({’index_name‘:'new_index_name'},inplace=True) 没有指明columns时会直接默认为index
功能描述： 根据传入的参数，直接修改索引名
返回情况： 根据inplace的参数值判断返回情况

3、添加columns

第一种方法： 直接赋值添加 df['new_column']=new_values

第二种方法： 通过assign函数添加 df.assign(**kwargs)

第三种方法： 通过insert函数 df.insert(loc,item)

第四种方法： 通过df.columns.insert()方法 df.columns.insert(loc,item)

4、索引重排

当dataframe中的数据是字典类型时，转换成dataframe时列名没有顺序，可以使用reindex()方法重排索引
语法： df.reindex(labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None)
功能描述： 对df数据中的列名重新排序
参数说明：
index / columns： 新的行列自定义索引
fill_value： 重排索引中，用于填充缺失位置的值
method： 填充方法，ffill当前值向前填充，bfill向后填充
limit： 最大填充量
copy： 是否生成相等的新对象

5、多重索引

（1）多重索引的建立
使用set_index方法：df.set_index(['column_name1','column_name2'])

（2）获取多重索引值

获取所有索引：df.index/columns.levels
获取指定层级的索引:df.index/columns.get_level_values(N) N一般为层级数
获取指定层级的索引值：df.index/columns.get_level_values(N).values N一般为层级数

6、其他方法

方法	功能描述
df.columns / index.append(idx)	连接另一个index对象，产生新的index对象
df.columns / index.diff(idx)	计算差集
df.columns / index.intersection(idx)	计算交集
df.columns / index.union(idx)	计算并集
df.columns / index.insert(loc,item)	向位置loc中插入item元素
df.columns / index.delete(loc)	删除loc位置上的元素

5 数据增删改查 1、直接访问

（1）通过行列索引名访问：df[ column_name] (返回一列的值) / df[column_name][index_name] (返回一个值)

（2）通过切片访问 ：df[ start_index : end_index ]

（3）调用values属性：df.values （以ndarray的类型返回数据）

2、loc方法 （通过行列索引名称或切片来取数据）

3、iloc方法（通过行列下标来取数据）

4、条件筛选 （1）筛选条件

语法： df[df[条件]]
功能描述： 筛选出符合条件的并返回符合条件的数据
注意：
多个条件筛选时：df[(df[条件])|(df[条件])] / df[(df[条件])&(df[条件])]
当条件筛选返回的bool结果为DataFrame时，无法筛选行，必须是series类型的bool才能通过df[]直接过滤False的行

（2）where()方法

语法：DataFrame.where(cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=)
功能描述： 返回整个数据，但不符合条件的值为nan
参数说明： cond代表条件；other代表填充的数据

（3）mask()方法

语法：DataFrame.mask(cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=)
功能描述： 返回整个数据，但符合条件的值为nan
参数说明： cond代表条件；other代表填充的数据

（4）query()方法

语法： DataFrame.query(expr, inplace= False, **kwargs)
功能描述： 根据expr参数筛选数据
参数说明：
expr： 是字符串类型

import pandas as pd
df=pd.DataFrame({'name':['Lily','Violet','Bella'],"chinese_score":[80,88,84],'english_score':[92,87,82]})
print(df[df['name']=='Violet'])    # 1  Violet     88
print(df.query("name=='Violet'"))  # 1  Violet     88
print(df.query('chinese_score>english_score')) #  1  Violet             88             87
											   #  2   Bella             84             82
print(df[df['chinese_score']>df['english_score']]) # 结果与上一条相同

4、 数据修改与添加

针对数据的修改直接定位出位置再赋新的值即可修改数据，若定位的index不在原数据会创建新的index再赋值。

1、数据赋值修改

df['columns_name']=value
data1.loc['index_name','columns_name']=value
data1.iloc[index,columns]=value

2、数据替换

df.replace(to_replace='查找的字符', value='替换后的字符', regex=False, inplace = False,limit=None,method='pad')
# 查找的字符：当使用正则时，要求查找的字符是字符串类型  
# method : 填充方式，pad,ffill,bfill分别是向前、向前、向后填充

df.replace(['abc', '-'], ['aa', np.nan]) #将字符abc替换成aa，’-‘替换成NAN
df.replace({'aa': r'^C.$','bb':r'(a)'}, {'aa': 'unkonwn','bb':'CCC'}, regex=True) #将aa列长度为2以C开头非换行符结尾的字符都替换为‘unkonwn’，将bb列含有字母a的字符串中‘a’替换成‘CCC’

3、append()方法

语法： df.append(other, ignore_index= False, verify_integrity= False, sort= False)
功能描述： 将一个或多个DataFrame或Series添加到DataFrame中
参数说明：
other： 追加的数据
ignore_index ： 是否忽略原索引，为 True 则重新进行自然索引
verify_integrity： 检查新索引是否存在重复项
sort： 是否排序

4、concat()方法

语法： pd.concat(objs, axis=0, join='outer', ignore_index= False, keys=None, levels=None, names=None, verify_integrity= False, sort= False, copy= True)
功能描述： 数据合并
参数说明：
axis： 连接轴方向（1–水平，0–垂直）
join： 连接方式（‘inner’内连接交集，‘outer’外连接并集）
ignore_index： 是否省略原索引重新分配索引
keys： 连接的键
levels： 索引级别
verify_integrity： 是否允许列名重复
sort： 是否排序

5、insert()方法

语法： df.insert(loc, column, value, allow_duplicates= False)
功能描述： 向指定的列插入数据
参数说明：
loc： 索引位置
column： 新列的列名
value： 新列的值
allow_duplicates： 是否允许列名重复

6、assign()方法

语法：df.assign(**kwargs)
功能描述： 添加列并返回修改后的数据

df=pd.DataFrame([1,2,3,4])
df=df.assign(number1=[x for x in range(4)],s=[55,44,33,22])
print(df)