Pandas 数据分析入门详解
今日内容大纲介绍
-
DataFrame读写文件
-
DataFrame加载部分数据
-
DataFrame分组聚合计算
-
DataFrame常用排序方式
1.DataFrame-保存数据到文件
-
格式
df对象.to_数据格式(路径) # 例如: df.to_csv('data/abc.csv') -
代码演示
如要保存的对象是计算的中间结果，或者以后会在Python中复用，推荐保存成pickle文件
如果保存成pickle文件，只能在python中使用, 文件的扩展名可以是
.p，.pkl，.pickl# output文件夹必须存在 df.to_pickle('output/scientists.pickle') # 保存为 pickle文件 df.to_csv('output/scientists.csv') # 保存为 csv文件 df.to_excel('output/scientists.xlsx') # 保存为 Excel文件 df.to_excel('output/scientists_noindex.xlsx', index=False) # 保存为 Excel文件 df.to_csv('output/scientists_noindex.csv', index=False) # 保存为 Excel文件 df.to_csv('output/scientists_noindex.tsv', index=False, sep='\t') print('保存成功') -
注意, pandas读写excel需要额外安装如下三个包
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xlwt pip install -i https://pypi.tuna.tsinghua.edu.cn/simple openpyxl pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xlrd
2.DataFrame-读取文件数据
-
格式
pd对象.read_数据格式(路径) # 例如: pd.read_csv('data/movie.csv') -
代码演示
# pd.read_pickle('output/scientists.pickle') # 读取Pickle文件中的内容 # pd.read_excel('output/scientists.xlsx') # 多1个索引列 # pd.read_csv('output/scientists.csv') # 多1个索引列 pd.read_csv('output/scientists_noindex.csv') # 正常数据
3.DataFrame-数据分析入门
-
回顾
DataFrame和Series概念-
Pandas是用于数据分析的开源Python库，可以实现数据加载，清洗，转换，统计处理，可视化等功能
-
DataFrame和Series是Pandas最基本的两种数据结构
-
DataFrame用来处理结构化数据（SQL数据表，Excel表格）
-
Series用来处理单列数据，也可以把DataFrame看作由Series对象组成的字典或集合
-
-
按列加载数据
做数据分析首先要加载数据，并查看其结构和内容，对数据有初步的了解 查看行，列数据分布情况 查看每一列中存储信息的类型
import pandas as pd # 1. 加载数据 df = pd.read_csv('data/gapminder.tsv', sep='\t') # 指定切割符为\t df.head() # 2. # 查看df类型 type(df) df.shape # (1704, 6) df.columns # Index(['country', 'continent', 'year', 'lifeExp', 'pop', 'gdpPercap'], dtype='object') df.index # RangeIndex(start=0, stop=1704, step=1) df.dtypes # 查看df对象 每列的数据类型 df.info() # 查看df对象 详细信息 # 3. 加载一列数据 # country_series = df['country'] country_series = df.country # 效果同上 country_series.head() # 查看前5条数据 # 细节: 如果写 df['country'] 则是Series对象, 如果写 df[['country']]则是df对象 # 4. 加载多列数据 subset = df[['country', 'continent', 'year']] # df对象 print(subset.tail()) -
按行加载数据
# 1. 按行加载数据 df.head() # 获取前5条, 最左侧是一列行号, 也是 df的行索引, 即: Pandas默认使用行号作为 行索引. # 2. 使用 tail()方法, 获取最后一行数据 df.tail(n=1) # 3. 演示 iloc属性 和 loc属性的区别, loc属性写的是: 行索引值. iloc写的是行号. df.tail(n=1).loc[1703] df.tail(n=1).iloc[0] # 效果同上. # 4. loc属性 传入行索引, 来获取df的部分数据(一行, 或多行) df.loc[0] # 获取 行索引为 0的行 df.loc[99] # 获取 行索引为 99的行 df.loc[[0, 99, 999]] # loc属性, 根据行索引值, 获取多条数据. # 5. 获取最后一条数据 # df.loc[-1] # 报错 df.iloc[-1] # 正确 -
获取指定行/列数据
# 1. 获取指定 行|列 数据 df.loc[[0, 1, 2], ['country', 'year', 'lifeExp']] # 行索引, 列名 df.iloc[[0, 1, 2], [0, 2, 3]] # 行索引, 列的编号 # 2. 使用loc 获取所有行的, 某些列 df.loc[:, ['year', 'pop']] # 获取所有行的 year 和 pop列数据 # 3. 使用 iloc 获取所有行的, 某些列 df.iloc[:, [2, 3, -1]] # 获取所有行的, 索引为: 2, 3 以及 最后1列数据 # 4. loc只接收 行列名, iloc只接收行列序号, 搞反了, 会报错. # df.loc[:, [2, 3, -1]] # 报错 # df.iloc[:, ['country', 'continent']] # 报错 # 5. 也可以通过 range()生成序号, 结合 iloc 获取连续多列数据. df.iloc[:, range(1, 5, 2)] df.iloc[:, list(range(1, 5, 2))] # 把range()转成列表, 再传入, 也可以. # 6. 在iloc中, 使用切片语法 获取 n列数据. df.iloc[:, 3:5] # 获取列编号为 3 ~ 5 区间的数据, 包左不包右, 即: 只获取索引为3, 4列的数据. df.iloc[:, 0:6:2] # 获取列编号为 0 ~ 6 区间, 步长为2的数据, 即: 只获取索引为0, 2, 4列的数据. # 7. 使用loc 和 iloc 获取指定行, 指定列的数据. df.loc[42, 'country'] # 行索引为42, 列名为:country 的数据 df.iloc[42, 0] # 行号为42, 列编号为: 0 的数据 # 8. 获取多行多列 df.iloc[[0, 1, 2], [0, 2, 3]] # 行号, 列的编号 df.loc[2:6, ['country', 'lifeExp', 'gdpPercap']] # 行索引, 列名 推荐用法.
4.DataFrame-分组聚合计算
-
概述
-
在我们使用Excel或者SQL进行数据处理时，Excel和SQL都提供了基本的统计计算功能
-
当我们再次查看gapminder数据的时候，可以根据数据提出几个问题
-
每一年的平均预期寿命是多少？
-
每一年的平均人口和平均GDP是多少？
-
如果我们按照大洲来计算，每年个大洲的平均预期寿命，平均人口，平均GDP情况又如何？
-
在数据中，每个大洲列出了多少个国家和地区？
-
-
-
分组方式
-
对于上面提出的问题，需要进行分组-聚合计算
-
先将数据分组（每一年的平均预期寿命问题 按照年份将相同年份的数据分成一组）
-
对每组的数据再去进行统计计算如，求平均，求每组数据条目数（频数）等
-
再将每一组计算的结果合并起来
-
可以使用DataFrame的groupby方法完成分组/聚合计算
-
-
语法格式
df.groupby('分组字段')['要聚合的字段'].聚合函数() df.groupby(['分组字段','分组字段2'])[['要聚合的字段','要聚合的字段2']].聚合函数()分组后默认会把分组字段作为结果的行索引(index)
如果是多字段分组, 得到的是MultiIndex(复合索引), 此时可以通过reset_index() 把复合索引变成普通的列
例如: df.groupby(['year', 'continent'])[['lifeExp', 'gdpPercap']].mean().reset_index()
基本代码调用的过程
-
通过df.groupby('year')先创一个分组对象
-
从分组之后的数据DataFrameGroupBy中，传入列名进行进一步计算返回结果为一个 SeriesGroupBy ，其内容是分组后的数据
-
对分组后的数据计算平均值
-
-
代码演示
# 1. 统计每年, 平均预期寿命 # SQL写法: select year, avg(lifeExp) from 表名 group by year; df.groupby('year')['lifeExp'].mean() # 2. 上述代码, 拆解介绍. df.groupby('year') # 它是1个 DataFrameGroupBy df分组对象. df.groupby('year')['lifeExp'] # 从df分组对象中提取的 SeriesGroupBy Series分组对象(即: 分组后的数据) df.groupby('year')['lifeExp'].mean() # 对 Series分组对象(即: 分组后的数据), 具体求平均值的动作. # 3. 对多列值, 进行分组聚合操作. # 需求: 按照年, 大洲分组, 统计每年, 每个大洲的 平均预期寿命, 平均gdp df.groupby(['year', 'continent'])[['lifeExp', 'gdpPercap']].mean() # 4. 统计每个大洲, 列出了多少个国家和地区. df.groupby('continent')['country'].value_counts() # 频数计算, 即: 每个洲, 每个国家和地区 出现了多少次. df.groupby('continent')['country'].nunique() # 唯一值计数, 即: 每个大洲, 共有多少个国家和地区 参与统计.
5.Pandas-基本绘图
-
概述
-
可视化在数据分析的每个步骤中都非常重要
-
在理解或清理数据时，可视化有助于识别数据中的趋势
-
-
参考代码
data = df.groupby('year')['lifeExp'].mean() # Series对象 data.plot() # 默认绘制的是: 折线图. 更复杂的绘图, 后续详解.
6.Pandas-常用排序方法
-
第1步: 加载并查看数据
import pandas as pd # 1. 加载数据. movie = pd.read_csv('data/movie.csv') movie.head() # 2. 查看数据字段说明. movie.columns # 3. 查看数据行列数 movie.shape # (4916, 28) # 4. 统计数值列, 并进行转置. movie.describe() movie.describe().T # T表示转置操作, 即: 行列转换. # 5. 统计对象 和 类型列 movie.describe(include='all') # 统计所有的列, 包括: 数值列, 类别类型, 字符串类型 movie.describe(include=object) # 类别类型, 字符串类型 # 6. 通过info() 方法了解不同字段的条目数量，数据类型，是否缺失及内存占用情况 movie.info() -
第2步: 完整具体的需求
# 需求1: 找到小成本, 高口碑电影. # 即: 从最大的N个值中, 选取最小值. # 1. 加载数据. movie2 = movie[['movie_title', 'imdb_score', 'budget']] # 电影名, 电影评分, 成本(预算) # nlargest(): 获取某个字段取值最大的前n条数据. # nsmallest(): 获取某个字段取值最大的前n条数据. # 2. 用 nlargest()方法, 选出 imdb_score 分数最高的100个数据. movie2.nlargest(100, 'imdb_score') # 3. 用 smallest()方法, 从上述数据中, 挑出预算最小的 5步电影. movie2.nlargest(100, 'imdb_score').nsmallest(5, 'budget') # 需求2: 找到每年imdb评分最高的电影 # 1. 获取数据. movie3 = movie[['movie_title', 'title_year', 'imdb_score']] # 电影名, 上映年份, 电影评分 # 2. sort_values() 按照年排序. movie3.sort_values('title_year', ascending=False).head() # 按年降序排列, 查看数据. # 3. 同时对 title_year, imdb_score 两列进行排序. # movie4 = movie3.sort_values(['title_year', 'imdb_score'], ascending=[False, False]) movie4 = movie3.sort_values(['title_year', 'imdb_score'], ascending=False) # 效果同上 movie4.head() # 4. 用 drop_duplicates()去重, 只保留每年的第一条数据 # subset: 指定要考虑重复的列。 # keep: first/last/False 去重的时候, 保留第一条/保留最后一条/删除所有 movie4.drop_duplicates(subset='title_year').head()