2019年9月19日 星期四

Pandas速查

本文翻譯自文章:Pandas Cheat Sheet - Python for Data Science,同時添加了部分註解。
對於數據科學家,無論是數據分析還是數據挖掘來說,Pandas是一個非常重要的Python包。它不僅提供了很多方法,使得數據處理非常簡單,同時在數據處理速度上也做了很多優化,使得和Python內置方法相比時有了很大的優勢。
如果你想學習Pandas,建議先看兩個網站。
(1)官網:Python Data Analysis Library
(2)十分鐘入門Pandas:10 Minutes to pandas
在第一次學習Pandas的過程中,你會發現你需要記憶很多的函數和方法。所以在這裡我們彙總一下Pandas官方文檔中比較常用的函數和方法,以方便大家記憶。同時,我們提供一個PDF版本,方便大家打印。pandas-cheat-sheet.pdf

關鍵縮寫和包導入

在這個速查手冊中,我們使用如下縮寫:
df:任意的Pandas DataFrame對象
s:任意的Pandas Series對象
同時我們需要做如下的引入:

import pandas as pd
import numpy as np

導入數據

  • pd.read_csv(filename):從CSV文件導入數據
  • pd.read_table(filename):從限定分隔符的文本文件導入數據
  • pd.read_excel(filename):從Excel文件導入數據
  • pd.read_sql(query, connection_object):從SQL表/庫導入數據
  • pd.read_json(json_string):從JSON格式的字符串導入數據
  • 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():從你的粘貼板獲取內容,並傳給read_table()
  • pd.DataFrame(dict):從字典對象導入數據,Key是列名,Value是數據


導出數據

  • df.to_csv(filename):導出數據到CSV文件
  • df.to_excel(filename):導出數據到Excel文件
  • df.to_sql(table_name, connection_object):導出數據到SQL表
  • df.to_json(filename):以Json格式導出數據到文本文件


創建測試對象

  • pd.DataFrame(np.random.rand(20,5)):創建20行5列的隨機數組成的DataFrame對象
  • pd.Series(my_list):從可迭代對象my_list創建一個Series對象
  • df.index = pd.date_range('1900/1/30', periods=df.shape[0]):增加一個日期索引


查看、檢查數據

  • df.head(n):查看DataFrame對象的前n行
  • df.tail(n):查看DataFrame對象的最後n行
  • df.shape():查看行數和列數
  • df.info():查看索引、數據類型和內存信息
  • df.describe():查看數值型列的彙總統計
  • s.value_counts(dropna=False):查看Series對象的唯一值和計數
  • df.apply(pd.Series.value_counts):查看DataFrame對象中每一列的唯一值和計數


數據選取

  • df[col]:根據列名,並以Series的形式返回列
  • df[[col1, col2]]:以DataFrame形式返回多列
  • s.iloc[0]:按位置選取數據
  • s.loc['index_one']:按索引選取數據
  • df.iloc[0,:]:返回第一行
  • df.iloc[0,0]:返回第一列的第一個元素


數據清理

  • df.columns = ['a','b','c']:重命名列名
  • pd.isnull():檢查DataFrame對象中的空值,並返回一個Boolean數組
  • pd.notnull():檢查DataFrame對象中的非空值,並返回一個Boolean數組
  • df.dropna():刪除所有包含空值的行
  • df.dropna(axis=1):刪除所有包含空值的列
  • df.dropna(axis=1,thresh=n):刪除所有小於n個非空值的行
  • df.fillna(x):用x替換DataFrame對象中所有的空值
  • s.astype(float):將Series中的數據類型更改為float類型
  • s.replace(1,'one'):用『one'代替所有等於1的值
  • s.replace([1,3],['one','three']):用'one'代替1,用'three'代替3
  • df.rename(columns=lambda x: x + 1):批量更改列名
  • df.rename(columns={'old_name': 'new_ name'}):選擇性更改列名
  • df.set_index('column_one'):更改索引列
  • df.rename(index=lambda x: x + 1):批量重命名索引


數據處理:Filter、Sort和GroupBy

  • df[df[col] > 0.5]:選擇col列的值大於0.5的行
  • df.sort_values(col1):按照列col1排序數據,默認升序排列
  • df.sort_values(col2, ascending=False):按照列col1降序排列數據
  • df.sort_values([col1,col2], ascending=[True,False]):先按列col1升序排列,後按col2降序排列數據
  • df.groupby(col):返回一個按列col進行分組的Groupby對象
  • df.groupby([col1,col2]):返回一個按多列進行分組的Groupby對象
  • df.groupby(col1)[col2]:返回按列col1進行分組後,列col2的均值
  • df.pivot_table(index=col1, values=[col2,col3], aggfunc=max):創建一個按列col1進行分組,並計算col2和col3的最大值的數據透視表
  • df.groupby(col1).agg(np.mean):返回按列col1分組的所有列的均值
  • data.apply(np.mean):對DataFrame中的每一列應用函數np.mean
  • data.apply(np.max,axis=1):對DataFrame中的每一行應用函數np.max


數據合併

  • df1.append(df2):將df2中的行添加到df1的尾部
  • df.concat([df1, df2],axis=1):將df2中的列添加到df1的尾部
  • df1.join(df2,on=col1,how='inner'):對df1的列和df2的列執行SQL形式的join


數據統計

  • df.describe():查看數據值列的彙總統計
  • df.mean():返回所有列的均值
  • df.corr():返回列與列之間的相關係數
  • df.count():返回每一列中的非空值的個數
  • df.max():返回每一列的最大值
  • df.min():返回每一列的最小值
  • df.median():返回每一列的中位數
  • df.std():返回每一列的標準差

沒有留言: