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
• http://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