25000字玩转 Pandas, 这一篇给力了!

杰哥的IT之旅

共 48678字,需浏览 98分钟

 ·

2021-09-22 18:46

在下方公众号后台回复:面试手册,可获取杰哥汇总的 3 份面试 PDF 手册。

1、Pandas数据结构

  • 2008年WesMcKinney开发出的库
  • 专门用于数据挖掘的开源python库
  • 以Numpy为基础,借力Numpy模块在计算方面性能高的优势
  • 基于matplotlib,能够简便的画图
  • 独特的数据结构

1.1 为什么使用Pandas

Numpy已经能够帮助我们处理数据,能够结合matplotlib解决部分数据展示等问题,那么pandas学习的目的在什么地方呢?

  • (1)增强图表可读性

    • 在numpy当中创建学生成绩表样式:

    • 返回结果:

array([[9255785050],
       [7176504896],
       [4584785168],
       [8191565476],
       [8666776795],
       [4686566199],
       [4695444656],
       [8050456557],
       [4193904197],
       [6583575740]])

如果数据展示为这样,可读性就会更友好:

  • (2)便捷的数据处理能力
  • (3)读取文件方便
  • (4)封装了Matplotlib、Numpy的画图和计算

1.2 Pandas数据结构

Pandas中一共有三种数据结构,分别为:Series、DataFrame和MultiIndex(老版本中叫Panel )。

其中Series是一维数据结构,DataFrame是二维的表格型数据结构,MultiIndex是三维的数据结构。

1.2.1 Series

Series是一个类似于一维数组的数据结构,它能够保存任何类型的数据,比如整数、字符串、浮点数等,主要由一组数据和与之相关的索引两部分构成。

(1)Series的创建

# 导入pandas
import pandas as pd

pd.Series(data=None, index=None, dtype=None)
  • 参数:
    • data:传入的数据,可以是ndarray、list等
    • index:索引,必须是唯一的,且与数据的长度相等。如果没有传入索引参数,则默认会自动创建一个从0-N的整数索引。
    • dtype:数据的类型

通过已有数据创建:

  • (1)指定内容,默认索引:
pd.Series(np.arange(10))
# 运行结果
0    0
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int64
  • (2)指定索引:
pd.Series([6.7,5.6,3,10,2], index=[1,2,3,4,5])
# 运行结果
1     6.7
2     5.6
3     3.0
4    10.0
5     2.0
dtype: float64
  • (3)通过字典数据创建
color_count = pd.Series({'red':100'blue':200'green'500'yellow':1000})
color_count
# 运行结果
blue       200
green      500
red        100
yellow    1000
dtype: int64

(2)Series的属性

为了更方便地操作Series对象中的索引和数据,Series中提供了两个属性index和values:

  • index:
color_count = pd.Series({'red':100'blue':200'green'500'yellow':1000})

color_count.index

# 结果
Index(['blue''green''red''yellow'], dtype='object')
  • values:
color_count.values

# 结果
array([ 200,  500,  1001000])

也可以使用索引来获取数据:

color_count[2]

# 结果
100

1.2.2 DataFrame

DataFrame是一个类似于二维数组或表格(如excel)的对象,既有行索引,又有列索引:

  • 行索引,表明不同行,横向索引,叫index,0轴,axis=0
  • 列索引,表名不同列,纵向索引,叫columns,1轴,axis=1

(1)DataFrame的创建

# 导入pandas
import pandas as pd

pd.DataFrame(data=None, index=None, columns=None)
  • 参数:

    • index:行标签。如果没有传入索引参数,则默认会自动创建一个从0-N的整数索引。
    • columns:列标签。如果没有传入索引参数,则默认会自动创建一个从0-N的整数索引。
  • 通过已有数据创建

举例一:

pd.DataFrame(np.random.randn(2,3))

结果:

举例二:创建学生成绩表

使用np创建的数组显示方式,比较两者的区别。

# 生成10名同学,5门功课的数据
score = np.random.randint(40100, (105))#均匀分布

# 结果
array([[9255785050],
       [7176504896],
       [4584785168],
       [8191565476],
       [8666776795],
       [4686566199],
       [4695444656],
       [8050456557],
       [4193904197],
       [6583575740]])

但是这样的数据形式很难看到存储的是什么的样的数据,可读性比较差!!

问题:如何让数据更有意义的显示?

# 使用Pandas中的数据结构
score_df = pd.DataFrame(score)

结果:

给分数数据增加行列索引,显示效果更佳:

  • 增加行、列索引:
# 构造行索引序列
subjects = ["语文""数学""英语""政治""体育"]

# 构造列索引序列
stu = ['同学' + str(i) for i in range(score_df.shape[0])]

# 添加行索引
data = pd.DataFrame(score, columns=subjects, index=stu)

结果:

(2)DataFrame的属性

  • (1)shape
data.shape

# 结果
(105)
  • (2)index

DataFrame的行索引列表

data.index

# 结果
Index(['同学0''同学1''同学2''同学3''同学4''同学5''同学6''同学7''同学8''同学9'], dtype='object')
  • (3)columns

DataFrame的列索引列表

data.columns

# 结果
Index(['语文''数学''英语''政治''体育'], dtype='object')
  • (4)values

直接获取其中array的值

array([[5482628147],
       [5058737248],
       [8889499983],
       [7981694587],
       [8764627485],
       [6856587753],
       [7749824882],
       [9649679471],
       [9877449941],
       [7152749044]])
  • (5)T

转置

data.T

结果:

  • (6)head(5):显示前5行内容

如果不补充参数,默认5行。填入参数N则显示前N行

data.head(5)

结果:

  • (7)tail(5):显示后5行内容

如果不补充参数,默认5行。填入参数N则显示后N行

data.tail(5)

结果:

(3)DatatFrame索引的设置

现在要将下图的行索引改变,变成下下图所示样子,怎么做呢?

  • (1)修改行列索引值
stu = ["学同学_" + str(i) for i in range(score_df.shape[0])]

# 必须整体全部修改
data.index = stu

注意:以下修改方式是错误的,说明不能单独修改

# 错误修改方式,不能单个修改
data.index[3] = '学生_3'
  • (2)重设索引

    • 设置新的下标索引
    • drop:默认为False,不删除原来索引,如果为True,删除原来的索引值
    • reset_index(drop=False)
# 重置索引,drop=False
data.reset_index()

结果:

# 重置索引,drop=True
data.reset_index()

结果:

  • (3)以某列值设置为新的索引
  • set_index(keys, drop=True)
    • keys : 列索引名成或者列索引名称的列表
    • drop : boolean, default True.当做新的索引,删除原来的列

设置新索引案例:

1、创建

df = pd.DataFrame({'month': [14710],
                    'year': [2012201420132014],
                    'sale':[55408431]})

   month  sale  year
0  1      55    2012
1  4      40    2014
2  7      84    2013
3  10     31    2014

2、以月份设置新的索引

df.set_index('month')
       sale  year
month
1      55    2012
4      40    2014
7      84    2013
10     31    2014

3、设置多个索引,以年和月份

df = df.set_index(['year''month'])
df
            sale
year  month
2012  1     55
2014  4     40
2013  7     84
2014  10    31

注:通过刚才的设置,这样DataFrame就变成了一个具有MultiIndex的DataFrame。

1.2.3 MultiIndex与Panel

(1)MultiIndex

MultiIndex是三维的数据结构;

多级索引(也称层次化索引)是pandas的重要功能,可以在Series、DataFrame对象上拥有2个以及2个以上的索引。

  • (1)multiIndex的特性

打印刚才的df的行索引结果

df
            sale
year  month
2012  1     55
2014  4     40
2013  7     84
2014  10    31

df.index

MultiIndex(levels=[[201220132014], [14710]],
           labels=[[0212], [0123]],
           names=['year''month'])

多级或分层索引对象。

  • index属性
    • names:levels的名称
    • levels:每个level的元组值
df.index.names
# FrozenList(['year', 'month'])

df.index.levels
# FrozenList([[2012, 2013, 2014], [1, 4, 7, 10]])
  • (2)multiIndex的创建
arrays = [[1122], ['red''blue''red''blue']]
pd.MultiIndex.from_arrays(arrays, names=('number''color'))

# 结果
MultiIndex(levels=[[12], ['blue''red']],
           codes=[[0011], [1010]],
           names=['number''color'])

(2)Panel

  • (1)panel的创建
    • 作用:存储3维数组的Panel结构

    • 参数:

    • data : ndarray或者dataframe

    • items : 索引或类似数组的对象,axis=0

    • major_axis : 索引或类似数组的对象,axis=1

    • minor_axis : 索引或类似数组的对象,axis=2

    • class pandas.Panel(data=None, items=None, major_axis=None, minor_axis=None)

p = pd.Panel(data=np.arange(24).reshape(4,3,2),
                 items=list('ABCD'),
                 major_axis=pd.date_range('20130101', periods=3),
                 minor_axis=['first''second'])

# 结果
<class 'pandas.core.panel.Panel'>
Dimensions:
 4 (items) x 3 (major_axis) x 2 (minor_axis)
Items axis: A to D
Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00
Minor_axis axis: first to second
  • (2)查看panel数据
p[:,:,"first"]
p["B",:,:]

注:Pandas从版本0.20.0开始弃用:推荐的用于表示3D数据的方法是通过DataFrame上的MultiIndex方法。

2、基本数据操作

为了更好的理解这些基本操作,我们将读取一个真实的股票数据。关于文件操作,后面在介绍,这里只先用一下API。

# 读取文件
data = pd.read_csv("./data/stock_day.csv")

# 删除一些列,让数据更简单些,再去做后面的操作
data = data.drop(["ma5","ma10","ma20","v_ma5","v_ma10","v_ma20"], axis=1)

2.1 索引操作

Numpy当中我们已经讲过使用索引选取序列和切片选择,pandas也支持类似的操作,也可以直接使用列名、行名称,甚至组合使用。

2.2.1 直接使用行列索引(先列后行)

获取’2018-02-27’这天的’open’的结果:

# 直接使用行列索引名字的方式(先列后行)
data['open']['2018-02-27']
23.53

# 不支持的操作
# 错误
data['2018-02-27']['open']
# 错误
data[:1, :2]

2.2.2 结合loc或者iloc使用索引

获取从’2018-02-27’到’2018-02-22’,'open’的结果:

# 使用loc:只能指定行列索引的名字
data.loc['2018-02-27':'2018-02-22''open']

2018-02-27    23.53
2018-02-26    22.80
2018-02-23    22.88
Name: open, dtype: float64

# 使用iloc可以通过索引的下标去获取
# 获取前3天数据,前5列的结果
data.iloc[:3, :5]

            open    high    close    low
2018-02-27    23.53    25.88    24.16    23.53
2018-02-26    22.80    23.78    23.53    22.80
2018-02-23    22.88    23.37    22.82    22.71

2.2.3 使用ix组合索引(混合索引:下标和名称)

获取行第1天到第4天,[‘open’, ‘close’, ‘high’, ‘low’]这个四个指标的结果:

# 使用ix进行下表和名称组合做引
data.ix[0:4, ['open''close''high''low']]

# 推荐使用loc和iloc来获取的方式
data.loc[data.index[0:4], ['open''close''high''low']]
data.iloc[0:4, data.columns.get_indexer(['open''close''high''low'])]

            open    close    high    low
2018-02-27    23.53    24.16    25.88    23.53
2018-02-26    22.80    23.53    23.78    22.80
2018-02-23    22.88    22.82    23.37    22.71
2018-02-22    22.25    22.28    22.76    22.02

2.2 赋值操作

对DataFrame当中的close列进行重新赋值为1。

# 直接修改原来的值
data['close'] = 1 # 这一列都变成1
# 或者
data.close = 1

2.3 排序

排序有两种形式,一种对于索引进行排序,一种对于内容进行排序:

2.3.1 DataFrame排序

  • (1)使用df.sort_values(by=, ascending=)
    • by:指定排序参考的键
    • ascending:默认升序
    • ascending=False:降序
    • ascending=True:升序
    • 单个键或者多个键进行排序,
    • 参数:

如下:

例一:

# 按照开盘价大小进行排序 , 使用ascending指定按照大小排序
data.sort_values(by="open", ascending=True).head()

结果:

例二:

# 按照多个键进行排序
data.sort_values(by=['open''high'])

结果:

  • (2)使用df.sort_index(ascending=)给索引进行排序

这个股票的日期索引原来是从大到小,现在重新排序,从小到大:

# 对索引进行排序
data.sort_index()

结果:

2.3.2 Series排序

  • (1)使用series.sort_values(ascending=True)进行排序

series排序时,只有一列,不需要参数

data['p_change'].sort_values(ascending=True).head()

2015-09-01   -10.03
2015-09-14   -10.02
2016-01-11   -10.02
2015-07-15   -10.02
2015-08-26   -10.01
Name: p_change, dtype: float64
  • (2)使用series.sort_index()进行排序

与df一致

# 对索引进行排序
data['p_change'].sort_index().head()

2015-03-02    2.62
2015-03-03    1.44
2015-03-04    1.57
2015-03-05    2.02
2015-03-06    8.51
Name: p_change, dtype: float64

2.4 总结

3、DataFrame运算

3.1 算术运算

  • (1)add(other)

比如进行数学运算加上具体的一个数字

data['open'].head().add(1)

2018-02-27    24.53
2018-02-26    23.80
2018-02-23    23.88
2018-02-22    23.25
2018-02-14    22.49
Name: open, dtype: float64
  • (2)sub(other)

整个列减一个数

data.open.head().sub(2)

2018-02-27    21.53
2018-02-26    20.80
2018-02-23    20.88
2018-02-22    20.25
2018-02-14    19.49
Name: open, dtype: float64

3.2 逻辑运算

3.2.1 逻辑运算符号

  • 例如筛选data[“open”] > 23的日期数据
    • data[“open”] > 23返回逻辑结果
data["open"] > 23

2018-02-27     True
2018-02-26    False
2018-02-23    False
2018-02-22    False
2018-02-14    False
# 逻辑判断的结果可以作为筛选的依据
data[data["open"] > 23].head()

结果:

  • 完成多个逻辑判断:
data[(data["open"] > 23) & (data["open"] < 24)].head()

3.2.2 逻辑运算函数

  • (1)query(expr)
    • expr:查询字符串

通过query使得刚才的过程更加方便简单,下面是使用的例子:

data.query("open<24 & open>23").head()

结果:

  • (2)isin(values)

例如判断’open’是否为23.53和23.85:

# 可以指定值进行一个判断,从而进行筛选操作
data[data["open"].isin([23.5323.85])]

3.2.3 统计运算

(1)describe

综合分析: 能够直接得出很多统计结果,count, mean, std, min, max 等

# 计算平均值、标准差、最大值、最小值
data.describe()

(2)统计函数

看一下min(最小值), max(最大值), mean(平均值), median(中位数), var(方差), std(标准差),mode(众数)是怎么操作的:

对于单个函数去进行统计的时候,坐标轴还是按照默认列“columns” (axis=0, default),如果要对行“index” 需要指定(axis=1)。

  • (1)max()、min()
# 使用统计函数:0 代表列求结果, 1 代表行求统计结果
data.max(axis=0# 最大值

open                   34.99
high                   36.35
close                  35.21
low                    34.01
volume             501915.41
price_change            3.03
p_change               10.03
turnover               12.56
my_price_change         3.41
dtype: float64
  • (2)std()、var()
# 方差
data.var(axis=0)

open               1.545255e+01
high               1.662665e+01
close              1.554572e+01
low                1.437902e+01
volume             5.458124e+09
price_change       8.072595e-01
p_change           1.664394e+01
turnover           4.323800e+00
my_price_change    6.409037e-01
dtype: float64

# 标准差
data.std(axis=0)

open                   3.930973
high                   4.077578
close                  3.942806
low                    3.791968
volume             73879.119354
price_change           0.898476
p_change               4.079698
turnover               2.079375
my_price_change        0.800565
dtype: float64
  • (3)median():中位数

中位数为将数据从小到大排列,在最中间的那个数为中位数。如果没有中间数,取中间两个数的平均值。

data.median(axis=0)

open               21.44
high               21.97
close              10.00
low                20.98
volume          83175.93
price_change        0.05
p_change            0.26
turnover            2.50
dtype: float64
  • (4)idxmax()、idxmin()
# 求出最大值的位置
data.idxmax(axis=0)

open               2015-06-15
high               2015-06-10
close              2015-06-12
low                2015-06-12
volume             2017-10-26
price_change       2015-06-09
p_change           2015-08-28
turnover           2017-10-26
my_price_change    2015-07-10
dtype: object


# 求出最小值的位置
data.idxmin(axis=0)

open               2015-03-02
high               2015-03-02
close              2015-09-02
low                2015-03-02
volume             2016-07-06
price_change       2015-06-15
p_change           2015-09-01
turnover           2016-07-06
my_price_change    2015-06-15
dtype: object

(3)累计统计函数

那么这些累计统计函数怎么用?

以上这些函数可以对series和dataframe操作,这里我们按照时间的从前往后来进行累计

  • 排序
# 排序之后,进行累计求和
data = data.sort_index()
  • 对p_change进行求和
stock_rise = data['p_change']

stock_rise.cumsum()

2015-03-02      2.62
2015-03-03      4.06
2015-03-04      5.63
2015-03-05      7.65
2015-03-06     16.16
2015-03-09     16.37
2015-03-10     18.75
2015-03-11     16.36
2015-03-12     15.03
2015-03-13     17.58
2015-03-16     20.34
2015-03-17     22.42
2015-03-18     23.28
2015-03-19     23.74
2015-03-20     23.48
2015-03-23     23.74

那么如何让这个连续求和的结果更好的显示呢?

如果要使用plot函数,需要导入matplotlib.下面是绘图代码:

import matplotlib.pyplot as plt
# plot显示图形, plot方法集成了直方图、条形图、饼图、折线图
stock_rise.cumsum().plot()
# 需要调用show,才能显示出结果
plt.show()

结果:

关于plot,稍后会介绍API的选择。

(4)自定义运算

  • apply(func, axis=0)
    • func:自定义函数
    • axis=0:默认是列,axis=1为行进行运算
  • 定义一个对列,最大值-最小值的函数

下面看个例子:

data[['open''close']].apply(lambda x: x.max() - x.min(), axis=0)

open     22.74
close    22.85
dtype: float64

特定需求需要用这个。

4、Pandas画图

4.1 pandas.DataFrame.plot

  • DataFrame.plot(kind='line')

    • ‘line’ : 折线图
    • ‘bar’ : 条形图
    • ‘barh’ : 横放的条形图
    • ‘hist’ : 直方图
    • ‘pie’ : 饼图
    • ‘scatter’ : 散点图
    • kind : str,需要绘制图形的种类

关于“barh”的解释:
http://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.barh.html

更多细节:https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html?highlight=plot#pandas.DataFrame.plot

看个例子:

import matplotlib.pyplot as plt
# plot显示图形, plot方法集成了直方图、条形图、饼图、折线图
stock_rise.cumsum().plot(kind="line")
# 需要调用show,才能显示出结果
plt.show()

结果:

4.2 pandas.Series.plot

更多细节:https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.plot.html?highlight=plot#pandas.Series.plot

注:使用的时候查看。

5、文件读取与存储

我们的数据大部分存在于文件当中,所以pandas会支持复杂的IO操作,pandas的API支持众多的文件格式,如CSV、SQL、XLS、JSON、HDF5。

注:最常用的HDF5和CSV文件


接下来重点看一下,应用CSV方式、HDF方式和json方式实现文件的读取和存储。

5.1 CSV

5.1.1 read_csv

  • pandas.read_csv(filepath_or_buffer, sep =',', usecols )

    • filepath_or_buffer:文件路径
    • sep :分隔符,默认用","隔开
    • usecols:指定读取的列名,列表形式

举例:读取之前的股票的数据:

# 读取文件,并且指定只获取'open', 'close'指标
data = pd.read_csv("./data/stock_day.csv", usecols=['open''close'])

            open    close
2018-02-27    23.53    24.16
2018-02-26    22.80    23.53
2018-02-23    22.88    22.82
2018-02-22    22.25    22.28
2018-02-14    21.49    21.92

5.1.2 to_csv

  • DataFrame.to_csv(path_or_buf=None, sep=', ’, columns=None, header=True, index=True, mode='w', encoding=None)

    • path_or_buf :文件路径
    • sep :分隔符,默认用","隔开
    • columns :选择需要的列索引
    • header :boolean or list of string, default True,是否写进列索引值
    • index:是否写进行索引
    • mode:‘w’:重写, ‘a’ 追加

举例:保存读取出来的股票数据
保存’open’列的数据,然后读取查看结果:

# 选取10行数据保存,便于观察数据
data[:10].to_csv("./data/test.csv", columns=['open'])

# 读取,查看结果
pd.read_csv("./data/test.csv")

     Unnamed: 0    open
0    2018-02-27    23.53
1    2018-02-26    22.80
2    2018-02-23    22.88
3    2018-02-22    22.25
4    2018-02-14    21.49
5    2018-02-13    21.40
6    2018-02-12    20.70
7    2018-02-09    21.20
8    2018-02-08    21.79
9    2018-02-07    22.69

会发现将索引存入到文件当中,变成单独的一列数据。如果需要删除,可以指定index参数,删除原来的文件,重新保存一次。

下面例子把index指定为False,那么保存的时候就不会保存行索引了:

# index:存储不会将索引值变成一列数据
data[:10].to_csv("./data/test.csv", columns=['open'], index=False)

当然我们也可以这么做,就是把索引保存到文件中,读取的时候变成了一列,那么可以把这个列再变成索引,如下:

# 把Unnamed: 0这一列,变成行索引
open.set_index(["Unnamed: 0"])

# 把索引名字变成index
open.index.name = "index"

5.2 HDF5

5.2.1 read_hdf与to_hdf

HDF5文件的读取和存储需要指定一个键,值为要存储的DataFrame

  • (1)pandas.read_hdf(path_or_buf,key =None,** kwargs)

    • path_or_buffer:文件路径
    • key:读取的键
    • return:Theselected object
  • (2)DataFrame.to_hdf(path_or_buf, key, **kwargs)

5.2.2 案例

  • 读取文件
day_close = pd.read_hdf("./data/day_close.h5")

如果读取的时候出现以下错误

需要安装安装tables模块避免不能读取HDF5文件

pip install tables
  • 存储文件
day_close.to_hdf("./data/test.h5", key="day_close")

再次读取的时候, 需要指定键的名字

new_close = pd.read_hdf("./data/test.h5", key="day_close")

注意:优先选择使用HDF5文件存储

  • HDF5在存储的时候支持压缩,使用的方式是blosc,这个是速度最快的也是pandas默认支持的
  • 使用压缩可以提磁盘利用率,节省空间
  • HDF5还是跨平台的,可以轻松迁移到hadoop 上面

5.3 JSON

JSON是我们常用的一种数据交换格式,在前后端的交互经常用到,也会在存储的时候选择这种格式。所以我们需要知道Pandas如何进行读取和存储JSON格式。

5.3.1 read_json

  • pandas.read_json(path_or_buf=None, orient=None, typ='frame', lines=False)

    • 按照每行读取json对象
    • (1)‘split’ : dict like {index -> [index], columns -> [columns], data -> [values]}
    • (2)‘records’ : list like [{column -> value}, … , {column -> value}]
    • (3)‘index’ : dict like {index -> {column -> value}}
    • (4)‘columns’ : dict like {column -> {index -> value}},默认该格式
    • (5)‘values’ : just the values array
    • split 将索引总结到索引,列名到列名,数据到数据。将三部分都分开了
    • records 以columns:values的形式输出
    • index 以index:{columns:values}…的形式输出
    • colums 以columns:{index:values}的形式输出
    • values 直接输出值
    • path_or_buf : 路径
    • orient : string,以什么样的格式显示.下面是5种格式:
    • lines : boolean, default False
    • typ : default ‘frame’, 指定转换成的对象类型series或者dataframe

案例:

  • 数据介绍:

这里使用一个新闻标题讽刺数据集,格式为json。is_sarcastic:1讽刺的,否则为0;headline:新闻报道的标题;article_link:链接到原始新闻文章。存储格式为:

{"article_link""https://www.huffingtonpost.com/entry/versace-black-code_us_5861fbefe4b0de3a08f600d5""headline""former versace store clerk sues over secret 'black code' for minority shoppers""is_sarcastic"0}
{"article_link""https://www.huffingtonpost.com/entry/roseanne-revival-review_us_5ab3a497e4b054d118e04365""headline""the 'roseanne' revival catches up to our thorny political mood, for better and worse""is_sarcastic"0}
  • 读取

orient指定存储的json格式,lines指定按照行去变成一个样本:

json_read = pd.read_json("./data/Sarcasm_Headlines_Dataset.json", orient="records", lines=True)

结果为:

5.3.2 to_json

  • DataFrame.to_json(path_or_buf=None, orient=None, lines=False)
    • 将Pandas 对象存储为json格式
    • path_or_buf=None:文件地址
    • orient:存储的json形式,{‘split’,’records’,’index’,’columns’,’values’}
    • lines:一个对象存储为一行

案例:

  • 存储文件
# 不指定lines=Treu,则保存成一行
json_read.to_json("./data/test.json", orient='records')

结果:

[{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0},{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1},{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/advancing-the-worlds-women_b_6810038.html","headline":"advancing the world's women","is_sarcastic":0},....]
  • 修改lines参数为True
# 指定lines=True,则多行存储
json_read.to_json("./data/test.json", orient='records', lines=True)

结果:

{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0}
{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1}
{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0}...

6、高级处理-缺失值处理

在pandas中,缺失值使用NaN来标记,如下图所示:

6.1 如何处理nan

按如下步骤进行:

  • (1)获取缺失值的标记方式(NaN或者其他标记方式)

  • (2)如果缺失值的标记方式是NaN

    • 1、删除存在缺失值的:dropna(axis='rows')
      注:不会修改原数据,需要接受返回值

    • 2、替换缺失值:fillna(value, inplace=True)

    • value:替换成的值
    • inplace:True:会修改原数据,False:不替换修改原数据,生成新的对象
    • pd.isnull(df),
    • pd.notnull(df)
    • 判断数据中是否包含NaN:

    • 存在缺失值nan:

  • (3)如果缺失值没有使用NaN标记,比如使用"?"

    • 先替换‘?’为np.nan,然后继续处理

步骤就是上面的这样,下面通过例子来看看怎么使用pandas处理的:

6.2 电影数据的缺失值处理

  • 电影数据文件获取
# 读取电影数据
movie = pd.read_csv("./data/IMDB-Movie-Data.csv")

6.2.1 判断缺失值是否存在

  • (1)pd.notnull()

# 判断是否是缺失值,是则返回False
pd.notnull(movie)

# 结果:
Rank    Title    Genre    Description    Director    Actors    Year    Runtime (Minutes)    Rating    Votes    Revenue (Millions)    Metascore
0    True    True    True    True    True    True    True    True    True    True    True    True
1    True    True    True    True    True    True    True    True    True    True    True    True
2    True    True    True    True    True    True    True    True    True    True    True    True
3    True    True    True    True    True    True    True    True    True    True    True    True
4    True    True    True    True    True    True    True    True    True    True    True    True
5    True    True    True    True    True    True    True    True    True    True    True    True
6    True    True    True    True    True    True    True    True    True    True    True    True
7    True    True    True    True    True    True    True    True    True    True    False    True

但是上面这样显然不好观察,我们可以借助np.all()来返回是否有缺失值。np.all()只要有一个就返回False,下面看例子:

np.all(pd.notnull(movie))

# 返回
False
  • (2)pd.isnull()

    这个和上面的正好相反,判断是否是缺失值,是则返回True。

# 判断是否是缺失值,是则返回True
pd.isnull(movie).head()

# 结果:
 Rank Title Genre Description Director Actors Year Runtime (Minutes) Rating Votes Revenue (Millions) Metascore
0 False False False False False False False False False False False False
1 False False False False False False False False False False False False
2 False False False False False False False False False False False False
3 False False False False False False False False False False False False
4 False False False False False False False False False False False False

这个也不好观察,我们利用np.any() 来判断是否有缺失值,若有则返回True,下面看例子:

np.any(pd.isnull(movie))
# 返回
True

6.2.2 存在缺失值nan,并且是np.nan

  • 1、删除

pandas删除缺失值,使用dropna的前提是,缺失值的类型必须是np.nan

# 不修改原数据
movie.dropna()

# 可以定义新的变量接受或者用原来的变量名
data = movie.dropna()
  • 2、替换缺失值
# 替换存在缺失值的样本的两列
# 替换填充平均值,中位数
movie['Revenue (Millions)'].fillna(movie['Revenue (Millions)'].mean(), inplace=True)

替换所有缺失值:

# 这个循环,每次取出一列数据,然后用均值来填充
for i in movie.columns:
    if np.all(pd.notnull(movie[i])) == False:
        print(i)
        movie[i].fillna(movie[i].mean(), inplace=True)

6.2.3 不是缺失值nan,有默认标记的

直接看例子:

数据是这样的:

# 读入数据
wis = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data")

以上数据在读取时,可能会报如下错误:

URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:833)>

解决办法:

# 全局取消证书验证
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

处理思路分析:

  • 1、先替换‘?’为np.nan
    • to_replace:替换前的值
    • value:替换后的值
    • df.replace(to_replace=, value=)
# 把一些其它值标记的缺失值,替换成np.nan
wis = wis.replace(to_replace='?', value=np.nan)
  • 2、再进行缺失值的处理
# 删除
wis = wis.dropna()
  • 3、验证:
np.all(pd.notnull(wis))
# 返回True,说明没有了缺失值

# 或者

np.any(pd.isnull(wis))
# 返回False,说明没有了缺失值

7、高级处理-数据离散化

7.1 为什么要离散化

连续属性离散化的目的是为了简化数据结构,数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。

7.2 什么是数据的离散化

连续属性的离散化就是在连续属性的值域上,将值域划分为若干个离散的区间,最后用不同的符号或整数 值代表落在每个子区间中的属性值。

离散化有很多种方法,这里使用一种最简单的方式去操作:

  • 原始人的身高数据:165,174,160,180,159,163,192,184
  • 假设按照身高分几个区间段:150~165, 165~180,180~195

这样我们将数据分到了三个区间段,对应的标记为矮、中、高三个类别,最终要处理成一个"哑变量"矩阵。

下面通过股票数据的例子来看看,具体是怎么操作的。

7.3 股票的涨跌幅离散化

我们对股票每日的"p_change"这一列进行离散化,下图便是离散化后的结果,当前数据存在哪个区间,则这个区间标记为1,否则为0。


那具体怎么做的呢?接着看:

7.3.1 读取股票的数据

先读取股票的数据,筛选出p_change数据。

data = pd.read_csv("./data/stock_day.csv")
p_change= data['p_change']

7.3.2 将股票涨跌幅数据进行分组

下面是所在区间的个数。

使用的工具:

  • pd.qcut(data, q)
    • 对数据进行分组,将数据分成q组,一般会与value_counts搭配使用,统计每组的个数
  • series.value_counts():统计每个分组中有多少数据。
# 自行分组
qcut = pd.qcut(p_change, 10)
# 计算分到每个组数据个数
qcut.value_counts()

# 运行结果:
(5.2710.03]                    65
(0.260.94]                     65
(-0.4620.26]                   65
(-10.030999999999999-4.836]    65
(2.9385.27]                    64
(1.7382.938]                   64
(-1.352-0.462]                 64
(-2.444-1.352]                 64
(-4.836-2.444]                 64
(0.941.738]                    63
Name: p_change, dtype: int64

自定义区间分组:

  • pd.cut(data, bins)
# 自己指定分组区间
bins = [-100-7-5-30357100]
p_counts = pd.cut(p_change, bins)
p_counts.value_counts()

# 运行结果:
(03]        215
(-30]       188
(35]         57
(-5-3]       51
(7100]       35
(57]         35
(-100-7]     34
(-7-5]       28
Name: p_change, dtype: int64

7.3.3 股票涨跌幅分组数据变成one-hot编码

  • 什么是one-hot编码
    把每个类别生成一个布尔列,这些列中只有一列可以为这个样本取值为1.其又被称为热编码。

把下图中左边的表格转化为使用右边形式进行表示:


下面看看pandas中是怎么实现的:

  • pandas.get_dummies(data, prefix=None)
    • data:array-like, Series, or DataFrame

    • prefix:分组名字

下面是例子:

# 得出one-hot编码矩阵
dummies = pd.get_dummies(p_counts, prefix="rise")

运行结果:

8、高级处理-合并

如果你的数据由多张表组成,那么有时候需要将不同的内容合并在一起分析

8.1 pd.concat实现数据合并

  • pd.concat([data1, data2], axis=1)

    • 按照行或列进行合并,axis=0为列索引,axis=1为行索引

比如我们将刚才处理好的one-hot编码与原数据合并:

# 按照行索引进行
pd.concat([data, dummies], axis=1)

结果:

8.2 pd.merge

  • pd.merge(left, right, how='inner', on=None)

    • 可以指定按照两组数据的共同键值对合并或者左右各自
    • left: DataFrame
    • right: 另一个DataFrame
    • on: 指定的共同键
    • how:按照什么方式连接,下面的表格是说明

例子:

left = pd.DataFrame({'key1': ['K0''K0''K1''K2'],
                        'key2': ['K0''K1''K0''K1'],
                        'A': ['A0''A1''A2''A3'],
                        'B': ['B0''B1''B2''B3']})

right = pd.DataFrame({'key1': ['K0''K1''K1''K2'],
                        'key2': ['K0''K0''K0''K0'],
                        'C': ['C0''C1''C2''C3'],
                        'D': ['D0''D1''D2''D3']})
  • 内连接:健相同的取上,不同的删掉
# 默认内连接
result = pd.merge(left, right, on=['key1''key2'])

结果:

  • 左连接:按左边的数据进行合并
result = pd.merge(left, right, how='left', on=['key1''key2'])

结果:

  • 右连接:按右边的数据进行合并
result = pd.merge(left, right, how='right', on=['key1''key2'])
  • 链接:无论健是否相同都取上,对应不上的使用NaN填充。
result = pd.merge(left, right, how='outer', on=['key1''key2'])

结果:

9、高级处理-交叉表与透视表

9.1 交叉表与透视表什么作用

探究股票的涨跌与星期几有关?

以下图当中表示,week代表星期几,1,0代表这一天股票的涨跌幅是好还是坏,里面的数据代表比例

可以理解为所有时间为星期一等等的数据当中涨跌幅好坏的比例

  • 交叉表:交叉表用于计算一列数据对于另外一列数据的分组个数(用于统计分组频率的特殊透视表)
    • pd.crosstab(value1, value2)
  • 透视表:透视表是将原有的DataFrame的列分别作为行索引和列索引,然后对指定的列应用聚集函数
    • data.pivot_table()
    • DataFrame.pivot_table([], index=[])

9.2 案例分析

9.2.1 数据准备

  • 准备两列数据,星期数据以及涨跌幅是好是坏数据
  • 进行交叉表计算
# 寻找星期几跟股票张得的关系
# 1、先把对应的日期找到星期几
date = pd.to_datetime(data.index).weekday
data['week'] = date  # 增加一列

# 2、假如把p_change按照大小去分个类0为界限
data['posi_neg'] = np.where(data['p_change'] > 010)

# 通过交叉表找寻两列数据的关系
count = pd.crosstab(data['week'], data['posi_neg'])

结果:

但是我们看到count只是每个星期日子的好坏天数,并没有得到比例,该怎么去做?

  • 对于每个星期一等的总天数求和,运用除法运算求出比例
# 算数运算,先求和
sum = count.sum(axis=1).astype(np.float32)

# 进行相除操作,得出比例
pro = count.div(sum, axis=0)

结果:

9.2.2 查看效果

使用plot画出这个比例,使用stacked的柱状图

pro.plot(kind='bar', stacked=True)
plt.show()

9.2.3 使用pivot_table(透视表)实现

使用透视表,刚才的过程更加简单

# 通过透视表,将整个过程变成更简单一些
data.pivot_table(['posi_neg'], index='week')

结果:

10、高级处理-分组与聚合

分组与聚合通常是分析数据的一种方式,通常与一些统计函数一起使用,查看数据的分组情况

10.1 什么分组与聚合

下图展示了分组与聚合的概念:

10.2 分组API

  • DataFrame.groupby(key, as_index=False)
    • key:分组的列数据,可以多个

案例:不同颜色的不同笔的价格数据

col =pd.DataFrame({'color': ['white','red','green','red','green'], 'object': ['pen','pencil','pencil','ashtray','pen'],'price1':[5.56,4.20,1.30,0.56,2.75],'price2':[4.75,4.12,1.60,0.75,3.15]})

# 结果:
color    object    price1    price2
0    white    pen    5.56    4.75
1    red    pencil    4.20    4.12
2    green    pencil    1.30    1.60
3    red    ashtray    0.56    0.75
4    green    pen    2.75    3.15
  • 进行分组,对颜色分组,price进行聚合:
# 按color分组,再取出price1列求平均值
col.groupby(['color'])['price1'].mean()
# 和上述一个功能
col['price1'].groupby(col['color']).mean()
# 结果:
color
green    2.025
red      2.380
white    5.560
Name: price1, dtype: float64

# 分组,数据的结构不变
col.groupby(['color'], as_index=False)['price1'].mean()
# 结果:
color    price1
0    green    2.025
1    red    2.380
2    white    5.560

10.3 星巴克零售店铺数据

现在我们有一组关于全球星巴克店铺的统计数据,如果我想知道美国的星巴克数量和中国的哪个多,或者我想知道中国每个省份星巴克的数量的情况,那么应该怎么办?

数据来源:https://www.kaggle.com/starbucks/store-locations/data

10.3.1 数据获取

从文件中读取星巴克店铺数据

# 导入星巴克店的数据
starbucks = pd.read_csv("./data/starbucks/directory.csv")

10.3.2 进行分组聚合

# 按照国家分组,求出每个国家的星巴克零售店数量
count = starbucks.groupby(['Country']).count()

画图显示结果:

count['Brand'].plot(kind='bar', figsize=(208))
plt.show()


假设我们加入省市一起进行分组:

# 设置多个索引,set_index()
starbucks.groupby(['Country''State/Province']).count()

结果:

11、电影案例分析

11.1 需求

现在我们有一组从2006年到2016年1000部最流行的电影数据

数据来源:https://www.kaggle.com/damianpanek/sunday-eda/data

  • 问题1:我们想知道这些电影数据中评分的平均分,导演的人数等信息,我们应该怎么获取?
  • 问题2:对于这一组电影数据,如果我们想rating,runtime的分布情况,应该如何呈现数据?
  • 问题3:对于这一组电影数据,如果我们希望统计电影分类(genre)的情况,应该如何处理数据?

11.2 实现

首先获取导入包,获取数据:

%matplotlib inline
import pandas  as pd 
import numpy as np
from matplotlib import pyplot as plt
#文件的路径
path = "./data/IMDB-Movie-Data.csv"
#读取文件
df = pd.read_csv(path)

11.2.1 问题一:

我们想知道这些电影数据中评分的平均分,导演的人数等信息,我们应该怎么获取?

  • 得出评分的平均分

使用mean函数

df["Rating"].mean()

# 结果:
6.723200000000003
  • 得出导演人数信息

求出唯一值,然后进行形状获取

## 导演的人数
# df["Director"].unique().shape[0] # 方法一
np.unique(df["Director"]).shape[0# 方法二

644

11.2.2 问题二:

对于这一组电影数据,如果我们想Rating的分布情况,应该如何呈现数据?

  • 直接呈现,以直方图的形式

选择分数列数据,进行plot

df["Rating"].plot(kind='hist',figsize=(20,8))
plt.show()

效果:

发现直接通过pandas的plot画图,显示的下标不合适,这个时候我们需要借助matplotlib来改变。

  • Rating进行分布展示

进行绘制直方图

# 1.添加画布
plt.figure(figsize=(20,8),dpi=100)

# 2.画图
plt.hist(df["Rating"].values,bins=20)
# 2.1 添加刻度线
max_ = df["Rating"].max()
min_ = df["Rating"].min()
x_ticks = np.linspace(min_, max_, num=21)
plt.xticks(x_ticks)
# 2.2添加网格线
plt.grid()

# 3.显示
plt.show()

数据分析:从上图中就可以发现,评分主要分布在5~8分之间

11.2.3 问题三:

对于这一组电影数据,如果我们希望统计电影分类(genre)的情况,应该如何处理数据?

  • 思路分析
    • 1、创建一个全为0的dataframe,列索引置为电影的分类,temp_df
    • 2、遍历每一部电影,temp_df中把分类出现的列的值置为1
    • 3、求和
    • 思路

下面接着看:

  • 1、创建一个全为0的dataframe,列索引置为电影的分类,temp_df
# 进行字符串分割
temp_list = [i.split(","for i in df["Genre"]]
# 获取电影的分类
genre_list = np.unique([i for j in temp_list for i in j]) 

# 增加新的列,创建全为0的dataframe
temp_df = pd.DataFrame(np.zeros([df.shape[0],genre_list.shape[0]]),columns=genre_list)
  • 2、遍历每一部电影,temp_df中把分类出现的列的值置为1
for i in range(1000):
    #temp_list[i] 就是['Action','Adventure','Animation']等
    temp_df.ix[i,temp_list[i]]=1
    
print(temp_df.sum().sort_values()) # 求合并排序,ascending=False为倒序
  • 3、求和,绘图
temp_df.sum().sort_values(ascending=False).plot(kind="bar",figsize=(20,8),fontsize=20,colormap="cool")
plt.show()

结果:

以上。

作者:Ma Sizhou
https://blog.csdn.net/weixin_45901519/article/details/112980822

推荐阅读

超全的 100 个 Pandas 函数汇总,建议收藏

pandas创始人手把手教你利用Python进行数据分析(思维导图)

Pandas必知必会的使用技巧,值得收藏!

浏览 31
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报