Pandas 速查手册

Question

关键缩写和包导入

在这个速查手册中，我们使用如下缩写：

df：任意的 Pandas DataFrame 对象

同时我们需要做如下的引入：

import pandas as pd

导入数据

• pd.read_csv (filename)：从 CSV 文件导入数据
• pd.read_table (filename)：从限定分隔符的文本文件导入数据
• pd.read_excel (filename)：从 Excel 文件导入数据
• pd.read_sql (query, connection_object)：从 SQL 表 / 库导入数据
• pd.read_json (json_string)：从 JSON 格式的字符串导入数据
• 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 ()：从你的粘贴板获取内容，并传给 read_table ()
• pd.DataFrame (dict)：从字典对象导入数据，Key 是列名，Value 是数据

导出数据

• df.to_csv (filename)：导出数据到 CSV 文件
• df.to_excel (filename)：导出数据到 Excel 文件
• df.to_sql (table_name, connection_object)：导出数据到 SQL 表
• df.to_json (filename)：以 Json 格式导出数据到文本文件

创建测试对象

• pd.DataFrame (np.random.rand (20,5))：创建 20 行 5 列的随机数组成的 DataFrame 对象
• pd.Series (my_list)：从可迭代对象 my_list 创建一个 Series 对象
• df.index = pd.date_range ('1900/1/30', periods=df.shape [0])：增加一个日期索引

查看、检查数据

• df.head (n)：查看 DataFrame 对象的前 n 行
• df.tail (n)：查看 DataFrame 对象的最后 n 行
• df.shape ()：查看行数和列数
• df.info()：查看索引、数据类型和内存信息
• df.describe ()：查看数值型列的汇总统计
• s.value_counts (dropna=False)：查看 Series 对象的唯一值和计数
• df.apply (pd.Series.value_counts)：查看 DataFrame 对象中每一列的唯一值和计数

数据选取

• df [col]：根据列名，并以 Series 的形式返回列
• df [[col1, col2]]：以 DataFrame 形式返回多列
• s.iloc [0]：按位置选取数据
• s.loc ['index_one']：按索引选取数据
• df.iloc [0,:]：返回第一行
• df.iloc [0,0]：返回第一列的第一个元素

数据清理

• df.columns = ['a','b','c']：重命名列名
• pd.isnull ()：检查 DataFrame 对象中的空值，并返回一个 Boolean 数组
• pd.notnull ()：检查 DataFrame 对象中的非空值，并返回一个 Boolean 数组
• df.dropna ()：删除所有包含空值的行
• df.dropna (axis=1)：删除所有包含空值的列
• df.dropna (axis=1,thresh=n)：删除所有小于 n 个非空值的行
• df.fillna (x)：用 x 替换 DataFrame 对象中所有的空值
• s.astype (float)：将 Series 中的数据类型更改为 float 类型
• s.replace (1,'one')：用‘one’代替所有等于 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={'oldname': 'new name'})：选择性更改列名
• df.set_index ('column_one')：更改索引列
• df.rename (index=lambda x: x + 1)：批量重命名索引

数据处理：Filter、Sort 和 GroupBy

• df [df [col] > 0.5]：选择 col 列的值大于 0.5 的行
• df.sort_values (col1)：按照列 col1 排序数据，默认升序排列
• df.sort_values (col2, ascending=False)：按照列 col1 降序排列数据
• df.sort_values ([col1,col2], ascending=[True,False])：先按列 col1 升序排列，后按 col2 降序排列数据
• df.groupby (col)：返回一个按列 col 进行分组的 Groupby 对象
• df.groupby ([col1,col2])：返回一个按多列进行分组的 Groupby 对象
• df.groupby (col1)[col2]：返回按列 col1 进行分组后，列 col2 的均值
• df.pivot_table (index=col1, values=[col2,col3], aggfunc=max)：创建一个按列 col1 进行分组，并计算 col2 和 col3 的最大值的数据透视表
• df.groupby (col1).agg (np.mean)：返回按列 col1 分组的所有列的均值
• data.apply (np.mean)：对 DataFrame 中的每一列应用函数 np.mean
• data.apply (np.max,axis=1)：对 DataFrame 中的每一行应用函数 np.max

数据合并

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

数据统计

• df.describe ()：查看数据值列的汇总统计
• df.mean ()：返回所有列的均值
• df.corr ()：返回列与列之间的相关系数
• df.count ()：返回每一列中的非空值的个数
• df.max ()：返回每一列的最大值
• df.min ()：返回每一列的最小值
• df.median ()：返回每一列的中位数
• df.std ()：返回每一列的标准差