Python数据操作强大库 - pandas库之DataFrame工具

我们在处理后台数据时最经常用到的结构就是二维表格的形式,而DataFrame工具可以帮助我们快速处理表格数据,可以以行为单位处理整行数据,也可以以列为单位处理一列的数据,是一个比较灵活处理数据的工具,在数据处理上有很大的实用性。

1.生成数据

1.1 设置DataFrame的index,columns以及values

例如:

data = DataFrame(np.arange(15).reshape(3,5),index=['one','two','three'],columns=['a','b','c','d','e'])

就可以生成类似下面的矩阵:

1.2 返回的数据为二维列表格式的:

例如:

获取数据查询后的列表数据后再转换:

employee_data = [x.to_dict() for x in data.items]

df = pd.DataFrame(employee_data)

可以对每一列重新命名:df.rename(columns=col_name, inplace=True)

对缺省值的填充:df.fillna('', inplace=True)

2.查询数据

2.1 获取特定列和行的数据

a['x'] 那么将会返回columns为x的列

a[0:3] 则会返回前三行的数据

2.2 通过标签来选择数据

a.loc['one']则会默认表示选取行为'one'的行;

a.loc[:,['a','b']] 表示选取所有的行以及columns为a,b的列

a.loc[['one','two'],['a','b']] 表示选取'one'和'two'这两行以及columns为  a,b的列

2.3 直接通过位置来过滤数据

a.iloc[1:2,1:2] 则会获取第一行第一列的数据

2.4 通过条件来过滤数据

a[a['one'].isin(['2','3'])] 表显示满足条件:列one中的值包含'2','3'的所有行(isin()选出特定列中包含特定值的行)

3.数据转换

pandas 中的to_dict 可以对DataFrame类型的数据进行转换

可以选择六种的转换类型,分别对应于参数 ‘dict’, ‘list’, ‘series’, ‘split’, ‘records’, ‘index’

3.1 转dict:默认的参数,形成 {column : {index : value}}这样的结构的字典,可以看成是一种双重字典结构, 查询方式为 :data_dict[key1][key2]

3.2 转list: 结构为{column : [values]} ,访问方式:data_list[keys][index]

3.3 转series:结构为{column : Series(values)}

3.4 转split:结构:{index : [index], columns : [columns], data : [values]}

3.5 转records:最经常用[{column : value}, … , {column : value}],内层是将   原始数据的每行提取出来形成字典

3.6 转index:结构{index : {column : value}}

4.处理数据

4.1 对指定轴上的索引进行改变/增加/删除操作,返回原始数据的一个拷贝

reindex()方法

用法:a.reindex(index=['one','five'],columns=list(a.columns)+['d'])

4.2 合并操作

1. 可以对列表数据进行横竖合并:contact

用法:contact(a1,axis=0/1,keys=['xx','xx','xx',...])

参数解释:

a1表示要进行进行连接的列表数据,

axis=1时表横着对数据进行连接。axis=0或不指定时,表将数据竖着进行连接。

a1中要连接的数据有几个则对应几个keys

2. 将一行或多行数据连接到列表上

用法:append(a1[2:],ignore_index=True)

参数解释:

表示将a中的第三行以后的数据全部添加到原列表中

若不指定ignore_index参数,则会把添加的数据的index保留下来

若ignore_index=Ture则会对所有的行重新自动建立索引。

3. 当两个列表有相同的键值时,就可以类似SQL那样连接:

(1)内连接,pd.merge(a1, a2, on='key')

(2)左连接,pd.merge(a1, a2, on='key', how='left')

(3)右连接,pd.merge(a1, a2, on='key', how='right')

(4)外连接, pd.merge(a1, a2, on='key', how='outer')

5.统计数据

分组统计groupby

例如生成如下数据:

data={

'date':pd.date_range('20000101',periods=10),

'gender':np.random.randint(0,2,size=10),

'height':np.random.randint(40,50,size=10),

'weight':np.random.randint(150,180,size=10)

}

a=DataFrame(data)

我们对gender列进行分组统计height和weight:

用法:a.groupby('gender').sum()

得到如下结果:

还有其他的统计用法:

1.a.mean() 默认对每一列的数据求平均值;若加上参数a.mean(1)则对每一行求平均值;

2.统计某一列x中各个值出现的次数:a['x'].value_counts();

3.对数据应用函数

a.apply(lambda x:x.max()-x.min())

表示返回所有列中最大值-最小值的差。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,319评论 5 459
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,801评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,567评论 0 319
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,156评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,019评论 4 355
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,090评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,500评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,192评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,474评论 1 290
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,566评论 2 309
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,338评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,212评论 3 312
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,572评论 3 298
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,890评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,169评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,478评论 2 341
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,661评论 2 335

推荐阅读更多精彩内容