前言:Python数据分析的基础在于对数据的提取,清洗,汇总,并思考整理发现数据规律的过程。以下模块是个人在数据分析常用模块,特此总结,便于查阅,构建数据分析体系。
数据源
import pandas as pd
import numpy as np
df = pd.DataFrame( {
'ONE': [1.1,1.2,1.1,1.4,99],
'TWO': [2.1,2.2,2.3,2.4,2.5],
'THREE': [3.1,3.2,3.3,3.4,3.5]})
dfOne = pd.DataFrame({
'ONEs': [1.1,1.2,1.1,1.4,'字符'],
'TWOs': ['B1','B2','B3','B4','B5'],
'THREEs': ['C1','C2','C3','C4','C5'],
'FOURs': [20,40,60,80,100],
'TIMEs':[
'2016-01-01 01:01:01',
'2016-02-01 02:02:02',
'2016-03-01 03:03:03',
'2016-04-04 04:04:04',
'2016-05-05 05:05:05']})
导入数据
import pandas as pd
from pandas import read_csv
df = read_table('D://PA//4.1//2.txt') : TXT
df = read_csv('D://PA//4.1//1.csv') :CSV(指定文件编码)
df = read_csv('D://PA//4.1//1.csv', encoding='UTF-8')
df = read_excel('D://PA//4.1//3.xlsx', sheetname='data'):EXCEL
df = pd.read_html(url):解析URL、字符串或者HTML文件,抽取其中的tables表格
df = pd.read_clipboard():从你的粘贴板获取内容,并传给read_table()
df = pd.DataFrame(dict):从字典对象导入数据,Key是列名,Value是数据
df = pd.read_json(json_string):从JSON格式的字符串导入数据
df = pd.read_sql(query, connection_object):从SQL表/库导入数据
查看、检查数据
DataFrame较为常见,DataFrame的生成可通过读取纯文本、Json等数据来生成,亦可以通过Python对象来生成
df.dtypes:数据框中的每一列的数据格式
df.index:数据框的索引
df.columns : 数据框中的列名
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
http:// 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
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
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
select
- Select ONE,THREE from df where index >= 1 and index<= 3 order by index
df.loc[1:3,["ONE","THREE"]]
- Select * from df where index >= 1 and index < 3 order by index
df[1:3]
- Select ONE,THREE from df
df[['ONE', 'THREE']]
WHERE
Pandas实现where filter,较为常用的办法为df[df[colunm] boolean expr]
SELECT * from df where ONE > 1.1
df[df['ONE'] == 1.1]
df[df['ONE'] > 1.1]
df.query('ONE > 1.1')
AND
df[(df['ONE'] == 1.1) & (df['TWO'] == 2.1)]
OR
df[(df['ONE'] == 1.1) | (df['TWO'] == 2.1)]
IN
df[df['ONE'].isin([1.1,1.2])]
NOT
df[-(df['ONE'].isin([1.1,1.2]))]
LIKE
某列是否包含字符.str.contains('str')
select case when ONE like '字符' then -1 else 0 end from df
-df.ONE.str.contains('字符')
DISTINCT
保留重复元素中的第一个,删除重复元素的后面列
df.drop_duplicates(subset=['ONE'], keep='first', inplace=False)
1. subset,为选定的列做distinct,默认为所有列
2. keep,值选项{'first', 'last', False},保留重复元素中的第一个、最后一个,或全部删除;
3. inplace ,默认为False,返回一个新的dataframe;若为True,则返回去重后的原dataframe
select count(distinct ONE) from df
len(df.drop_duplicates(subset=['ONE'], keep='first', inplace=False))
GROUP
group一般会配合合计函数(Aggregate functions)使用,
比如:count、avg等。Pandas对合计函数的支持有限,有count和size函数实现SQL的count
- select ONE,count(*) from df group by ONE
df.groupby('ONE').size()
df.groupby('ONE').count()
- select THREE,sum(two) from df grouo by THREE
df.groupby('THREE').agg({'TWO': np.sum})
- df.groupby('ONE').agg({'TWO': np.max})
select ONE,max(two) from df group by ONE
- select TWO,count(distinct one) fron df group by TWO
df.groupby('TWO').agg({'ONE': pd.Series.nunique})
AS
SQL中使用as修改列的别名,Pandas也支持这种修改:
- df.columns = ['A', 'B', 'C']
- df.rename(columns={'A': 'ONE', 'B': 'TWO', 'C': 'THREE'}, inplace=True)
JOIN
Pandas中join的实现也有两种
A. JOIN,横向连接 len(df) = len(df1) --> df + df1,按DataFrame的index进行join的df.join(dfOne, how='left')
B.按on指定的列做join。Pandas满足left、right、inner、full outer四种join方式
- select * from df as a left join dfOne as b on a.ONE = b.ONEs
pd.merge(df, dfOne, how='left', left_on='ONE', right_on='ONEs')
- df1.join(df2,on=col1,how='inner'):对df1的列和df2的列执行SQL形式的join
OEDER
Pandas中支持多列order,并可以调整不同列的升序/降序,有更高的排序自由度:
select * from df order by ONE desc,THREE
df.sort_values(['ONE', 'THREE'], ascending=[False, True])
REPALCE
- 全局替换
df.replace(to_replace=1.1, value=1.2, inplace=True)
- 局部替换
df.replace({'TWO': {2.1: 1.2, 2.4: 2.5}}, inplace=True)
- 指定条件替换
select ONE,THREE,CASE WHEN ONE = 1.2 THEN 2999 ELSE TWO END from df
df.loc[df.ONE == 1.2,'TWO'] = '2999'
自定义函数
- map(func),为Series的函数,DataFrame不能直接调用,需取列后再调用
select (ONE - 1) AS ONE from df
df['ONE'].map(lambda x: x - 1)
- apply(func,axis=1) 对DataFrame中的每一行或则列应用函数func
df[['ONE', 'TWO']].apply(sum)
- applymap(func),为element-wise函数,对每一个元素做func操作
df.applymap(lambda x: x.upper() if type(x) is str else x)
数据清洗
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={'old_name': '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
- 单字段的处理
'Is Chicago Not Chicago?' 多个字符合并成一个字符
>>>
parts = ['Is', 'Chicago', 'Not', 'Chicago?']
' '.join(parts)
- 数据缺失的处理,去除数据结构中值为空的数据 或者 数据零填充
newdf = df.dropna()
data = data.fillna(0)
- 数据类型转换,astype(str)转化为字符串
select cast(ONEs as string) as ONEs from df
>>>
dfOne['ONEs'] = dfOne['ONEs'].astype(str)
type(dfOne['ONEs'][0])
- 字符串提取,该列中第一个字符,字段的截取
select SUBSTRING (ONEs,0,1) from df
SUBSTRING ( '源字符串' , '截取起始位置(含该位置上的字符)' , '截取长度' )
>>>
bands = dfOne['ONEs'].str.slice(0, 1)
- 字段的拆分 相当于分列的功能
split(sep(用于分割的字符串),n(分割为多少列),expand(是否展开为数据框,默认FALSE))
>>>
newDF = dfOne['ONEs'].str.split('.', 1, True)
- 字段的合并,字段的合并
tel = dfOne['ONEs'] + dfOne['TWOs'] + dfOne['THREEs']
数据的标准化
- 最小-最大规范化
scale = (df.TWO-df.TWO.min())/(df.TWO.max()-df.TWO.min())
- 零-均值规范化
(df.TWO - df.TWO.mean())/df.TWO.std()
- 小数定标规范化
df.TWO/10**np.ceil(np.log10(df.TWO.abs().max()))
数据的分组
根据数据分析的对象特征,按照一定的数值指标,把数据分析对象划分为不同的区间的部分来进行研究
cut 函数 :cut(series,bins,right=True,labels=NULL)
1.series-需要分组的数据
2. bins-分组的划分数据 right-分组的时候,右边是否闭合,labels-分组的自定义标签,可以不自定义
import pandas
dfOne['FOURs']
bins = [min(dfOne.FOURs)-1, 40, 60, 80, max(dfOne.FOURs)+1]
labels = [ '40以下', '40到60', '60到80','80以上次']
pandas.cut(dfOne['FOURs'], bins, right=False, labels=labels)
时间格式转换
from pandas import to_datetime
dfTWO = to_datetime(dfOne.TIMEs, format='%Y/%m/%d')
type(dfTWO[0])
日期的抽取
dfTWO.dt.year
dfTWO.dt.second
dfTWO.dt.minute
dfTWO.dt.hour
dfTWO.dt.day
dfTWO.dt.month
dfTWO.dt.weekday
数据保存
import pandas
Excel = pandas.ExcelWriter('D:\\code\\DataCenter\\email\\{0}.xlsx'.format(ExcelName))
DataFrame1.to_excel(Excel,'sheet1',index = False)
DataFrame2.to_excel(Excel,'sheet1',index = False)
Excel.save()
总结
最后引用数据海洋前辈一句话,‘数据分析是指将隐没在数据中的信息,进行集中、清洗、提炼并发现策略的过程’。独立优秀的数据提取和数据清洗能力是每个数据分析师的基本功,夯实基本功,跑的更远!