23種Pandas核心操作,你需要過一遍嗎?
選自 Medium,作者:George Seif,機器之心編譯,參與:思源。
Pandas 是一個 Python 軟件庫,它提供了大量能使我們快速便捷地處理數據的函數和方法。一般而言,Pandas 是使 Python 成爲強大而高效的數據分析環境的重要因素之一。在本文中,作者從基本數據集讀寫、數據處理和 DataFrame 操作三個角度展示了 23 個 Pandas 核心方法。
Pandas 是基於 NumPy 構建的庫,在數據處理方面可以把它理解爲 NumPy 加強版,同時 Pandas 也是一項開源項目。它基於 Cython,因此讀取與處理數據非常快,並且還能輕鬆處理浮點數據中的缺失數據(表示爲 NaN)以及非浮點數據。在本文中,基本數據集操作主要介紹了 CSV 與 Excel 的讀寫方法,基本數據處理主要介紹了缺失值及特徵抽取,最後的 DataFrame 操作則主要介紹了函數和排序等方法。
基本數據集操作
(1)讀取 CSV 格式的數據集
pd.DataFrame.from_csv(“csv_file”)
或者:
pd.read_csv(“csv_file”)
(2)讀取 Excel 數據集
pd.read_excel("excel_file")
(3)將 DataFrame 直接寫入 CSV 文件
如下采用逗號作爲分隔符,且不帶索引:
df.to_csv("data.csv", sep=",", index=False)
(4)基本的數據集特徵信息
df.info()
(5)基本的數據集統計信息
print(df.describe())
(6) Print data frame in a table
將 DataFrame 輸出到一張表:
print(tabulate(print_table, headers=headers))
當「print_table」是一個列表,其中列表元素還是新的列表,「headers」爲表頭字符串組成的列表。
(7)列出所有列的名字
df.columns
基本數據處理
(8)刪除缺失數據
df.dropna(axis=0, how='any')
返回一個 DataFrame,其中刪除了包含任何 NaN 值的給定軸,選擇 how=「all」會刪除所有元素都是 NaN 的給定軸。
(9)替換缺失數據
df.replace(to_replace=None, value=None)
使用 value 值代替 DataFrame 中的 to_replace 值,其中 value 和 to_replace 都需要我們賦予不同的值。
(10)檢查空值 NaN
pd.isnull(object)
檢查缺失值,即數值數組中的 NaN 和目標數組中的 None/NaN。
(11)刪除特徵
df.drop('feature_variable_name', axis=1)
axis 選擇 0 表示行,選擇表示列。
(12)將目標類型轉換爲浮點型
pd.to_numeric(df["feature_name"], errors='coerce')
將目標類型轉化爲數值從而進一步執行計算,在這個案例中爲字符串。
(13)將 DataFrame 轉換爲 NumPy 數組
df.as_matrix()
(14)取 DataFrame 的前面「n」行
df.head(n)
(15)通過特徵名取數據
df.loc[feature_name]
DataFrame 操作
(16)對 DataFrame 使用函數
該函數將令 DataFrame 中「height」行的所有值乘上 2:
df["height"].apply(*lambda* height: 2 * height)
或:
def multiply(x):
return x * 2
df["height"].apply(multiply)
(17)重命名行
下面代碼會重命名 DataFrame 的第三行爲「size」:
df.rename(columns = {df.columns[2]:'size'}, inplace=True)
(18)取某一行的唯一實體
下面代碼將取「name」行的唯一實體:
df["name"].unique()
(19)訪問子 DataFrame
以下代碼將從 DataFrame 中抽取選定了的行「name」和「size」:
new_df = df[["name", "size"]]
(20)總結數據信息
# Sum of values in a data frame
df.sum()
# Lowest value of a data frame
df.min()
# Highest value
df.max()
# Index of the lowest value
df.idxmin()
# Index of the highest value
df.idxmax()
# Statistical summary of the data frame, with quartiles, median, etc.
df.describe()
# Average values
df.mean()
# Median values
df.median()
# Correlation between columns
df.corr()
# To get these values for only one column, just select it like this#
df["size"].median()
(21)給數據排序
df.sort_values(ascending = False)
(22)布爾型索引
以下代碼將過濾名爲「size」的行,並僅顯示值等於 5 的行:
df[df["size"] == 5]
(23)選定特定的值
以下代碼將選定「size」列、第一行的值:
df.loc([0], ['size'])
原文鏈接:https://towardsdatascience.com/23-great-pandas-codes-for-data-scientists-cca5ed9d8a38