pandasライブラリで導入されたDataFrameの基本操作

リスト白抜き文字を削除するには? 最も簡単な方法: new
_list = [ x for x in li if x != '' ]

今日は5.1日です。

---

このパートでは主に、前の 2 つのデータ構造に基づいて pandas の基本操作を学習します。

设有DataFrame结果的数据a如下所示：    
       a  b  c
one    4  1  1
two    6  2  0
three  6  1  6

1. データを表示します (

---

オブジェクト

を表示する方法はシリーズにも適用されます)

1. DataFrame

a=DataFrame(data);a の最初の xx 行または最後の xx 行を表示します。
head
(6) は、head() にパラメータがない場合、データの最初の 6 行を表示することを意味します。 a.tail(6) は、データの最後の 6 行を表示することを意味します。tail() にパラメータがない場合は、すべてのデータが表示されます。

2. DataFrame

a.index; a.columns; a.values のインデックス、列、値を表示します
3.describe()

関数

a.describe () 個数、平均値、標準偏差、各分位数などを含む、データの各列の統計を実行します。 4. データを転置します
a.

5. 軸を並べ替えます
a.

sort

_index(axis=1,ascending=False);
axis=1 は並べ替えall を意味します列、および次の数字もそれに応じて移動します。次の ascending=False は降順で並べ替えることを意味し、パラメータが欠落している場合のデフォルトは昇順です。
6. DataFrame 内の値を並べ替えます a.sort(columns='x')

つまり、a の x 列を小さい順に並べ替えます。これは x 列のみであり、上記の軸による並べ替えはすべての列に対して機能することに注意してください。

2. オブジェクトを選択します

1. 特定の列と行のデータを選択します

a['x'] このメソッドは一度に 1 つの列しか返せないことに注意してください。 。

a.x は a['x'] と同じ意味です。

行データを取得し、[] でスライスして選択します。例: a[0:3] は最初の 3 行のデータを返します。
2.loc はラベルを通じてデータを選択します

a.loc['one'] はデフォルトで
動作

'one' row を選択します

a.loc[:,['a',' b'] ] は、列が a と b であるすべての行と列を選択することを意味します。
a.loc[['one','two'],['a','b']] は、'one' と'two' と列 a と b を持つ列 a.loc['one','a'] と a.loc[['one'],['a']] は同じ効果がありますが、前者は対応する値のみを表示し、後者は対応する行と列のラベルを表示します。

3.iloc は、位置によってデータを直接選択します

これは、ラベルによる選択に似ています

a.iloc[1:2,1:2] は、最初の行と最初の列 (スライスの後) にデータを表示します。値が取得できない)

a.iloc[1:2] つまり、後続の列の値が取得できない場合、デフォルトで行位置 1 のデータが選択されます;
a.iloc[[0, 2],[1 ,2]] つまり、行位置と列位置に対応するデータを自由に選択できます。

4. 条件を使用して選択します

個別の列

を使用してデータを選択します

a[a.c>0] は、列 c で 0 より大きいデータを選択することを意味します

データを選択する場所を使用しますa[a> ] テーブルは、a 内の 0 より大きいすべてのデータを直接選択します
isin() を使用して、特定の列に特定の値を含む行を選択します

a1=a.

copy
()

a1[a1['one']。 isin(['2','3'])] テーブルには、条件を満たすすべての行が表示されます。列 1 の値には '2'、'3' が含まれます。

3. 設定値（割り当て）
上記の選択操作を元に、直接割り当て動作を割り当てることができます。 例 a.loc[:,['a','c']]=9 は、列 a と c のすべての行の値を 9 に設定しますa.iloc[:,[1,3]]= 9も a列とc列のすべての行の値を9に設定することを意味します

、条件を使用して値を直接割り当てることもできます

a[a>0]=-aはすべての数値を変換することを意味します4. 欠損値の処理

pandas では、np.nan を使用して欠損値を置き換えます。これらの値はデフォルトでは計算に含まれません。

1.reindex() メソッド

は、指定された軸上の
index

を

変更/追加/削除するために使用され、元のデータのコピーを返します。

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

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

即用index=[]表示对index进行操作，columns表对列进行操作。

2.对缺失值进行填充
a.fillna(value=x)
表示用值为x的数来对缺失值进行填充

3.去掉包含缺失值的行
a.dropna(how='any')
表示去掉所有包含缺失值的行

五、合并

1.contact
contact(a1,axis=0/1，keys=['xx','xx','xx',...])，其中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，设置keys是为了在数据连接以后区分每一个原始a1中的数据。

例：a1=[b['a'],b['c']]
result=pd.concat(a1,axis=1，keys=['1','2'])

2.Append 将一行或多行数据连接到一个DataFrame上
a.append(a[2:],ignore_index=True)
表示将a中的第三行以后的数据全部添加到a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.merge类似于SQL中的join
设a1,a2为两个dataframe,二者中存在相同的键值，两个对象连接的方式有下面几种：
(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')
至于四者的具体差别，具体学习参考sql中相应的语法。

六、分组（groupby）

用pd.date_range函数生成连续指定天数的的日期
pd.date_range('20000101',periods=10)

def shuju():
    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)
print(a)
        date  gender  height  weight
0 2000-01-01       0      47     165
1 2000-01-02       0      46     179
2 2000-01-03       1      48     172
3 2000-01-04       0      45     173
4 2000-01-05       1      47     151
5 2000-01-06       0      45     172
6 2000-01-07       0      48     167
7 2000-01-08       0      45     157
8 2000-01-09       1      42     157
9 2000-01-10       1      42     164

用a.groupby('gender').sum()得到的结果为：  #注意在python中groupby(''xx)后要加sum()，不然显示
不了数据对象。
gender     height  weight               
0           256     989
1           170     643

此外用a.groupby('gender').size()可以对各个gender下的数目进行计数。

所以可以看到groupby的作用相当于：
按gender对gender进行分类，对应为数字的列会自动求和，而为字符串类型的列则不显示；当然也可以同时groupby(['x1','x2',...])多个字段，其作用与上面类似。

七、Categorical按某一列重新编码分类

如六中要对a中的gender进行重新编码分类，将对应的0，1转化为male，female，过程如下：

a['gender1']=a['gender'].astype('category')
a['gender1'].cat.categories=['male','female']  #即将0，1先转化为category类型再进行编码。

 print(a)得到的结果为：
      date    gender  height  weight gender1
0 2000-01-01       1      40     163  female
1 2000-01-02       0      44     177    male
2 2000-01-03       1      40     167  female
3 2000-01-04       0      41     161    male
4 2000-01-05       0      48     177    male
5 2000-01-06       1      46     179  female
6 2000-01-07       1      42     154  female
7 2000-01-08       1      43     170  female
8 2000-01-09       0      46     158    male
9 2000-01-10       1      44     168  female

所以可以看出重新编码后的编码会自动增加到dataframe最后作为一列。

八、相关操作

描述性统计：
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。

4.字符串相关操作
a['gender1'].str.lower()  将gender1中所有的英文大写转化为小写，注意dataframe没有str属性，只有series有，所以要选取a中的gender1字段。

九、时间序列

在六中用pd.date_range('xxxx',periods=xx,freq='D/M/Y....')函数生成连续指定天数的的日期列表。
例如pd.date_range('20000101',periods=10),其中periods表示持续频数；
pd.date_range('20000201','20000210',freq='D')也可以不指定频数，只指定起始日期。

此外如果不指定freq，则默认从起始日期开始，频率为day。其他频率表示如下：

1.png

十、画图(plot)

在pycharm中首先要：import matplotlib.pyplot as plt
a=Series(np.random.randn(1000),index=pd.date_range('20100101',periods=1000))
b=a.cumsum()
b.plot()
plt.show()    #最后一定要加这个plt.show()，不然不会显示出图来。

2.PNG

也可以使用下面的代码来生成多条时间序列图：

a=DataFrame(np.random.randn(1000，4),index=pd.date_range('20100101',periods=1000),columns=list('ABCD'))
b=a.cumsum()
b.plot()
plt.show()

3.png

十一、导入和导出文件

写入和读取excel文件
虽然写入excel表时有两种写入xls和csv，但建议少使用csv，不然在表中调整数据格式时，保存时一直询问你是否保存新格式，很麻烦。而在读取数据时，如果指定了哪一张sheet，则在pycharm又会出现格式不对齐。

还有将数据写入表格中时，excel会自动给你在表格最前面增加一个字段，对数据行进行编号。

a.to_excel(r'C:\\Users\\guohuaiqi\\Desktop\\2.xls',sheet_name='Sheet1')    

a=pd.read_excel(r'C:\\Users\\guohuaiqi\\Desktop\\2.xls','Sheet1',na_values=['NA'])

注意sheet_name后面的Sheet1中的首字母大写；读取数据时，可以指定读取哪一张表中的数据，而
且对缺失值补上NA。

最后再附上写入和读取csv格式的代码：
a.to_csv(r'C:\\Users\\guohuaiqi\\Desktop\\1.csv'，sheet_name='Sheet1')
a=pd.read_csv(r'C:\\Users\\guohuaiqi\\Desktop\\1.csv',na_values=['NA'])

       

以上がpandasライブラリで導入されたDataFrameの基本操作の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。