Python——DataFrame基础操作

DataFrame理解

DataFrame可以看做是有序排列的若干Series对象，这里的“排列”是指这些Series都有共同的索引。

一、读取文件

dt = pd.read_csv(path)
dt = pd.read_excel(path)
dt = pd.read_table(path, sep=‘,‘)

 

二、索引

第一类索引是iloc属性，表示取值和切片都是显式的，dt.iloc[1:3] #注：从0开始的左闭右开区间

第二类索引是loc属性，表示索引是隐式的，如dt.loc[:‘Illinois‘, :‘pop‘]

第三种索引ix可实现一种混合效果，如dt.ix[:3, :‘pop‘]

 

三、合并与连接

1、pd.concat()

 

pd.concat(objs, axis=0, join=‘outer‘, join_axes=None, ignore_index=False,
                keys=None, levels=None)

其中，axis=0是按照行合并，axis=1是按列合并（也可写成axis=‘col‘）。axis=1时是按照索引合并的。

ser1 = pd.Series([‘A‘,‘B‘,‘C‘])
ser2 = pd.Series([‘D‘,‘E‘,‘F‘])
ser3 = pd.Series([‘G‘,‘H‘,‘I‘])

a = pd.concat([ser1,ser2])

a的结果如下，如果直接按列合并ser3，就会报错。

0    A
1    B
2    C
0    D
1    E
2    F
dtype: object

pd.concat([a, ser3], axis=1)

InvalidIndexError: Reindexing only valid with uniquely valued Index objects 

因为此时a的索引是保留原本的两个Series的Index的，可通过设置ignore_index=True，重置索引，

2、 pd.append()

ser1.append(ser2)

Pandas的append()不直接更新原有对象的值，而是为合并后的数据创建一个新对象。

3、pd.merge()

pd.merge(left, right, how=‘inner‘, on=None, left_on=None, right_on=None, left_index=False, right_index=False,
　　　　 sort=False, suffixes=(‘_x‘, ‘_y‘), copy=True, indicator=False)

 

详见help(pd.merge)

 

四、分组（Gruopby）

分组统计时需要使用到groupby方法，其原理是通过分割（split）、应用（apply）和组合（combine）得到结果。

Groupby是对数据按照指定列进行分割，返回一个DataFrameGroupBy对象。DataFrameGroupBy对象里面隐藏着若干组数据，但是没有应用累计函数之前不会计算。

import numpy as np rng = np.random.RandomState(0) df = pd.DataFrame({‘key‘:[‘A‘,‘B‘,‘C‘,‘A‘,‘B‘,‘C‘],

                  ‘data1‘:range(6),

                  ‘data2‘:rng.randint(0,10,6)},

                 columns=[‘key‘,‘data1‘,‘data2‘])

print(df)

df.groupby(‘key‘)

 

  key  data1  data2
0   A      0      5
1   B      1      0
2   C      2      3
3   A      3      3
4   B      4      7
5   C      5      9

Out[15]:

<pandas.core.groupby.DataFrameGroupBy object at 0x000001D9BC42A860>

（1）聚合aggregate

应用函数后会对DataFrameGroupBy对象展开计算。

df.groupby(‘key‘).aggregate([‘min‘,np.median,max])

data1 data2   min median max min median max key             A 0 1.5 3 3 4.0 5 B 1 2.5 4 0 3.5 7 C 2 3.5 5 3 6.0 9

 还可以通过字典指定不同列需要的函数

df.groupby(‘key‘).aggregate({‘data1‘:‘min‘,
                            ‘data2‘:‘max‘})

data1 data2 key     A 0 5 B 1 7 C 2 9

 （2）过滤filter

def filter_func(x):
    return x[‘data2‘].std() > 4

print(df.groupby(‘key‘).std())
print(df.groupby(‘key‘).filter(filter_func))

 

  data1 data2 key     A 2.12132 1.414214 B 2.12132 4.949747 C 2.12132 4.242641

 

  key data1 data2 1 B 1 0 2 C 2 3 4 B 4 7 5 C 5 9

（3）转换transform

df.groupby(‘key‘).transform(lambda x:x-x.mean())

data1 data2 0 -1.5 1.0 1 -1.5 -3.5 2 -1.5 -3.0 3 1.5 -1.0 4 1.5 3.5 5 1.5 3.0

 

五、数据透视表

详见help(pd.pivot_table)

titanic.pivot_table(‘survived‘, index=‘sex‘, columns=‘class‘, aggfunc={‘survived‘:sum, ‘fare‘:‘mean‘})

 

六、其他操作（排序、去重、计算及按行列应用函数等）

1、排序

按照索引排序

df.sort_index(ascending=False)

  key data1 data2 5 C 5 9 4 B 4 7 3 A 3 3 2 C 2 3 1 B 1 0 0 A 0 5

 按照值排序

df.sort_values(by=[‘key‘,‘data2‘])

key data1 data2 3 A 3 3 0 A 0 5 1 B 1 0 4 B 4 7 2 C 2 3 5 C 5 9

2、去重

df.drop_duplicates(‘data2‘, keep=‘first‘)

key data1 data2 0 A 0 5 1 B 1 0 2 C 2 3 4 B 4 7 5 C 5 9

想要知道某一列有多少个不重复的元素可以用df[‘data1‘].nunique()

3、删除Drop

按照行删除

先选出需要删除的行的index，再删除指定index

df.drop(df.loc[df[‘key‘]==‘A‘].index, axis=0)

key data1 data2 1 B 1 0 2 C 2 3 4 B 4 7 5 C 5 9

按照列删除

df.drop([‘key‘,‘data2‘], axis=1) 

 

 

参考：《Python数据科学手册》