上周分享了数据分析用到的一个库:Numpy 库,今天分享一个比 Numpy 更高效的库:pandas,它可以对数据进行导入、清洗、处理、统计和输出。pandas 是基于 Numpy 库的,可以说,pandas 库就是为数据分析而生的。
环境
语言:Python 3.6
安装&导入
用 pip 命令快速安装 pandas 库。
pip install pandas
安装完后再编辑器中导入。
import pandas as pd
读取文件
读取你的 excel 文件,并另存为 csv 格式的文件。
import pandas as pd
from pandas import DataFrame, Series
df = DataFrame(pd.read_excel('test.xlsx'))
df.to_csv('test1.csv')
print(df)
读取过程中可能会报错,提示你缺少 xlrd 模块的情况,用 pip 命令安装即可。
打印出读取到的数据,我们发现,文件中单元格为空的数据以 NAN 代替了。
当然,也可以直接读取文件并打印,不给参数的话默认只打印前 5 行数据。以我之前爬取的热门歌手文件为例。
import pandas as pd
from pandas import DataFrame, Series
df = DataFrame(pd.read_excel('歌手.xlsx'))
print(df.head(8))
打印结果如下:
歌手名字 歌手ID
0 周杰伦 6452
1 陈奕迅 2116
2 薛之谦 5781
3 林俊杰 3684
4 李荣浩 4292
5 张学友 6460
6 杨宗纬 6066
7 许巍 5770
清洗数据
我们知道,从事数据分析工作的,80% 的时间都花在数据清洗上面,因为我们从各个渠道获取的信息格式不统一,我们需要对他们进行清洗。
清洗数据主要内容如下:
删除 DataFrame 中的不必要列和行。
重命名 columns 为一组更易识别的标签。
更改数据格式。
去除数据间空格或者特定字符。
去除重复的行。
查找空值。
删除行或者列
我们还是以刚才歌手信息为例,为了看删除效果,我加了一列信息:性别,下面只显示部分信息。
歌手名字 歌手ID 性别
0 周杰伦 6452 男
1 陈奕迅 2116 男
2 薛之谦 5781 男
3 林俊杰 3684 男
4 李荣浩 4292 男
5 张学友 6460 男
6 杨宗纬 6066 男
7 许巍 5770 男
删除性别这一列。
import pandas as pd
from pandas import DataFrame, Series
df = DataFrame(pd.read_excel('歌手.xlsx'))
df1 = df.drop(columns=['性别'])
print(df1)
执行后发现刚加的「性别」这一列已被删除。
删除某一行,比如删除李荣浩这一行信息,我们通过上面可以知道这一行的 index 是 4。
import pandas as pd
from pandas import DataFrame, Series
df = DataFrame(pd.read_excel('歌手.xlsx'))
df1 = df.drop(index=['李荣浩'])
print(df1)
执行后结果如下,我们发现,index 为 4 的这一行信息已被删除。
歌手名字 歌手ID 性别
0 周杰伦 6452 男
1 陈奕迅 2116 男
2 薛之谦 5781 男
3 林俊杰 3684 男
5 张学友 6460 男
6 杨宗纬 6066 男
7 许巍 5770 男
重命名列名
用 rename 方法将列名修改成自己需要的列名,比如歌手名字换成 SName。
import pandas as pd
from pandas import DataFrame, Series
df = DataFrame(pd.read_excel('歌手.xlsx'))
df.rename(columns={'歌手名字': 'SName'}, inplace=True)
print(df)
更改数据格式
用 astype 更改数据格式。
df = DataFrame(pd.read_excel('歌手.xlsx'))
df1 = df['歌手ID'].astype('str')
删除数据间空格
df = DataFrame(pd.read_excel('歌手.xlsx'))
df['歌手名字'] = df['歌手名字'].map(str.strip) # 删除左右两边空格
df['歌手名字'] = df['歌手名字'].map(str.lstrip) # 删除左边空格
df['歌手名字'] = df['歌手名字'].map(str.rstrip) # 删除右边空格
去除重复的行
用自带的方法一行代码可以搞定。
df = DataFrame(pd.read_excel('歌手.xlsx'))
df = df.drop_duplicates()
查找空值
我们可以用 isnull 方法查找数据中的空值或者 NAN,返回的是 Boolean 类型,False 表示不是空值,True 表示空值。
df = DataFrame(pd.read_excel('歌手.xlsx'))
df = df.isnull()
print(df)
为了展示效果,我执行前去掉了第 5 行的信息,所以第 5 行出现一个 True。
歌手名字 歌手ID
0 False False
1 False False
2 False False
3 False False
4 True False
数据统计
上周讲 Numpy 库时也讲到了对数据的统计,计算数据最大值、最小值、平均值、方差、标准差等。pandas 也可以做这些工作,而且 pandas 中的 describe 可以直接显示这个数据。
我们先创建一个科目成绩的数据。
df = DataFrame({'subject': ['语', '数', '外', '理', '化'], 'data': range(90, 95)})
print(df)
数据如下:
subject data
0 语 90
1 数 91
2 外 92
3 理 93
4 化 94
我们用 describe 方法直接显示这些统计数据。
df = DataFrame({'subject': ['语', '数', '外', '理', '化'], 'data': range(90, 95)})
print(df.describe())
结果如下:
data
count 5.000000
mean 92.000000
std 1.581139
min 90.000000
25% 91.000000
50% 92.000000
75% 93.000000
max 94.000000
多表合并
如果我们有多个数据表,我们需要对他进行合并处理。以下这些知识点和 SQL 很相似,如果你对 SQL 语句熟悉的话,以下很容易理解
对相同的列进行合并
df1 = DataFrame({'subject': ['语', '数', '外', '理', '化'], 'data': range(90, 95)})
df2 = DataFrame({'subject': ['语', '数', '外', '史', '地'], 'data': range(90, 95)})
df3 = pd.merge(df1, df2, on='subject')
print(df3)
两个表中,语数外是相同的,进行合并,结果如下:
subject data_x data_y
0 语 90 90
1 数 91 91
2 外 92 92
内连接
也就是两个数据表中的交集部分。
df1 = DataFrame({'subject': ['语', '数', '外', '理', '化'], 'data': range(90, 95)})
df2 = DataFrame({'subject': ['语', '数', '外', '史', '地'], 'data': range(90, 95)})
df3 = pd.merge(df1, df2, how='inner')
print(df3)
结果显示两个表中相同的数据。
subject data
0 语 90
1 数 91
2 外 92
左连接
以左表为主,右表只显示交集部分的数据。
df1 = DataFrame({'subject': ['语', '数', '外', '理', '化'], 'data': range(90, 95)})
df2 = DataFrame({'subject': ['语', '数', '外', '史', '地'], 'data': range(90, 95)})
df3 = pd.merge(df1, df2, how='left')
print(df3)
执行结果:
subject data
0 语 90
1 数 91
2 外 92
3 理 93
4 化 94
右连接
以右表为主,左表只显示交集部分的数据。
df1 = DataFrame({'subject': ['语', '数', '外', '理', '化'], 'data': range(90, 95)})
df2 = DataFrame({'subject': ['语', '数', '外', '史', '地'], 'data': range(90, 95)})
df3 = pd.merge(df1, df2, how='right')
print(df3)
执行结果:
subject data
0 语 90
1 数 91
2 外 92
3 史 93
4 地 94
全连接
显示两个表数据的并集。
df1 = DataFrame({'subject': ['语', '数', '外', '理', '化'], 'data': range(90, 95)})
df2 = DataFrame({'subject': ['语', '数', '外', '史', '地'], 'data': range(90, 95)})
df3 = pd.merge(df1, df2, how='outer')
print(df3)
执行结果:
subject data
0 语 90
1 数 91
2 外 92
3 理 93
4 化 94
5 史 93
6 地 94
pandas 库的对于数据分析的基本用法就介绍到这里。