# 一、生成数据表

# 1、首先导入 pandas 库，一般都会用到 numpy 库，所以我们先导入备用：

	import numpy as np
	import pandas as pd

# 2、导入 CSV 或者 xlsx 文件：

	df = pd.DataFrame(pd.read_csv('name.csv',header=1))
	df = pd.DataFrame(pd.read_excel('name.xlsx'))

或者

	import pandas as pd
	from collections import namedtuple

	Item = namedtuple('Item', 'reply pv')
	items = []

	with codecs.open('reply.pv.07', 'r', 'utf-8') as f:
	for line in f:
	line_split = line.strip().split('\t')
	items.append(Item(line_split[0].strip(), line_split[1].strip()))

	df = pd.DataFrame.from_records(items, columns=['reply', 'pv'])

# 3、用 pandas 创建数据表：

	df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
	"date":pd.date_range('20130102', periods=6),
	"city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
	"age":[23,44,54,32,34,32],
	"category":['100-A','100-B','110-A','110-C','210-A','130-F'],
	"price":[1200,np.nan,2133,5433,np.nan,4432]},
	columns =['id','date','city','category','age','price'])

上面的代码在去掉最后一个参数 columns 后所得结果相同， columns 指定的是列名称

1662780648530

	# 创建时不给表内容，仅指定列名
	df = pd.DataFrame(columns =['id','date','city','category','age','price'])

	df

1662781234916

# 二、数据表信息查看

# 1、维度查看：

df.shape

# 2、数据表基本信息（维度、列名称、数据格式、所占空间等）：

df.info()

# 3、每一列数据的格式：

df.dtypes

# 4、某一列格式：

df['B'].dtype

# 5、空值：

df.isnull()

# 6、查看某一列空值：

df['B'].isnull()

# 7、查看某一列的唯一值：

df['B'].unique()

# 8、查看数据表的值：

df.values

# 9、查看列名称：

df.columns

# 10、查看前 5 行数据、后 5 行数据：

	df.head() #默认前 5 行数据
	df.tail() #默认后 5 行数据

# 三、数据表清洗

# 1、用数字 0 填充空值：

df.fillna(value=0)

# 2、使用列 prince 的均值对 NA 进行填充：

df['prince'].fillna(df['prince'].mean())

# 3、清除 city 字段的字符空格：

df['city']=df['city'].map(str.strip)

# 4、大小写转换：

df['city']=df['city'].str.lower()

# 5、更改数据格式：

df['price'].astype('int')

# 6、更改列名称：

df.rename(columns={'category': 'category-size'})

# 7、删除后出现的重复值：

df['city'].drop_duplicates()

# 8 、删除先出现的重复值：

df['city'].drop_duplicates(keep='last')

# 9、数据替换：

df['city'].replace('sh', 'shanghai')

# 四、数据预处理

	df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],
	"gender":['male','female','male','female','male','female','male','female'],
	"pay":['Y','N','Y','Y','N','Y','N','Y',],
	"m-point":[10,12,20,40,40,40,30,20]})

# 1、数据表合并

# 1.1 merge

	df_inner=pd.merge(df,df1,how='inner') # 匹配合并，交集
	df_left=pd.merge(df,df1,how='left') #
	df_right=pd.merge(df,df1,how='right')
	df_outer=pd.merge(df,df1,how='outer') #并集

# 1.2 append

result = df1.append(df2)

图 1

插入行

	df = pd.DataFrame(columns=["name", 'phone-number'])

	df.append({"name": 'a', "phone-number":"123"}, ignore_index=True)

# 1.3 join

result = left.join(right, on='key')

图 2

# 1.4 concat

	pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
	keys=None, levels=None, names=None, verify_integrity=False,
	copy=True)

objs︰一个序列或系列、综合或面板对象的映射。如果字典中传递，将作为键参数，使用排序的键，除非它传递，在这种情况下的值将会选择（见下文）。任何没有任何反对将默默地被丢弃，除非他们都没有在这种情况下将引发 ValueError。
axis: {0，1，…}，默认值为 0。要连接沿轴。
join: {‘内部’、 ‘外’}，默认 ‘外’。如何处理其他 axis (es) 上的索引。联盟内、外的交叉口。
ignore_index︰布尔值、默认 False。如果为 True，则不要串联轴上使用的索引值。由此产生的轴将标记 0，…，n-1。这是有用的如果你串联串联轴没有有意义的索引信息的对象。请注意在联接中仍然受到尊重的其他轴上的索引值。
join_axes︰索引对象的列表。具体的指标，用于其他 n-1 轴而不是执行内部 / 外部设置逻辑。 keys︰序列，默认为无。构建分层索引使用通过的键作为最外面的级别。如果多个级别获得通过，应包含元组。
levels︰列表的序列，默认为无。具体水平（唯一值）用于构建多重。否则，他们将推断钥匙。
names︰列表中，默认为无。由此产生的分层索引中的级的名称。
verify_integrity︰布尔值、默认 False。检查是否新的串联的轴包含重复项。这可以是相对于实际数据串联非常昂贵。
副本︰布尔值、默认 True。如果为 False，请不要，不必要地复制数据。

	例子：1.frames = [df1, df2, df3]
	2.result = pd.concat(frames)

图 3

# 2、设置索引列

df_inner.set_index('id')

# 3、按照特定列的值排序：

df_inner.sort_values(by=['age'])

# 4、按照索引列排序：

df_inner.sort_index()

# 5、如果 prince 列的值 > 3000，group 列显示 high，否则显示 low：

df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

# 6、对复合多个条件的数据进行分组标记

df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

# 7、对 category 字段的值依次进行分列，并创建数据表，索引值为 df_inner 的索引列，列名称为 category 和 size

pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])

# 8、将完成分裂后的数据表和原 df_inner 数据表进行匹配

df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

# 五、数据提取

主要用到的三个函数：loc,iloc 和 ix，loc 函数按标签值进行提取，iloc 按位置进行提取，ix 可以同时按标签和位置进行提取。

# 1、按索引提取单行的数值

df_inner.loc[3]

# 2、按索引提取区域行数值

df_inner.iloc[0:5]

# 3、重设索引

df_inner.reset_index()

# 4、设置日期为索引

df_inner=df_inner.set_index('date')

# 5、提取 4 日之前的所有数据

df_inner[:'2013-01-04']

# 6、使用 iloc 按位置区域提取数据

df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从 0 开始，前三行，前两列。

# 7、适应 iloc 按位置单独提起数据

df_inner.iloc[[0,2,5],[4,5]] #提取第 0、2、5 行，4、5 列

# 8、使用 ix 按索引标签和位置混合提取数据

df_inner.ix[:'2013-01-03',:4] #2013-01-03 号之前，前四列数据

# 9、判断 city 列的值是否为北京

df_inner['city'].isin(['beijing'])

# 10、判断 city 列里是否包含 beijing 和 shanghai，然后将符合条件的数据提取出来

df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

# 11、提取前三个字符，并生成数据表

pd.DataFrame(df_inner['category'].str[:3])

# 六、数据筛选

使用与、或、非三个条件配合大于、小于、等于对数据进行筛选，并进行计数和求和。

# 1、使用 “与” 进行筛选

df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

# 2、使用 “或” 进行筛选

df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age'])

# 3、使用 “非” 条件进行筛选

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

# 4、对筛选后的数据按 city 列进行计数

df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

# 5、使用 query 函数进行筛选

df_inner.query('city == ["beijing", "shanghai"]')

# 6、对筛选后的结果按 prince 进行求和

df_inner.query('city == ["beijing", "shanghai"]').price.sum()

# 七、数据汇总

主要函数是 groupby 和 pivote_table

# 1、对所有的列进行计数汇总

df_inner.groupby('city').count()

# 2、按城市对 id 字段进行计数

df_inner.groupby('city')['id'].count()

# 3、对两个字段进行汇总计数

df_inner.groupby(['city','size'])['id'].count()

# 4、对 city 字段进行汇总，并分别计算 prince 的合计和均值

df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

# 八、数据统计

数据采样，计算标准差，协方差和相关系数

# 1、简单的数据采样

df_inner.sample(n=3)

# 2、手动设置采样权重

	weights = [0, 0, 0, 0, 0.5, 0.5]
	df_inner.sample(n=2, weights=weights)

# 3、采样后不放回

df_inner.sample(n=6, replace=False)

# 4、采样后放回

df_inner.sample(n=6, replace=True)

# 5、数据表描述性统计

df_inner.describe().round(2).T #round 函数设置显示小数位，T 表示转置

# 6、计算列的标准差

df_inner['price'].std()

# 7、计算两个字段间的协方差

df_inner['price'].cov(df_inner['m-point'])

# 8、数据表中所有字段间的协方差

df_inner.cov()

# 9、两个字段的相关性分析

df_inner['price'].corr(df_inner['m-point']) #相关系数在 - 1 到 1 之间，接近 1 为正相关，接近 - 1 为负相关，0 为不相关

# 10、数据表的相关性分析

df_inner.corr()

# 九、数据输出

分析后的数据可以输出为 xlsx 格式和 csv 格式

# 1、写入 Excel

df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')

# 2、写入到 CSV

df_inner.to_csv('excel_to_python.csv')