数据读写

代码 作用
df = pd.DataFrame(pd.read_csv(‘input.csv’,header=1)) 读取csv
df = pd.DataFrame(pd.read_excel(‘input.xlsx’)) 读取xlsx
df_inner.to_csv(‘output.csv’) 写入CSV
df_inner.to_excel(‘output.xlsx’, sheet_name=’sheet1’) 写入Excel

设置列名dataframe.columns=['col1','col2','col3']

设置索引dataframe.set_index("col_name")

读取行数pd.read_csv(file_path,skiprows=9,nrows=10)

数据创建

代码 作用
pd.Series([1, 2, 3, 4, 5]) list创建Series
pd.date_range(‘20171022’, periods=6) 时间索引
pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list([‘c1’, ‘c2’, ‘c3’, ‘c4’])) 列标签
pd.DataFrame.from_dict({“A”:1, “B”:2, “C”:3}, orient=’index’).T 字典创建

数据查看

代码 作用
df.shape 维度
df.info() 数据表基本信息（维度、列名称、数据格式、所占空间等）
df.dtypes 列数据的格式
df[‘Name’].dtype 某一列格式
df.isnull() 空值
df.isnull() 查看某一列空值
df[Name’].unique() 某一列的唯一值
df.values 数据表的值
df.columns 列名称
df.head() 查看前10行数据
df.tail() 查看后10行数据

数据操作

代码 作用
df.fillna(value=0) 数字0填充空值
df[‘prince’].fillna(df[‘prince’].mean()) 使用列prince的均值对NA进行填充
df[‘city’]=df[‘city’].map(str.strip) 清除city字段的字符空格
df[‘city’]=df[‘city’].str.lower() 大小写转换
df[‘price’].astype(‘int’) 更改数据格式
df.rename(columns={‘category’: ‘category-size’}) 更改列名称
df[‘city’].replace(‘sh’, ‘shanghai’) 数据替换
df1.dropna(how=’any’) 去掉包含缺失值的行
df1.fillna(5) 对缺失值进行填充
pd.isnull(df1) 对缺失值进行布尔填充

数据提取

代码 作用
df_csv.loc[:, [‘chrom’, ‘q_value’]] 索引+列标签切片
df_csv.loc[0, [‘chrom’]]
df_csv.loc[0, ‘chrom’]
df_csv.at[0, ‘chrom’]
df_csv.iloc[1, 1]
df_csv.iat[1, 1]		 提取一个标量
df_csv.iloc[3]
df_inner.loc[3]		 提取一行
df_inner.iloc[0:5]
df_csv.iloc[3:5, 0:2]
df_csv.iloc[[1, 2, 4], [0, 2]]
df_csv.iloc[1:3, :]
df_inner.ix[:’2013-01-03’,:4]		 提取区域
df_inner[‘city’].isin([‘beijing’]) 判断city列的值是否为北京
df_inner.loc[df_inner[‘city’].isin([‘beijing’,’shanghai’])] 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
pd.DataFrame(category.str[:3]) 提取前三个字符，并生成数据表
df_csv.loc[:, [‘chrom’, ‘q_value’]] 索引+列标签切片

数据筛选

代码 作用
df_inner.loc[(df_inner[‘age’] > 25) & (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]] 使用“与”进行筛选
`df_inner.loc[(df_inner[‘age’] > 25) (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘age’]) ```
df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’]) 使用“非”条件进行筛选
df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’]).city.count() 对筛选后的数据按city列进行计数
df_inner.query(‘city == [“beijing”, “shanghai”]’) 使用query函数进行筛选
df_inner.query(‘city == [“beijing”, “shanghai”]’).price.sum() 对筛选后的结果按prince进行求和

数据统计

代码 作用
df_inner.groupby(‘city’).count() 对所有的列进行计数汇总
df_inner.groupby(‘city’)[‘id’].count() 按城市对id字段进行计数
df_inner.groupby([‘city’,’size’])[‘id’].count() 对两个字段进行汇总计数
df_inner.groupby(‘city’)[‘price’].agg([len,np.sum, np.mean]) 对city字段进行汇总，并分别计算prince的合计和均值
df_inner.sample(n=3) 简单的数据采样
weights = [0, 0, 0, 0, 0.5, 0.5]df_inner.sample(n=2, weights=weights) 手动设置采样权重
df_inner.sample(n=6, replace=False) 采样后不放回
df_inner.sample(n=6, replace=True) 采样后放回
df_inner.describe().round(2).T 数据表描述性统计
df_inner[‘price’].std() 计算列的标准差
df_inner[‘price’].cov(df_inner[‘m-point’]) 计算两个字段间的协方差
df_inner.cov() 数据表中所有字段间的协方差
df_inner[‘price’].corr(df_inner[‘m-point’]) 两个字段的相关性分析
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
df_inner.corr() 数据表的相关性分析

操作数据表结构

代码 作用
df_inner.set_index(‘id’) 设置索引列
df_inner.sort_values(by=[‘age’]) 按照 age 列排序
df_inner.sort_index() 按照索引列排序
df_inner[‘group’] = np.where(df_inner[‘price’] > 3000,’high’,’low’) 如果prince列的值>3000，group列显示high，否则显示low
df_inner.loc[(df_inner[‘city’] == ‘beijing’) & (df_inner[‘price’] >= 4000), ‘sign’]=1 对复合多个条件的数据进行分组标记
pd.DataFrame((x.split(‘-‘) for x in df_inner[‘category’]),index=df_inner.index,columns=[‘category’,’size’])) 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
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True) 将完成分裂后的数据表和原df_inner数据表进行匹配
df_inner.reset_index() 重设索引
df_inner=df_inner.set_index(‘date’) 设置日期为索引

数据表合并

代码 作用
df_inner=pd.merge(df,df1,how=’inner’) 内连接（取两个集合的交集）
df_left=pd.merge(df,df1,how=’left’) 左连接（以 df 为基准，df1 在 df 中无匹配则为空）
df_right=pd.merge(df,df1,how=’right’) 右连接（以 df1 为基准，df 在 df1 中无匹配则为空）
df_outer=pd.merge(df,df1,how=’outer’) 全连接（取两个集合的并集，包含有 df ， df1 的全部数据行，无匹配则填充空）

修改列名

代码 作用
a.columns = [‘a’,’b’,’c’] 列名全部修改
a.rename(columns={‘A’:’a’}, inplace = True) 修改部分列名

插入一列

代码 作用
frame.insert(0, ‘num’, 1) 在第一列插入名为num的列，值为1
frame.insert(0, ‘num’, np.[i for i in rang(10)], allow_duplicates=True) 在第一列插入名为num的列，值为1..10，允许有重复列