Python数据分析:pandas中Dataframe的groupby与索引用法
作者：图灵的猫.
这篇文章主要介绍了pandas中Dataframe的groupby与索引用法,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
索引
Series和DataFrame都是有索引的，索引的好处是快速定位，在涉及到两个Series或DataFrame时可以根据索引自动对齐，比如日期自动对齐，这样可以省去很多事。
缺失值
pd.isnull(obj) obj.isnull()
将字典转成数据框，并赋予列名,索引
DataFrame(data, columns=['col1','col2','col3'...],
index = ['i1','i2','i3'...])查看列名
DataFrame.columns
查看索引
DataFrame.index
重建索引
obj.reindex(['a','b','c','d','e'...], fill_value=0] #按给出的索引顺序重新排序，而不是替换索引。如果索引没有值，就用0填充 #就地修改索引 data.index=data.index.map(str.upper)
列顺序重排（也是重建索引）
DataFrame.reindex[columns=['col1','col2','col3'...])` #也可以同时重建index和columns DataFrame.reindex[index=['a','b','c'...],columns=['col1','col2','col3'...])
重建索引的快捷键
DataFrame.ix[['a','b','c'...],['col1','col2','col3'...]]
重命名轴索引
data.rename(index=str.title,columns=str.upper)
#修改某个索引和列名，可以通过传入字典
data.rename(index={'old_index':'new_index'},
columns={'old_col':'new_col'})查看某一列
DataFrame['state'] 或 DataFrame.state
查看某一行
需要用到索引
DataFrame.ix['index_name']
添加或删除一列
DataFrame['new_col_name'] = 'char_or_number' #删除行 DataFrame.drop(['index1','index2'...]) #删除列 DataFrame.drop(['col1','col2'...],axis=1) #或 del DataFrame['col1']
DataFrame选择子集
| 类型 | 说明 |
|---|---|
| obj[val] | 选择一列或多列 |
| obj.ix[val] | 选择一行或多行 |
| obj.ix[:,val] | 选择一列或多列 |
| obj.ix[val1,val2] | 同时选择行和列 |
| reindx | 对行和列重新索引 |
| icol,irow | 根据整数位置选取单列或单行 |
| get_value,set_value | 根据行标签和列标签选择单个值 |
针对series
obj[['a','b','c'...]] obj['b':'e']=5
针对dataframe
#选择多列 dataframe[['col1','col2'...]] #选择多行 dataframe[m:n] #条件筛选 dataframe[dataframe['col3'>5]] #选择子集 dataframe.ix[0:3,0:5]
dataframe和series的运算
会根据 index 和 columns 自动对齐然后进行运算，很方便啊
| 方法 | 说明 |
|---|---|
| add | 加法 |
| sub | 减法 |
| div | 除法 |
| mul | 乘法 |
#没有数据的地方用0填充空值 df1.add(df2,fill_value=0) # dataframe 与 series 的运算 dataframe - series 规则是： -------- -------- | | | | | | | | -------- | | | | | | v -------- #指定轴方向 dataframe.sub(series,axis=0) 规则是： -------- --- | | | | -----> | | | | | | | | | | | | -------- ---
apply函数
f=lambda x:x.max()-x.min() #默认对每一列应用 dataframe.apply(f) #如果需要对每一行分组应用 dataframe.apply(f,axis=1)
排序和排名
#默认根据index排序，axis = 1 则根据columns排序 dataframe.sort_index(axis=0, ascending=False) # 根据值排序 dataframe.sort_index(by=['col1','col2'...]) #排名，给出的是rank值 series.rank(ascending=False) #如果出现重复值，则取平均秩次 #在行或列上面的排名 dataframe.rank(axis=0)
描述性统计
| 方法 | 说明 |
|---|---|
| count | 计数 |
| describe | 给出各列的常用统计量 |
| min,max | 最大最小值 |
| argmin,argmax | 最大最小值的索引位置（整数） |
| idxmin,idxmax | 最大最小值的索引值 |
| quantile | 计算样本分位数 |
| sum,mean | 对列求和，均值 |
| mediam | 中位数 |
| mad | 根据平均值计算平均绝对离差 |
| var,std | 方差，标准差 |
| skew | 偏度（三阶矩） |
| Kurt | 峰度（四阶矩） |
| cumsum | 累积和 |
| Cummins，cummax | 累计组大致和累计最小值 |
| cumprod | 累计积 |
| diff | 一阶差分 |
| pct_change | 计算百分数变化 |
唯一值，值计数，成员资格
obj.unique() obj.value_count() obj.isin(['b','c'])
处理缺失值
# 过滤缺失值
# 只要有缺失值就丢弃这一行
dataframe.dropna()
#要求全部为缺失才丢弃这一行
dataframe.dropna(how='all')
# 根据列来判断
dataframe.dropna(how='all',axis=1)
# 填充缺失值
#1.用0填充
df.fillna(0)
#2.不同的列用不同的值填充
df.fillna({1:0.5, 3:-1})
#3.用均值填充
df.fillna(df.mean())
# 此时axis参数同前面Groupby
pandas提供了一个灵活高效的groupby功能，它使你能以一种自然的方式对数据集进行切片、切块、摘要等操作。
根据一个或多个键（可以是函数、数组或DataFrame列名）拆分pandas对象。
计算分组摘要统计，如计数、平均值、标准差，或用户自定义函数。对DataFrame的列应用各种各样的函数。
应用组内转换或其他运算，如规格化、线性回归、排名或选取子集等。计算透视表或交叉表。执行分位数分析以及其他分组分析。
1）查看DataFrame数据及属性
df_obj = DataFrame() #创建DataFrame对象 df_obj.dtypes #查看各行的数据格式 df_obj['列名'].astype(int)#转换某列的数据类型 df_obj.head() #查看前几行的数据,默认前5行 df_obj.tail() #查看后几行的数据,默认后5行 df_obj.index #查看索引 df_obj.columns #查看列名 df_obj.values #查看数据值 df_obj.describe() #描述性统计 df_obj.T #转置 df_obj.sort_values(by=['',''])#同上
2）使用DataFrame选择数据:
df_obj.ix[1:3] #获取1-3行的数据,该操作叫切片操作,获取行数据 df_obj.ix[columns_index] #获取列的数据 df_obj.ix[1:3，[1,3]]#获取1列3列的1~3行数据 df_obj[columns].drop_duplicates() #剔除重复行数据
3）使用DataFrame重置数据:
df_obj.ix[1:3，[1,3]]=1#所选位置数据替换为1
4）使用DataFrame筛选数据(类似SQL中的WHERE):
alist = ['023-18996609823'] df_obj['用户号码'].isin(alist) #将要过滤的数据放入字典中,使用isin对数据进行筛选,返回行索引以及每行筛选的结果,若匹配则返回ture df_obj[df_obj['用户号码'].isin(alist)] #获取匹配结果为ture的行
5）使用DataFrame模糊筛选数据(类似SQL中的LIKE):
df_obj[df_obj['套餐'].str.contains(r'.*?语音CDMA.*')] #使用正则表达式进行模糊匹配,*匹配0或无限次,?匹配0或1次
6）使用DataFrame进行数据转换(后期补充说明)
df_obj['支局_维护线'] = df_obj['支局_维护线'].str.replace('巫溪分公司(.{2,})支局','\\1')#可以使用正则表达式可以设置take_last=ture 保留最后一个，或保留开始一个。
补充说明：注意take_last=ture已过时，请使用keep=’last’
7）使用pandas中读取数据:
read_csv('D:\LQJ.csv',sep=';',nrows=2) #首先输入csv文本地址,然后分割符选择等等
df.to_excel('foo.xlsx',sheet_name='Sheet1');pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values=['NA'])#写入读取excel数据，pd.read_excel读取的数据是以DataFrame形式存储
df.to_hdf('foo.h5','df');pd.read_hdf('foo.h5','df')#写入读取HDF5数据8）使用pandas聚合数据(类似SQL中的GROUP BY 或HAVING):
data_obj['用户标识'].groupby(data_obj['支局_维护线'])
data_obj.groupby('支局_维护线')['用户标识'] #上面的简单写法
adsl_obj.groupby('支局_维护线')['用户标识'].agg([('ADSL','count')])#按支局进行汇总对用户标识进行计数,并将计数列的列名命名为ADSL9）使用pandas合并数据集(类似SQL中的JOIN):
merge(mxj_obj2, mxj_obj1 ,on='用户标识',how='inner')# mxj_obj1和mxj_obj2将用户标识当成重叠列的键合并两个数据集,inner表示取两个数据集的交集.
10）清理数据
df[df.isnull()]
df[df.notnull()]
df.dropna()#将所有含有nan项的row删除
df.dropna(axis=1,thresh=3) #将在列的方向上三个为NaN的项删除
df.dropna(how='ALL')#将全部项都是nan的row删除填充值
df.fillna(0)
df.fillna({1:0,2:0.5}) #对第一列nan值赋0，第二列赋值0.5
df.fillna(method='ffill') #在列方向上以前一个值作为值赋给NaN实例
1. 读取excel数据
代码如下
import pandas as pd# 读取高炉数据，注意文件名不能为中文
data=pd.read_excel('gaolushuju_201501-03.xlsx', '201501', index_col=None, na_values=['NA'])
print data测试结果如下
燃料比 顶温西南 顶温西北 顶温东南 顶温东北 0 531.46 185 176 176 174 1 510.35 184 173 184 188 2 533.49 180 165 182 177 3 511.51 190 172 179 188 4 531.02 180 167 173 180 5 511.24 174 164 178 176 6 532.62 173 170 168 179 7 583.00 182 175 176 173 8 530.70 158 149 159 156 9 530.32 168 156 169 171 10 528.62 164 150 171 169
2. 切片处理，选取行或列，修改数据
代码如下：
data_1row=data.ix[1] data_5row_2col=data.ix[0:5,[u'燃料比',u'顶温西南'] print data_1row,data_5row_2col data_5row_2col.ix[0:1,0:2]=3
测试结果如下：
燃料比 510.35
顶温西南 184.00
顶温西北 173.00
顶温东南 184.00
顶温东北 188.00
Name: 1, dtype: float64
燃料比 顶温西南
0 531.46 185
1 510.35 184
2 533.49 180
3 511.51 190
4 531.02 180
5 511.24 174
燃料比 顶温西南
0 3.00 3
1 3.00 3
2 533.49 180
3 511.51 190
4 531.02 180
5 511.24 174格式说明，data_5row_2col.ix[0:1,0:2]，data_5row_2col.ix[0:1,[0,2]],选取部分行和列需加”[]”
3. 排序
代码如下：
print data_1row.sort_values() print data_5row_2col.sort_values(by=u'燃料比')
测试结果如下：
顶温西北 173.00
顶温西南 184.00
顶温东南 184.00
顶温东北 188.00
燃料比 510.35
Name: 1, dtype: float64
燃料比 顶温西南
1 510.35 184
5 511.24 174
3 511.51 190
4 531.02 180
0 531.46 185
2 533.49 1804. 删除重复的行
代码如下：
print data_5row_2col[u'顶温西南'].drop_duplicates()#剔除重复行数据
测试结果如下：
0 185 1 184 2 180 3 190 5 174 Name: 顶温西南, dtype: int64
说明：从测试结果3中可以看出顶温西南index=2的数据与index=4的数据重复，测试结果4显示将index=4的顶温西南数据删除
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。