Python 中pandas索引切片读取数据缺失数据处理问题

站长资源 2024/11/25 佚名

2 0 1

引入

　　numpy已经能够帮助我们处理数据，能够结合matplotlib解决我们数据分析的问题，那么pandas学习的目的在什么地方呢？ numpy能够帮我们处理处理数值型数据，但是这还不够很多时候，我们的数据除了数值之外，还有字符串，还有时间序列等比如：我们通过爬虫获取到了存储在数据库中的数据比如：之前youtube的例子中除了数值之外还有国家的信息，视频的分类(tag)信息，标题信息等所以，numpy能够帮助我们处理数值，但是pandas除了处理数值之外(基于numpy)，还能够帮助我们处理其他类型的数据。

什么是pandas？

　　pandas是一个Python软件包，提供快速，灵活和富于表现力的数据结构，旨在使使用“关系”或“标记”数据既简单又直观。它旨在成为在Python中进行实际，真实世界数据分析的基本高级构建块。此外，其更广泛的目标是成为任何语言中可用的最强大，最灵活的开源数据分析/操作工具。它已经朝着这个目标迈进了。

pandas的常用数据类型

　　1、Series 一维，带标签数组

　　2、DataFrame 二维，Series容器

(1)Series创建

pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)

data:类数组，可迭代，字典或标量值,包含存储在系列中的数据。在0.23.0版中进行了更改：如果data是dict，则将为Python 3.6及更高版本维护参数顺序。

index：类数组或索引（1d）值必须是可散列的，并且与data的长度相同。允许使用非唯一索引值。如果未提供，则默认为RangeIndex（0，1，2，…，n）。如果同时使用了字典和索引序列，则索引将覆盖在字典中找到的键。

dtype：STR，numpy.dtype，或ExtensionDtype，可选

输出系列的数据类型。如果未指定，则将从data推断出来。

copy：bool，默认为False,copy输入数据。

import pandas as pd
import numpy as np
t = pd.Series(np.arange(12),index= list("asdfghjklpoi"))
print(t)
print(type(t))

注意几个问题：pd.Series能干什么，能够传入什么数据类型让其变为series结构。index是什么，在什么位置，对于我们常见的数据库数据或者ndarray来说，index到底是什么如何给一组数据指定index。

c = {"name":"lishuntao","age":18,"gender":"boy"}
t1 = pd.Series(c)
print(t1)
print(type(t1))
print(t1["name"])
print(t1["gender"])

从上面可以看出，通过字典创建一个Series，字典的键就是索引。

重新给其绑定其他的索引之后，如果能够对应的上，就取其值，如果不能，就为Nan。如图所示：

import numpy as np
import pandas as pd

a = {"a":12,"name":"lishuntao","c":"xiaoc","age":18,"gender":"man"}

t1 = pd.Series(a)
print(t1)
print(type(t1))
t2 = pd.Series(a,index=list("abcdf"))
print(t2)

numpy中的nan为float，pandas会自动根据数据类型更改series的dtype类型。

Series切片和索引

import numpy as np
import pandas as pd

a = {"a":12,"name":"lishuntao","c":"xiaoc","age":18,"gender":"man"}

t1 = pd.Series(a)
print(t1)
print(t1[:2])
print(t1[1])
print(t1[["a","c","gender"]])
print(t1[0:5:2])

import numpy as np
import pandas as pd

a = np.arange(12)
t1 = pd.Series(a)
print(t1)
print(t1[t1>9])

Series的索引和值

import numpy as np
import pandas as pd

a = np.arange(12)
t1 = pd.Series(a)
#print(t1)
print(t1.index)
print(t1.values)

import numpy as np
import pandas as pd

a = np.arange(12)
t1 = pd.Series(a)
print(t1)
print(type(t1.index))
print(type(t1.values))

Series对象本质上有两个数组构成，一个数组构成对象的键（index，索引），一个数组构成对象的值（values），键--->值。

ndarray的很多方法都可以运用与series类型，比如argmax，clip

series具有where方法，但是结果却不同（下面是官方文档给出）

Series.where(self,cond[,other,inplace,…])Replace values where the condition is False.

a = np.arange(12)
t1 = pd.Series(a)
print(t1)
#替换条件是False的情况 下面两个结果一样
print(t1.where((t1>8),1))
print(pd.Series.where(t1,(t1>4),1))

pandas之读取外部数据

　　现在假设我们有一个组关于狗的名字的统计数据，那么为了观察这组数据的情况，我们应该怎么做呢？

　　数据来源：https://www.kaggle.com/new-york-city/nyc-dog-names/data

我们的这组数据存在csv中，我们直接使用pd. read_csv即可

import numpy as np
import pandas as pd
t2 = pd.read_csv("F:\BaiduNetdiskDownload\youtube_video_data\dogNames2.csv")
print(t2)
print(type(t2))

和我们想象的有些差别，他是一个DataFrame，那么接下来我们就来了解这种数据类型

但是，还有一个问题：

对于数据库比如mysql或者mongodb中数据我们如何使用呢？

pd.read_sql(sql_sentence,connection)

那么，mongodb呢？（先用mongodb自己读出来，然后将它传入到DataFrame中，就可以实现读取）

(2)DataFrame的创建

pd.DataFrame（data,index,columns,dtype,copy)

参数比Series多了columns，从中可以看出这是列索引（Index or array-like Column labels to use for resulting frame. Will default to RangeIndex (0, 1, 2, ..., n) if no column labels are provided）

import numpy as np
import pandas as pd
t2 = pd.DataFrame(np.arange(12).reshape(3,4))
print(t2)

从上面我们可以看出DataFrame对象既有行索引，又有列索引

行索引：表明不同行，横向索引，叫index，0轴，axis=0

列索引：表明不同列，纵向索引，叫columns，1轴，axis=1

自定义索引标签：

t2 = pd.DataFrame(np.arange(12).reshape(3,4),index=list("abc"),columns=list("WXYZ"))
print(t2)

DataFrame的基础属性

t2 = pd.DataFrame(np.arange(12).reshape(3,4),index=list("abc"),columns=list("WXYZ"))
print(t2)
print(t2.shape)#显示行数，列数
print(t2.dtypes)#显示的是列数据类型
print(t2.ndim)#数据维度2（0,1）
print(t2.index)#行索引
print(t2.columns)#列索引 Index(['W', 'X', 'Y', 'Z'], dtype='object')
print(t2.values)#对象值，二维ndarray的数组

DataFrame整体情况查询

t2 = pd.DataFrame(np.arange(12).reshape(3,4),index=list("abc"),columns=list("WXYZ"))
print(t2)
#print(t2.head())
print(t2.head(1))#显示头几行，默认5行
print(t2.tail(2))#显示末尾几行，默认5行
print(t2.info())#相关信息浏览：行数，列数，列索引，列非空值个数，列类型，列类型，内存占用
print(t2.describe())#快速综合统计结果：计数，均值，标准差，最大值，四分位数，最小值

动手：那么回到之前我们读取的狗名字统计的数据上，我们尝试一下刚刚的方法

那么问题来了：

肯定想知道使用次数最高的前几个名字是什么呢？

pd.DataFrame.sort_values(by="Count_AnimalName",ascending=False)#ascending=True升序排序 by是对那一列排序 输入列索引键
t2 = pd.read_csv("F:\BaiduNetdiskDownload\youtube_video_data\dogNames2.csv")
print(t2)

t3 = t2.sort_values(by="Count_AnimalName",ascending=False)
print(t3)

那么问题又来了：

如果我的数据有10列，我想按照其中的第1，第3，第8列排序，怎么办？

pandas之取行或者列

　　刚刚我们知道了如何给数据按照某一行或者列排序，那么现在我们想单独研究使用次数前100的数据，应该如何做？

t2 = pd.read_csv("F:\BaiduNetdiskDownload\youtube_video_data\dogNames2.csv")
print(t2)

t3 = t2.sort_values(by="Count_AnimalName",ascending=False)
print(t3[:100])

我们具体要选择某一列该怎么选择呢？t2[" Count_AnimalName "]

我们要同时选择行和不同列该怎么办？（和numpy类似）

pandas之loc取行数据

　　1、t2.loc 通过标签索引行数据（标签）

print(t2.loc["a","W"])
print(t2.loc["a",["W","Y"]])
print(type(t2.loc["a",["W","Y"]]))
print(t2.loc[["a","b"],["Z","Y"]])
print(t2.loc[:"c",:"Y"])
print(t2.loc["a":"b",["W","Z"]])

　2、t2.iloc 通过位置获取行数据（位置）

import numpy as np
import pandas as pd

t2 = pd.DataFrame(np.arange(12).reshape(3,4),index=list("abc"),columns=list("WXYZ"))
print(t2)
print(t2.iloc[0:2,0:4])
print(t2.iloc[[0,2],[1,3]])
t2.loc["a","Y"] = 100 #复制操作
print(t2)
t2.iloc[1:2,[1]] = 1000 #复制操作
print(t2)

pandas之布尔索引（且，或，&，|，）

　　回到之前狗的名字的问题上，假如我们想找到所有的使用次数超过800的狗的名字，应该怎么选择？

print(t2[t2["Count_AnimalName"]>800])

回到之前狗的名字的问题上，假如我们想找到所有的使用次数超过700并且名字的字符串的长度大于4的狗的名字，应该怎么选择？

print(t2[(t2["Row_Labels"].str.len()>4)&(t2["Count_AnimalName"]>700)])

pandas之字符串方法

缺失数据的处理：

　　观察这组数据

　　我们的数据缺失通常有两种情况：一种就是空，None等，在pandas是NaN(和np.nan一样) 另一种是我们让其为0（蓝色框中）

　　对于NaN的数据，在numpy中我们是如何处理的？

　　在pandas中我们处理起来非常容易判断数据是否为NaN：pd.isnull(df),pd.notnull(df)

　　处理方式1：删除NaN所在的行列

　　　　dropna (axis=0, how='any', inplace=False)

　　处理方式2：填充数据，

　　　　t.fillna(t.mean()),t.fiallna(t.median()),t.fillna(0)

　　处理为0的数据：t[t==0]=np.nan 当然并不是每次为0的数据都需要处理计算平均值等情况，nan是不参与计算的，但是0会

import numpy as np
import pandas as pd

t2 = pd.DataFrame(np.arange(12).reshape(3,4),index=list("abc"),columns=list("WXYZ"))
#print(t2)
t2.loc[:"b",["W","Y"]] = np.nan
print(t2)
print(pd.isnull(t2))
print(pd.notnull(t2))
#print(t2.dropna(axis=0,how="all",inplace=False))
#any只要含NaN就删除前面规定的行列，all需要的是行列全部为NAN才能删除
#填充数据
#print(t2.fillna(t2.mean()))
print(t2)
print(t2.fillna(t2.median()))
print(t2.fillna(0))