作者：俊欣

來(lái)源：關(guān)于數(shù)據(jù)分析與可視化

今天小編來(lái)和大家分享幾個(gè)Pandas實(shí)戰(zhàn)技巧，相信大家看了之后肯定會(huì)有不少的收獲。

讀取數(shù)據(jù)

read_csv()用來(lái)讀取csv格式的數(shù)據(jù)集，當(dāng)然我們這其中還是有不少玄機(jī)在其中的

pd.read_csv("data.csv")

只讀取數(shù)據(jù)集當(dāng)中的某幾列

我們只是想讀取數(shù)據(jù)集當(dāng)中的某幾列，就可以調(diào)用其中的usecols參數(shù)，代碼如下

df = pd.read_csv("house_price.csv", usecols=["Id", "SalePrice"])
df.head()

output

時(shí)間類型的數(shù)據(jù)解析

主要用到的是parse_dates參數(shù)，代碼如下

df = pd.read_csv("Tesla.csv", parse_dates=["Date"])
df.head()

output

對(duì)于數(shù)據(jù)類型加以設(shè)定

主要調(diào)用的是dtype這個(gè)參數(shù)，同時(shí)合適的數(shù)據(jù)類型能夠?yàn)閿?shù)據(jù)集節(jié)省不少的內(nèi)存空間，代碼如下

df = pd.read_csv("data.csv", dtype={"house_type": "category"})

設(shè)置索引

用到的是index_col這個(gè)參數(shù)，代碼如下

df = pd.read_csv("Tesla.csv", index_col="Date")
df.head()

output

只讀取部分讀取

用到的是nrows參數(shù)，代碼如下

df = pd.read_csv("Tesla.csv", nrows=100)
df.shape

output

(100, 7) 

跳過(guò)某些行

要是數(shù)據(jù)集當(dāng)中存在著一些我們并不想包括在內(nèi)的內(nèi)容，可以直接跳過(guò)，skiprows參數(shù)，代碼如下

pd.read_csv("data.csv", skiprows=[1, 5])  # 跳過(guò)第一和第五行 pd.read_csv("data.csv", skiprows=100)  # 跳過(guò)前100行 pd.read_csv("data.csv", skiprows=lambda x: x > 0 and np.random.rand() > 0.1) # 抽取10%的數(shù)據(jù)

遇到了空值咋辦呢？

要是遇到了空值，我們可以將空值用其他的值來(lái)代替，代碼如下

df = pd.read_csv("data.csv", na_values=["?"])

那么布爾值呢？

對(duì)于布爾值而言，我們也可以設(shè)定換成是其他的值來(lái)代替，代碼如下

df = pd.read_csv("data.csv", true_values=["yes"], false_values=["no"])

從多個(gè)csv文件中讀取數(shù)據(jù)

還可以從多個(gè)csv文件當(dāng)中來(lái)讀取數(shù)據(jù)，通過(guò)glob模塊來(lái)實(shí)現(xiàn)，代碼如下

import glob import os

files = glob.glob("file_*.csv")

result = pd.concat([pd.read_csv(file) for file in files], ignore_index=True)

要是從PDF文件當(dāng)中來(lái)讀取數(shù)據(jù)

我們的表格數(shù)據(jù)存在于pdf文件當(dāng)中，需要從pdf文件當(dāng)中來(lái)讀取數(shù)據(jù)，代碼如下

# 安裝tabula-py模塊 # %pip install tabula-py  from tabula import read_pdf
df = read_pdf('test.pdf', pages='all')

探索性數(shù)據(jù)分析

三行代碼直接生成

通過(guò)調(diào)用pandas_profilling模塊，三行代碼直接生成數(shù)據(jù)分析的報(bào)告，代碼如下

# 安裝pandas-profilling模塊 # %pip install pandas-profiling import pandas_profiling

df = pd.read_csv("data.csv")
profile = df.profile_report(title="Pandas Profiling Report")
profile.to_file(output_file="output.html")

基于數(shù)據(jù)類型的操作

pandas能夠表示的數(shù)據(jù)類型有很多

基于數(shù)據(jù)類型來(lái)篩選數(shù)據(jù)

我們希望篩選出來(lái)的數(shù)據(jù)包含或者是不包含我們想要的數(shù)據(jù)類型的數(shù)據(jù)，代碼如下

# 篩選數(shù)據(jù) df.select_dtypes(include="number")
df.select_dtypes(include=["category", "datetime"]) # 排除數(shù)據(jù) df.select_dtypes(exclude="object")

推斷數(shù)據(jù)類型

主要調(diào)用的是infer_objects()方法，代碼如下

df.infer_objects().dtypes 

手動(dòng)進(jìn)行數(shù)據(jù)類型的轉(zhuǎn)換

我們手動(dòng)地進(jìn)行數(shù)據(jù)類型的轉(zhuǎn)換，要是遇到不能轉(zhuǎn)換的情況時(shí)，errors='coerce'將其換轉(zhuǎn)成NaN，代碼如下

# 針對(duì)整個(gè)數(shù)據(jù)集都有效 df = df.apply(pd.to_numeric, errors="coerce") # 將空值用零來(lái)填充 pd.to_numeric(df.numeric_column, errors="coerce").fillna(0)

一次性完成數(shù)據(jù)類型的轉(zhuǎn)換

用到的是astype方法，代碼如下

df = df.astype(
    { "date": "datetime64[ns]", "price": "int", "is_weekend": "bool", "status": "category",
    }
)

列的操作

重命名

rename()方法進(jìn)行列的重命名，代碼如下

df = df.rename({"PRICE": "price", "Date (mm/dd/yyyy)": "date", "STATUS": "status"}, axis=1)

添加前綴或者是后綴

add_prefix()方法以及add_suffix()方法，代碼如下

df.add_prefix("pre_") df.add_suffix("_suf")

新建一個(gè)列

調(diào)用的是assign方法，當(dāng)然除此之外還有其他的方法可供嘗試，代碼如下

# 攝氏度與華氏度之間的數(shù)制轉(zhuǎn)換 df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) 

在指定的位置插入新的一列

同樣也是用到insert方法，代碼如下

random_col = np.random.randint(10, size=len(df))
df.insert(3, 'random_col', random_col) # 在第三列的地方插入

if-else邏輯判斷

df["price_high_low"] = np.where(df["price"] > 5, "high", "low")

去掉某些列

調(diào)用的是drop()方法，代碼如下

df.drop('col1', axis=1, inplace=True)
df = df.drop(['col1','col2'], axis=1)
df.drop(df.columns[0], inplace=True)

字符串的操作

列名的操作

要是我們想要對(duì)列名做出一些改變，代碼如下

# 對(duì)于列名的字符串操作 df.columns = df.columns.str.lower() df.columns = df.columns.str.replace(' ', '_')

Contains()方法

## 是否包含了某些字符串 df['name'].str.contains("John") ## 里面可以放置正則表達(dá)式 df['phone_num'].str.contains('...-...-....', regex=True) # regex 

findall()方法

## 正則表達(dá)式 pattern = '([A-Z0-9._%+-]+)@([A-Z0-9.-]+).([A-Z]{1,9})' df['email'].str.findall(pattern, flags=re.IGNORECASE)

缺失值

查看空值的比例

我們要是想要查看在數(shù)據(jù)集當(dāng)中空值所占的比例，代碼如下

def missing_vals(df): """空值所占的百分比""" missing = [
        (df.columns[idx], perc) for idx, perc in enumerate(df.isna().mean() * 100) if perc > 0 ] if len(missing) == 0: return "沒(méi)有空值數(shù)據(jù)的存在" # 排序 missing.sort(key=lambda x: x[1], reverse=True)

    print(f"總共有 {len(missing)} 個(gè)變量存在空值n") for tup in missing:
        print(str.ljust(f"{tup[0]:<20} => {round(tup[1], 3)}%", 1))

output

總共有 19 個(gè)變量存在空值

PoolQC               => 99.521% MiscFeature => 96.301% Alley => 93.767% Fence => 80.753% FireplaceQu => 47.26% LotFrontage => 17.74% GarageType => 5.548% GarageYrBlt => 5.548% GarageFinish => 5.548% GarageQual => 5.548% GarageCond => 5.548% BsmtExposure => 2.603% BsmtFinType2 => 2.603% BsmtQual => 2.534% BsmtCond => 2.534% BsmtFinType1 => 2.534% MasVnrType => 0.548% MasVnrArea => 0.548% Electrical => 0.068%

空值的處理方式

我們可以選擇將空值去除掉，或者用平均值或者其他數(shù)值來(lái)進(jìn)行填充，代碼如下

# 去除掉空值 df.dropna(axis=0) df.dropna(axis=1)

# 換成其他值來(lái)填充 df.fillna(0) df.fillna(method="ffill") df.fillna(method='bfill')

# 取代為其他的數(shù)值 df.replace( -999, np.nan) df.replace("?", np.nan)

# 推測(cè)其空值應(yīng)該為其他什么數(shù)值 ts.interpolate() # time series df.interpolate() # fill all consecutive values forward df.interpolate(limit=1) # fill one consecutive value forward df.interpolate(limit=1, limit_direction="backward") df.interpolate(limit_direction="both")

日期格式的數(shù)據(jù)處理

獲取指定時(shí)間的數(shù)據(jù)

# 從今天開(kāi)始算，之后的N天或者N個(gè)禮拜或者N個(gè)小時(shí) date.today() + datetime.timedelta(hours=30) date.today() + datetime.timedelta(days=30) date.today() + datetime.timedelta(weeks=30)

# 過(guò)去的一年 date.today() - datetime.timedelta(days=365)

通過(guò)日期時(shí)間來(lái)獲取數(shù)據(jù)

df[(df["Date"] > "2015-10-01") & (df["Date"] < "2018-01-05")]

通過(guò)指定日期來(lái)獲取數(shù)據(jù)

# 篩選出某一天的數(shù)據(jù) df[df["Date"].dt.strftime("%Y-%m-%d") == "2022-03-05"] # 篩選出某一個(gè)月的數(shù)據(jù) df[df["Date"].dt.strftime("%m") == "12"] # 篩選出每一年的數(shù)據(jù) df[df["Date"].dt.strftime("%Y") == "2020"]

將格式化數(shù)據(jù)集

保留指定位數(shù)

對(duì)于一些浮點(diǎn)數(shù)的數(shù)據(jù)，我們希望可以保留小數(shù)點(diǎn)后的兩位或者是三位，代碼如下

format_dict = { "Open": "${:.2f}", "Close": "${:.2f}", "Volume": "{:,}",
}

df.style.format(format_dict)

output

高亮顯示數(shù)據(jù)

對(duì)于指定的一些數(shù)據(jù)，我們希望是高亮顯示，代碼如下

(
    df.style.format(format_dict)
    .hide_index()
    .highlight_min(["Open"], color="blue")
    .highlight_max(["Open"], color="red")
    .background_gradient(subset="Close", cmap="Greens")
    .bar('Volume', color='lightblue', align='zero')
    .set_caption('Tesla Stock Prices in 2017')
)

output