目录
前言
Pandas是Python下一个开源数据分析的库，它提供的数据结构DataFrame极大的简化了数据分析过程中一些繁琐操作。
1. 基本使用：
创建DataFrame. DataFrame是一张二维的表，大家可以把它想象成一张Excel表单或者Sql表。
Excel 2007及其以后的版本的最大行数是1048576，最大列数是16384，超过这个规模的数据Excel就会弹出个框框“此文本包含多行文本，无法放置在一个工作表中”。
Pandas处理上千万的数据是易如反掌的sh事情，同时随后我们也将看到它比SQL有更强的表达能力，可以做很多复杂的操作，要写的code也更少。 说了一大堆它的好处，要实际感触还得动手码代码。
首要的任务就是创建一个DataFrame，它有几种创建方式：
- 列表，序列(pandas.Series), numpy.ndarray的字典
- 二维numpy.ndarray
- 别的DataFrame
- 结构化的记录(structured arrays)
其中，我最喜欢的是通过二维ndarray创建DataFrame，因为代码敲得最少：
import pandas as pd import numpy as np df = pd.DataFrame(np.random.randn( 3 , 4 )) df 0 1 2 3 0 0.236175 - 0.394792 - 0.171866 0.304012 1 0.651926 0.989046 0.160389 0.482936 2 - 1.039824 0.401105 - 0.492714 - 1.220438
当然你还可以从mysql数据库或者csv文件中载入数据到dataframe。
dataframe中index用来标识行，column标识列，shape表示维度。
# 获得行索引信息 df.index # 获得列索引信息 df.columns # 获得df的size df.shape # 获得df的行数 df.shape[0] # 获得df的 列数 df.shape[1] # 获得df中的值 df.values
通过describe方法，我们可以对df中的数据有个大概的了解：
df.describe() 0 1 2 3 count 3.000000 3.000000 3.000000 3.000000 mean - 0.050574 0.331786 - 0.168064 - 0.144496 std 0.881574 0.694518 0.326568 0.936077 min - 1.039824 - 0.394792 - 0.492714 - 1.220438 25 % - 0.401824 0.003156 - 0.332290 - 0.458213 50 % 0.236175 0.401105 - 0.171866 0.304012 75 % 0.444051 0.695076 - 0.005739 0.393474 max 0.651926 0.989046 0.160389 0.482936
2. 数据select, del, update。
按照列名select:
df[ 0 ] 0 0.236175 1 0.651926 2 - 1.039824
按照行数select:
df[: 3 ] #选取前3行
按照索引select:
df.loc[ 0 ] 0 0.236175 1 - 0.394792 2 - 0.171866 3 0.304012
按照行数和列数select:
df.iloc[ 3 ] #选取第3行 df.iloc[ 2 : 4 ] #选取第2到第3行 df.iloc[ 0 , 1 ] #选取第0行1列的元素 dat.iloc[: 2 , : 3 ] #选取第0行到第1行，第0列到第2列区域内的元素 df1.iloc[[1,3,5],[1,3]] #选取第1，3，5行，第1，3列区域内的元素
删除某列：
del df[0] df 1 2 3 0 - 0.394792 - 0.171866 0.304012 1 0.989046 0.160389 0.482936 2 0.401105 - 0.492714 - 1.220438
删除某行：
5 df.drop(0) 1 2 3 1 0.989046 0.160389 0.482936 2 0.401105 - 0.492714 - 1.220438
3.运算。
基本运算：
df[ 4 ] = df[ 1 ] + df[ 2 ] 1 2 3 4 0 - 0.394792 - 0.171866 0.304012 - 0.566659 1 0.989046 0.160389 0.482936 1.149435 2 0.401105 - 0.492714 - 1.220438 - 0.091609
map运算，和python中的map有些类似：
df[ 4 ]. map ( int ) 0 0 1 1 2 0
apply运算：
df. apply ( sum ) 1 0.995359 2 - 0.504192 3 - 0.433489 4 0.491167
4. Group by 操作。
pandas中的group by 操作是我的最爱，不用把数据导入excel或者mysql就可以进行灵活的group by 操作，简化了分析过程。
df[ 0 ] = [ 'A' , 'A' , 'B' ] df 1 2 3 4 0 0 - 0.394792 - 0.171866 0.304012 - 0.566659 A 1 0.989046 0.160389 0.482936 1.149435 A 2 0.401105 - 0.492714 - 1.220438 - 0.091609 B g = df.groupby([ 0 ]) g.size() A 2 B 1 g. sum () 1 2 3 4 0 A 0.594254 - 0.011478 0.786948 0.582776 B 0.401105 - 0.492714 - 1.220438 - 0.091609
5. 导出到csv文件
dataframe可以使用to_csv方法方便地导出到csv文件中，如果数据中含有中文，一般encoding指定为”utf-8″,否则导出时程序会因为不能识别相应的字符串而抛出异常，index指定为False表示不用导出dataframe的index数据。
df.to_csv(file_path, encoding='utf-8', index=False) df.to_csv(file_path, index=False)
