Python----数据分析（Pandas一：pandas库介绍，pandas操作文件读取和保存）

一、Pandas库

1.1、概念

        Pandas是一个开源的、用于数据处理和分析的Python库，特别适合处理表格类数 据。它建立在NumPy数组之上，提供了高效的数据结构和数据分析工具，使得数据操作变得更加简单、便捷和高效。

        Pandas 的目标是成为 Python 数据分析实践与实战的必备高级工具，其长远目标是成为最强大、最灵活、可以支持任何语言的开源数据分析工具

1.2、数据结构

1. Series：一维数组，可以存储任何数据类型（整数、字符串、浮点数等），每个 元素都有一个与之对应的标签（索引）。

2. DataFrame：二维表格型数据结构，可以视为多个 Series 对象的集合，每一列 都是一个 Series。每列可以有不同的数据类型，并且有行和列的标签。

1.3、数据操作

读取和保存数据：支持多种数据格式，如 CSV、Excel、SQL 数据库、JSON 等。

数据选择和过滤：提供灵活的索引和条件筛选功能，方便数据的提取和过滤。

数据清洗：提供了处理缺失数据、重复数据、异常值等数据清洗功能。

数据转换：通过 apply(), map(),replace()等方法进行数据转换。

数据合并：使用concat(), merge(), join()等方法进行数据的横向和纵向合并。

聚合和分组：使用 组和聚合。

1.4、主要特点

1. 数据结构：Pandas提供了两种主要的数据结构：Series（一维数组）和 DataFrame（二维表格）。

2. 数据操作：支持数据的增、删、改、查等操作，以及复杂的数据转换和清洗。

3. 数据分析：提供丰富的数据分析方法，如聚合、分组、透视等。

4. 文件读取与写入：支持多种文件格式（如CSV、Excel、SQL等）的读取和写入。

5. 与其他库集成良好：Pandas 与许多其他三方库（如 NumPy、Matplotlib、 Scikit-learn等）无缝集成，形成了一个强大的数据科学生态系统。

6. 强大的社区支持：Pandas 拥有庞大的开发者社区，提供丰富的资源和学习材 料。

官方文档

http://pandas.pydata.org/pandas-docs/stable/

安装

pip install pandas

二、Pandas的读取与保存

2.1、读取数据

2.1.1、Pandas读取Excel文件

说明

        使用Pandas模块操作Excel时候，需要安装openpyxl

        pip install openpyxl==3.1.2

        pandas.read_excel是pandas库中用于读取Excel文件（ .xls 或 数。它可以将Excel文件中的数据读取为DataFrame对象，便于进行数据分析和处 理。 

pandas.read_excel(io, sheet_name=0, header=0, index_col=None, usecols=None, squeeze=False,dtype=None, skiprows=None, nrows=None, na_values=None, keep_default_na=True, parse_dates=False, date_parser=None,skipfooter=0, convert_float=True, **kwds)

描述	说明
io	文件路径或文件对象。这是唯一必需的参数，用于指定要读取的Excel文件。
sheet_name=0	要读取的表名或表的索引号。默认为0，表示读取第一个工作 表。可以指定工作表名或索引号，如果指定多个，将返回一个字典，键为工作表 名，值为对应的DataFrame。
header=0	用作列名的行号，默认为0，即第一行作为列名。如果没有标题行， 可以设置为None。
index_col=None	用作行索引的列号或列名。默认为None，表示不使用任何列 作为索引。可以是一个整数、字符串或列名的列表。
usecols=None	要读取的列。默认为None，表示读取所有列。可以是一个整数 列表、字符串列表或Excel列的位置（如 [0, 1, 2]）或字母标记（如 ['A', 'B', 'C']）。
squeeze=False	如果读取的数据只有一列，当设置为True时，返回一个Series 而不是DataFrame。
dtype=None	指定某列的数据类型。默认为None，表示自动推断。可以是一个 字典，键为列名，值为NumPy数据类型。
skiprows=None	要跳过的行号或行号列表。默认为None，表示不跳过任何行。 可以是整数或整数列表。
nrows=None	读取的行数，从文件头开始。默认为None，表示读取所有行。
na_values=None	将指定的值替换为NaN。默认为None，表示不替换。可以是 一个值或值的列表。
keep_default_na=True	如果为True（默认），则除了通过 na_values指定的值外，还将默认的NaN值视为NaN。
parse_dates=False	是否尝试将列解析为日期。默认为False。可以是一个布尔 值、列名列表或列号的列表。
date_parser=None	用于解析日期的函数。默认为None，表示使用pandas默认 的日期解析器。
skipfooter=0	要跳过的文件底部的行数。默认为0，表示不跳过任何底部的 行。
convert_float=True	是否将所有浮点数转换为64位浮点数。默认为True，以 避免数据类型推断问题。
**kwds	允许用户传递其他关键字参数，这些参数可能会被引擎特定的读取器所 识别。

import pandas as pd
pd.read_excel('stu_data.xlsx')  

指定导入哪个Sheet

pd.read_excel('stu_data.xlsx',sheet_name='Target')
pd.read_excel('stu_data.xlsx',sheet_name=0)

通过index_col指定行索引 

pd.read_excel('stu_data.xlsx',sheet_name=0,index_col=0)

通过header指定列索引 

pd.read_excel('stu_data.xlsx',sheet_name=0,header=1)
pd.read_excel('stu_data.xlsx',sheet_name=0,header=None)

通过usecols指定导入列

pd.read_excel('stu_data.xlsx',usecols=[1,2,3])

2.1.2、Pandas读取数据_CSV文件

        pandas.read_csv 是一个非常强大的函数，用于从文件、URL、文件-like对象等读 取逗号分隔值（CSV）文件。这个函数有很多参数，允许你以多种方式自定义数据加 载过程。

pandas.read_csv(filepath_or_buffer, sep, header, usercols, na_values, parse_dates, skiprows, nrows)

描述	说明
filepath_or_buffer	指定要读取的 CSV 文件的路径或文件对象。可以是一个 字符串，表示文件的绝对路径或相对路径；也可以是一个已经打开的文件对象 （例如通过 open() 函数打开的文件）。
sep	字符串，用于分隔字段的字符。默认是逗号,，但可以是任何字符，例如 ';' 或 '\t'（制表符）。
header	整数或整数列表，用于指定行号作为列名，或者没有列名，
usecols	列表或 callable，用于指定要读取的列。可以是列名的列表，也可以是 列号的列表。
na_values	字符串、列表或字典，用于指定哪些其他值应该被视为NA/NaN
parse_dates	列表或字典，用于指定将哪些列解析为日期。
skiprows	整数或列表，用于指定要跳过的行号或条件。
nrows	整数，用于指定要读取的行数。

导入csv文件时除了指明文件路径，还需要设置编码格式。

在国内，Python中用得比较多的两种编码格式是UTF-8和gbk，默认编码格式是UTF-8。

通过设置参数encoding来设置导入的编码格式。

pd.read_csv('stu_data.csv',encoding='gbk')

2.1.4、Pandas读取txt文件

        导入.txt文件用得方法时read_table()，read_table()是将利用分隔符分开的文件导入。DataFrame的通用函数。它不仅仅可以导入.txt文件，还可以导入.csv文件。

导入.txt文件

pd.read_table('test_data.txt',encoding='utf-8',sep='\t')

导入.csv文件，指明分隔符 

pd.read_table('stu_data.csv',encoding='gbk',sep=',')

2.1.5、读取数据库数据 

配置 MySQL 连接引擎

conn = pymysql.connect( host = 'localhost', user = 'root', passwd = 'root', db = 'mydb',port=3306, charset = 'utf8'
)

读取数据表

pd.read_sql( sql :需要执行的 SQL 语句/要读入的表名称con : 连接引擎名称 index_col = None :将被用作索引的列名称 columns = None :当提供表名称时，需要读入的列名称 list 
)
tab1 = pd.read_sql('SELECT * FROM t_menus',con=conn)
tab1 = pd.read_sql('SELECT count(1) FROM t_menus',con=conn)number = 10
tab1 = pd.read_sql(f'SELECT * FROM t_menus LIMIT {number}',con=conn,index_col = ['empno'],)

数据sql

CREATE TABLE `t_menus` (`id` int(11) NOT NULL AUTO_INCREMENT,`name` varchar(32) NOT NULL,`path` varchar(32) DEFAULT NULL,`level` int(11) DEFAULT NULL,`pid` int(11) DEFAULT NULL,PRIMARY KEY (`id`),UNIQUE KEY `name` (`name`),KEY `pid` (`pid`),CONSTRAINT `t_menus_ibfk_1` FOREIGN KEY (`pid`) REFERENCES `t_menus` (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=52 DEFAULT CHARSET=utf8mb4;INSERT INTO `t_menus` VALUES (-1,'全部',NULL,0,NULL),(1,'用户管理',NULL,1,-1),(2,'权限管理',NULL,1,-1),(3,'商品管理',NULL,1,-1),(4,'订单管理',NULL,1,-1),(5,'数据统计',NULL,1,-1),(11,'用户列表','/user_list',2,1),(21,'角色列表','/author_list',2,2),(22,'权限列表','/role_list',2,2),(31,'商品列表','/product_list',2,3),(32,'分类列表','/group_list',2,3),(33,'属性列表','/attribute_list',2,3),(41,'订单列表','/order_list',2,4),(51,'统计列表','/data_list',2,5);

2.2、保存数据

df.to_csv( filepath_or_buffer :要保存的文件路径 sep =：分隔符 columns :需要导出的变量列表 header = True :指定导出数据的新变量名，可直接提供 list index = True :是否导出索引 mode = 'w' : Python 写模式,读写方式：r,r+ , w , w+ , a , a+   encoding = 'utf-8' :默认导出的文件编码格式 
)
df2.to_csv('temp.csv')
#===========================
df.to_excel( filepath_or_buffer :要读入的文件路径 sheet_name = 1|Sheet :要保存的表单名称 
)
df2.to_excel('temp.xlsx', index = False, sheet_name = data)

2.2.1、to_csv

        用于将DataFrame对象保存为CSV（逗号分隔值）文件的方法。

DataFrame.to_csv(path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, mode='w', encoding=None, quoting=None, quotechar='"'， **kwargs)

描述	说明
path_or_buf	指定输出文件的路径或文件对象。
sep	字段分隔符，通常使用逗号,或制表符\t。
na_rep	缺失值的表示方式，默认为空字符串 ''。
float_format	浮点数的格式化方式，例如 '%.2f'用于格式化为两位小数。
columns	要写入的列的子集，默认为None，表示写入所有列。
header	是否写入行索引，通常设置为True或False，取决于是否需要索引。
index	是否写入列名，通常设置为True。
mode	写入模式，通常使用’w’（写入，覆盖原文件）或’a’（追加到文件末尾）。
encoding	文件编码，特别是在处理非ASCII字符时很重要
quoting	控制字段引用的行为，通常用于确保字段中的分隔符被正确处理。
quotechar	用于包围字段的字符，默认为双引号"。
**kwargs	其他关键字参数。

import pandas as pd# 创建一个简单的DataFrame
data = {
'姓名': ['张三', '李四', '王五'],
'年龄': [28, 34, 29],
'城市': ['北京', '上海', '广州']
}
df = pd.DataFrame(data)
# 将DataFrame保存为CSV文件
df.to_csv('人员信息.csv', index=False, encoding='utf_8_sig')

2.2.2、to_excel

        Pandas中的 to_excel用于将DataFrame保存为Excel文件。

DataFrame.to_excel(excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, inf_rep='inf', freeze_panes=None, storage_options=None)

描述	说明
excel_writer	字符串或ExcelWriter对象，指定输出文件的路径或文件对象。
sheet_name='Sheet1'	要写入的工作表名称。
na_rep=''	指定缺失值的表示方式。
float_format=None	浮点数的格式化方式，例如’%.2f’。
columns=None	要写入的列的子集，默认为None，表示写入所有列。
header=True	是否写入列名，默认为True。
index_label=None	是否写入行索引，默认为True。
index=True	指定行索引列的列名，如果为None，并且 ： header为True，则使用索引名。
startrow=	写入DataFrame的起始行位置，默认为0。
startcol=0	写入DataFrame的起始列位置，默认为0。
engine=None	指定用于写入文件的引擎，可以是’openpyxl’（默认） 或’xlsxwriter’。
merge_cells=True	是否合并单元格，这在有合并单元格的Header时很有用。
inf_rep='inf'	指定无限大的表示方式。
freeze_panes=None	指定冻结窗口的单元格范围，例如’A2’。
storage_options=None	指定存储连接的参数，例如认证凭据。

import pandas as pd
# 创建一个简单的DataFrame
data = {
'姓名': ['张三', '李四', '王五'],
'年龄': [28, 34, 29],
'城市': ['北京', '上海', '广州']
}
df = pd.DataFrame(data)
# 将DataFrame保存为Excel文件
df.to_excel('人员信息.xlsx', index=False)

2.2.3、保存数据到数据库

注意

需要安装sqlalchemy

pip install sqlalchemy

df.to_sql( name :将要存储数据的表名称con : 连接引擎名称 if_exists = 'fail' :指定表已经存在时的处理方式 fail :不做任何处理(不插入新数据) replace :删除原表并重建新表 append :在原表后插入新数据 index = True :是否导出索引 )from sqlalchemy import create_engine
con = create_engine('mysql+pymysql://root:root@localhost:3306/mydb?charset=utf8') df.to_sql('t_stu',con,if_exists=append)

三、思维导图