当前位置：首页 > news >正文

Python的pandas库基本操作（数据分析）

news 文章来源：https://blog.csdn.net/Wgq0731/article/details/142795669 2025/5/22 16:55:35

一、安装，导入

1、安装

使用包管理器安装：

pip3 install pandas

2、导入

import pandas as pd

as是为了方便引用起的别名

二、DateFrame

在Pandas库中，DataFrame 是一种非常重要的数据结构，它提供了一种灵活的方式来存储和操作结构化数据。DataFrame 类似于Excel中的表格，具有行和列，其中每列可以是不同的数据类型（数值、字符串、布尔值等）。

1、创建DateFrame

import pandas as pd  # 从字典创建 DataFrame  
data = {'Name': ['Alice', 'Bob', 'Charlie'],  'Age': [25, 30, 35],  'City': ['New York', 'Los Angeles', 'Chicago']}  
df = pd.DataFrame(data)  # 从列表的字典创建 DataFrame  
data_list = [{'Name': 'Alice', 'Age': 25, 'City': 'New York'},  {'Name': 'Bob', 'Age': 30, 'City': 'Los Angeles'},  {'Name': 'Charlie', 'Age': 35, 'City': 'Chicago'}]  
df_list = pd.DataFrame(data_list)

两个对象存储情况：

Name Age City
0 Alice 25 New York
1 Bob 30 Los Angeles
2 Charlie 35 Chicago

2、查看 DateFrame

# 查看前几行  
print(df.head())  # 查看后几行  
print(df.tail())  # 查看数据的基本信息  
print(df.info())  # 查看数值列的统计信息  
print(df.describe())

head和tail括号内都可以写数值指定要前几行。默认是5行。

3、选择数据

你可以通过列名、行标签（索引）或条件来选择数据。

# 选择单列  
print(df['Name'])  # 选择多列  
print(df[['Name', 'Age']])  # 通过行标签选择（假设设置了索引）  
# df.set_index('Name', inplace=True)  
# print(df.loc['Alice'])  # 通过条件选择  
print(df[df['Age'] > 30])

当你使用 inplace=True 参数时，这个操作会直接在原DataFrame上进行，而不会返回一个新的DataFrame。之后，你可以使用 .loc[] 索引器来根据新的索引值选择数据。

可以通过设置index属性自定义输出的顺序。

app=data['apples']
#自定义输出序列下标顺序
app=pd.Series(app,index=[0,2,1,3])

执行后，会根据索引值的0213顺序赋值给app.

4、添加或删除数据

# 添加新列  
df = df.assign(Salary=pd.Series([50000, 60000, 70000]))  # 删除列  
df = df.drop(columns=['City'])  # 删除行（通过索引或条件）  
# df = df.drop(index=0)  # 删除第一行  
# df = df[df['Age'] != 30]  # 删除 Age 为 30 的行

5、数据处理

Pandas 提供了丰富的数据处理功能，如分组（groupby）、聚合（aggregate）、合并（merge）、连接（join）等。

# 分组和聚合  
grouped = df.groupby('City').agg({'Age': 'mean', 'Salary': 'sum'})  # 合并两个 DataFrame  
df1 = pd.DataFrame({'Key': ['K0', 'K1', 'K2', 'K3'],  'A': ['A0', 'A1', 'A2', 'A3']})  
df2 = pd.DataFrame({'Key': ['K0', 'K1', 'K2', 'K3'],  'B': ['B0', 'B1', 'B2', 'B3']})  
merged = pd.merge(df1, df2, on='Key')

6、导出数据

你可以将 DataFrame 导出为CSV、Excel等格式的文件。

# 导出为CSV文件  
df.to_csv('output.csv', index=False)  # 导出为Excel文件  
df.to_excel('output.xlsx', index=False)

将index设置为false可以去掉下标。

7、其他操作

（1）转置

print(date.T)

使用DateFrame对象打点调用T可以将矩阵进行转置，也就是将行转为列，列转为行。

（2）排序


#根据内容排序,ascending=False是降序，默认升序
print(date.sort_values(by='A',ascending=False))

也可以根据索引排序，就是使用date.sort_values。

三、时间序列和Resample函数

时间序列数据在Pandas中通常存储为DataFrame或Series对象，其中时间戳作为索引。这种结构使得Pandas能够轻松地对数据进行时间相关的操作，如按时间筛选、滚动窗口计算、时间差计算等。

resample()函数是Pandas时间序列对象（DataFrame或Series）的一个方法，它允许用户按照指定的频率对数据进行重新采样。重新采样的过程通常包括两个步骤：首先，根据新的频率对数据进行分组；其次，对每个分组应用聚合函数（如求和、平均、最大值、最小值等）来计算新的值。

# 假设df是一个时间序列DataFrame，时间戳作为索引  
# 对数据进行按月重新采样，并计算每个月的平均值  
monthly_mean = df.resample('M').mean()

参数：

rule：字符串或数字，指定新的采样频率。
on：可选参数，指定用于重新采样的列名（如果DataFrame的索引不是时间戳）。
closed：可选参数，指定区间的开闭性，'left'、'right'或None（默认为'right'）。
label：可选参数，指定标签的位置，'left'、'right'或'both'（默认为'right'），或者是一个时间戳数组。
convention：可选参数，指定'start'、'end'或'e'（默认为'end'），用于确定在区间边界上的值的归属。
loffset：可选参数，用于调整标签的位置。
base：可选参数，用于指定时间间隔的起始点（0到23之间的整数）。
how或aggregate：可选参数，指定应用于每个分组的聚合函数（如'mean'、'sum'等）。在较新版本的Pandas中，建议使用aggregate参数。

常用的resample聚合函数

mean()：计算每个分组的平均值。这是时间序列数据分析中最常用的聚合函数之一，用于获取数据的平均水平。
sum()：计算每个分组的总和。这个函数可以用于计算某个时间段内的累积值。
count()：计算每个分组中非空（非NA/null）值的数量。这个函数可以用于检查数据的完整性或缺失情况。
first()：获取每个分组的第一个值。这个函数可以用于提取时间序列数据中的起始点。
last()：获取每个分组的最后一个值。这个函数可以用于提取时间序列数据中的结束点。
min()：计算每个分组的最小值。这个函数可以用于识别数据中的最低点或阈值。
max()：计算每个分组的最大值。这个函数可以用于识别数据中的最高点或峰值。
ohlc()：计算每个分组的开盘价（first）、最高价（max）、最低价（min）和收盘价（last）。这个函数通常用于金融时间序列数据的分析。
prod()：计算每个分组的乘积。这个函数可以用于计算某个时间段内数据的累积效应。
std()：计算每个分组的标准差。这个函数用于衡量数据的离散程度或波动性。
var()：计算每个分组的方差。方差是标准差的平方，同样用于衡量数据的离散程度。
median()：计算每个分组的中位数。中位数是一种位置平均数，对于偏态分布的数据具有较好的代表性。
quantile()：计算每个分组的指定分位数。这个函数允许用户指定一个介于0和1之间的数值作为分位数，以获取数据的不同分位点。
apply()：应用一个自定义的函数到每个分组。这个函数提供了极大的灵活性，允许用户根据自己的需求编写复杂的聚合逻辑。

四、plot快速可视化

plot可视化需要安装一个matplotlib包

使用包管理器安装matplotlib

pip3 install matplotlib

案例：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#单样本
df=np.random.rand(1000)
df=pd.DataFrame(df,index=pd.date_range('20210101',periods=1000))
print(df)
df.plot()
plt.show()

df是一个新的DataFrame，然后设置一个新的索引，这个索引是一个日期范围，从'20210101'开始，包含1000个日期。plot 方法实际上是Pandas对Matplotlib绘图库的封装，为用户提供了一个简洁的接口来快速生成图表。plt.show是展示出来。

展示图表：

五、读取与存储（pandas）

读取是pandas打点调用‘’read_格式‘’函数，读什么格式的文件就用什么格式。

案例：

读取csv的文件：

pd.read_csv('txt.csv')

以下是一些Pandas可读取的主要文件类型：

CSV（Comma-Separated Values）文件：
- CSV是一种常见的文本文件格式，用于存储表格数据。
- 每行表示一条记录，字段之间用逗号分隔。
- Pandas使用read_csv函数读取CSV文件。
Excel文件：
- Excel是一种常见的电子表格文件格式，通常包含多个工作表。
- Pandas使用read_excel函数读取Excel文件，并可以指定要读取的工作表名称或索引。
JSON（JavaScript Object Notation）文件：
- JSON是一种轻量级的数据交换格式，易于阅读和编写。
- Pandas使用read_json函数读取JSON文件。
SQL数据库：
- Pandas支持从SQL数据库中读取数据，需要使用SQLAlchemy库来创建数据库连接。
- 使用read_sql或read_sql_table函数从SQL数据库中读取数据。
Parquet文件：
- Parquet是一种高效的列式存储格式，适用于大规模数据集。
- Pandas使用read_parquet函数读取Parquet文件。
HDF5文件：
- HDF5是一种用于存储大量数据的文件格式，支持分层数据存储。
- Pandas使用read_hdf函数读取HDF5文件，需要指定数据集的键（key）。
Feather文件：
- Feather是一种轻量级的二进制文件格式，适用于快速读写。
- Pandas使用read_feather函数读取Feather文件。
Pickle文件：
- Pickle是Python的一种序列化格式，用于存储Python对象。
- Pandas使用read_pickle函数读取Pickle文件。
HTML文件：
- Pandas可以读取HTML文件中的表格数据。
- 使用read_html函数读取HTML文件，该函数返回一个DataFrame列表，其中每个DataFrame对应HTML文件中的一个表格。
TXT文件：
- 虽然Pandas没有专门为TXT文件设计的读取函数，但可以使用read_csv函数通过指定适当的分隔符来读取TXT文件。如果TXT文件的字段是用制表符（\t）分隔的，可以使用sep='\t'参数。

案例2：

向Excel写入：

data.to_excel('excel.xlsx',sheet_name='a')

上述代码实现了创建sheet页:a,并向excel.xlsx文件输入data数据。若想追加sheet页：

with pd.ExcelWriter('writerExcel.xlsx',mode='a',engine='openpyxl') as writer:data.to_excel(writer,sheet_name='d')

需要在打开文件时设置属性mode值为:a表示追加

engine参数用于指定用于写入Excel文件的底层引擎。Pandas支持多种引擎来处理Excel文件，但最常用的引擎是openpyxl（用于.xlsx文件）和xlsxwriter。这两个引擎都提供了丰富的功能来创建和修改Excel文件。

openpyxl：这是一个用于读写Excel 2010 xlsx/xlsm/xltx/xltm文件的Python库。它支持对Excel文件的读取和写入，包括公式、图表、图像等复杂元素。
xlsxwriter：这是一个Python库，用于创建Excel .xlsx文件。它提供了丰富的功能来格式化单元格、添加图表、创建工作表等。

同时添加多个sheet页：

with pd.ExcelWriter('writerExcel.xlsx') as writer:data.to_excel(writer,sheet_name='a')data.to_excel(writer, sheet_name='b')data.to_excel(writer, sheet_name='c')