day66-70(数据分析) - day68 Pandas的应用 - 《Python学习笔记》

Series的应用
- 创建Series对象
- 索引和切片
属性和方法
绘制图表
DataFrame的应用

Pandas是Wes McKinney在2008年开发的一个强大的分析结构化数据的工具集。Pandas以NumPy为基础（数据表示和运算），提供了用于数据处理的函数和方法，对数据分析和数据挖掘提供了很好的支持；同时Pandas还可以跟数据可视化工具Matplotlib很好的整合在一起，非常轻松愉快的实现数据的可视化展示。

Pandas核心的数据类型是Series（数据系列）、DataFrame（数据表/数据框），分别用于处理一维和二维的数据，除此之外还有一个名为Index的类型及其子类型，它为Series和DataFrame提供了索引功能。日常工作中以DataFrame使用最为广泛，因为二维的数据本质就是一个有行有列的表格（想一想Excel电子表格和关系型数据库中的二维表）。上述这些类型都提供了大量的处理数据的方法，数据分析师可以以此为基础实现对数据的各种常规处理。

Series的应用

Pandas库中的Series对象可以用来表示一维数据结构，跟数组非常类似，但是多了一些额外的功能。Series的内部结构包含了两个数组，其中一个用来保存数据，另一个用来保存数据的索引。

创建Series对象

提示：在执行下面的代码之前，请先导入> pandas以及相关的库文件，具体的做法可以参考上一课。

方法1：通过列表或数组创建Series对象。

代码：

# data参数表示数据，index参数表示数据的索引（标签）
# 如果没有指定index属性，默认使用数字索引
ser1 = pd.Series(data=[320, 180, 300, 405], index=['一季度', '二季度', '三季度', '四季度'])
ser1

输出：

一季度    320
二季度    180
三季度    300
四季度    405
dtype: int64

方法2：通过字典创建Series对象。

代码：

# 字典中的键就是数据的索引（标签），字典中的值就是数据
ser2 = pd.Series({'一季度': 320, '二季度': 180, '三季度': 300, '四季度': 405})
ser2

输出：

一季度    320
二季度    180
三季度    300
四季度    405
dtype: int64

索引和切片

跟数组一样，Series对象也可以进行索引和切片操作，不同的是Series对象因为内部维护了一个保存索引的数组，所以除了可以使用整数索引通过位置检索数据外，还可以通过自己设置的索引标签获取对应的数据。

使用整数索引

代码：

print(ser2[0], ser2[1], ser2[2], ser2[3])
ser2[0], ser2[3] = 350, 360
print(ser2)

输出：

320 180 300 405
一季度    350
二季度    180
三季度    300
四季度    360
dtype: int64

提示：如果要使用负向索引，必须在创建> Series对象时通过> index属性指定非数值类型的标签。

使用自己定义的标签索引

代码：

print(ser2['一季度'], ser2['三季度'])
ser2['一季度'] = 380
print(ser2)

输出：

350 300
一季度    380
二季度    180
三季度    300
四季度    360
dtype: int64

切片操作

代码：

print(ser2[1:3])
print()
print(ser2['二季度':'四季度'])

输出：

二季度    180
三季度    300
dtype: int64
二季度    500
三季度    500
四季度    520
dtype: int64

代码：

ser2[1:3] = 400, 500
ser2

输出：

一季度    380
二季度    400
三季度    500
四季度    360
dtype: int64

花式索引

代码：

print(ser2[['二季度', '四季度']])
print()
ser2[['二季度', '四季度']] = 500, 520
print(ser2)

输出：

二季度    400
四季度    360
dtype: int64
一季度    380
二季度    500
三季度    500
四季度    520
dtype: int64

布尔索引

代码：

ser2[ser2 >= 500]

输出：

二季度    500
三季度    500
四季度    520
dtype: int64

属性和方法

Series对象的常用属性如下表所示。

属性	说明
`dtype` / `dtypes`	返回`Series`对象的数据类型
`hasnans`	判断`Series`对象中有没有空值
`at` / `iat`	通过索引访问`Series`对象中的单个值
`loc` / `iloc`	通过一组索引访问`Series`对象中的一组值
`index`	返回`Series`对象的索引
`is_monotonic`	判断`Series`对象中的数据是否单调
`is_monotonic_increasing`	判断`Series`对象中的数据是否单调递增
`is_monotonic_decreasing`	判断`Series`对象中的数据是否单调递减
`is_unique`	判断`Series`对象中的数据是否独一无二
`size`	返回`Series`对象中元素的个数
`values`	以`ndarray`的方式返回`Series`对象中的值

Series对象的方法很多，我们通过下面的代码为大家介绍一些常用的方法。

统计相关的方法

Series对象支持各种获取描述性统计信息的方法。
代码：

# 求和
print(ser2.sum())
# 求均值
print(ser2.mean())
# 求最大
print(ser2.max())
# 求最小
print(ser2.min())
# 计数
print(ser2.count())
# 求标准差
print(ser2.std())
# 求方差
print(ser2.var())
# 求中位数
print(ser2.median())

输出：

1900
475.0
520
380
4
64.03124237432849
4100.0
500.0

Series对象还有一个名为describe()的方法，可以获得上述所有的描述性统计信息，如下所示。
代码：

ser2.describe()

输出：

count      4.000000
mean     475.000000
std       64.031242
min      380.000000
25%      470.000000
50%      500.000000
75%      505.000000
max      520.000000
dtype: float64

提示：因为> describe()返回的也是一个> Series对象，所以也可以用> ser2.describe()['mean']来获取平均值。

如果Series对象的数据中有重复的值，我们可以使用unique()方法获得去重之后的Series对象；可以使用nunique()方法统计不重复值的数量；如果想要统计每个值重复的次数，可以使用value_counts()方法，这个方法会返回一个Series对象，它的索引就是原来的Series对象中的值，而每个元素出现的次数就是返回的Series对象中的数据，在默认情况下会按照出现次数做降序排列。
代码：

ser3 = pd.Series(data=['apple', 'banana', 'apple', 'pitaya', 'apple', 'pitaya', 'durian'])
ser3.value_counts()

输出：

apple     3
pitaya    2
durian    1
banana    1
dtype: int64

代码：

ser3.nunique()

输出：

数据处理的方法

Series对象的isnull()和notnull()方法可以用于空值的判断，代码如下所示。
代码：

ser4 = pd.Series(data=[10, 20, np.NaN, 30, np.NaN])
ser4.isnull()

输出：

0    False
1    False
2     True
3    False
4     True
dtype: bool

代码：

ser4.notnull()

输出：

0     True
1     True
2    False
3     True
4    False
dtype: bool

Series对象的dropna()和fillna()方法分别用来删除空值和填充空值，具体的用法如下所示。
代码：

ser4.dropna()

输出：

0    10.0
1    20.0
3    30.0
dtype: float64

代码：

# 将空值填充为40
ser4.fillna(value=40)

输出：

0    10.0
1    20.0
2    40.0
3    30.0
4    40.0
dtype: float64

代码：

# backfill或bfill表示用后一个元素的值填充空值
# ffill或pad表示用前一个元素的值填充空值
ser4.fillna(method='ffill')

输出：

0    10.0
1    20.0
2    20.0
3    30.0
4    30.0
dtype: float64

需要提醒大家注意的是，dropna()和fillna()方法都有一个名为inplace的参数，它的默认值是False，表示删除空值或填充空值不会修改原来的Series对象，而是返回一个新的Series对象来表示删除或填充空值后的数据系列，如果将inplace参数的值修改为True，那么删除或填充空值会就地操作，直接修改原来的Series对象，那么方法的返回值是None。后面我们会接触到的很多方法，包括DataFrame对象的很多方法都会有这个参数，它们的意义跟这里是一样的。

Series对象的mask()和where()方法可以将满足或不满足条件的值进行替换，如下所示。
代码：

ser5 = pd.Series(range(5))
ser5.where(ser5 > 0)

输出：

0    NaN
1    1.0
2    2.0
3    3.0
4    4.0
dtype: float64

代码：

ser5.where(ser5 > 1, 10)

输出：

0    10
1    10
2     2
3     3
4     4
dtype: int64

代码：

ser5.mask(ser5 > 1, 10)

输出：

0     0
1     1
2    10
3    10
4    10
dtype: int64

Series对象的duplicated()方法可以帮助我们找出重复的数据，而drop_duplicates()方法可以帮我们删除重复数据。
代码：

ser3.duplicated()

输出：

0    False
1    False
2     True
3    False
4     True
5     True
6    False
dtype: bool

代码：

ser3.drop_duplicates()

输出：

0     apple
1    banana
3    pitaya
6    durian
dtype: object

Series对象的apply()和map()方法非常重要，它们可以用于数据处理，把数据映射或转换成我们期望的样子，这个操作在数据分析的数据准备阶段非常重要。
代码：

ser6 = pd.Series(['cat', 'dog', np.nan, 'rabbit'])
ser6

输出：

0       cat
1       dog
2       NaN
3    rabbit
dtype: object

代码：

ser6.map({'cat': 'kitten', 'dog': 'puppy'})

输出：

0    kitten
1     puppy
2       NaN
3       NaN
dtype: object

代码：

ser6.map('I am a {}'.format, na_action='ignore')

输出：

0       I am a cat
1       I am a dog
2              NaN
3    I am a rabbit
dtype: object

代码：

ser7 = pd.Series([20, 21, 12],  index=['London', 'New York', 'Helsinki'])
ser7

输出：

London      20
New York    21
Helsinki    12
dtype: int64

代码：

ser7.apply(np.square)

输出：

London      400
New York    441
Helsinki    144
dtype: int64

代码：

ser7.apply(lambda x, value: x - value, args=(5, ))

输出：

London      15
New York    16
Helsinki     7
dtype: int64

排序和取头部值的方法

Series对象的sort_index()和sort_values()方法可以用于对索引和数据的排序，排序方法有一个名为ascending的布尔类型参数，该参数用于控制排序的结果是升序还是降序；而名为kind的参数则用来控制排序使用的算法，默认使用了quicksort，也可以选择mergesort或heapsort；如果存在空值，那么可以用na_position参数空值放在最前还是最后，默认是last，代码如下所示。
代码：

ser8 = pd.Series(
    data=[35, 96, 12, 57, 25, 89], 
    index=['grape', 'banana', 'pitaya', 'apple', 'peach', 'orange']
)
# 按值从小到大排序
ser8.sort_values()

输出：

pitaya    12
peach     25
grape     35
apple     57
orange    89
banana    96
dtype: int64

代码：

# 按索引从大到小排序
ser8.sort_index(ascending=False)

输出：

pitaya    12
peach     25
orange    89
grape     35
banana    96
apple     57
dtype: int64

如果要从Series对象中找出元素中最大或最小的“Top-N”，实际上是不需要对所有的值进行排序的，可以使用nlargest()和nsmallest()方法来完成，如下所示。
代码：

# 值最大的3个
ser8.nlargest(3)

输出：

banana    96
orange    89
apple     57
dtype: int64

代码：

# 值最小的2个
ser8.nsmallest(2)

输出：

pitaya    12
peach     25
dtype: int64

绘制图表

Series对象有一个名为plot的方法可以用来生成图表，如果选择生成折线图、饼图、柱状图等，默认会使用Series对象的索引作为横坐标，使用Series对象的数据作为纵坐标。
首先导入matplotlib中pyplot模块并进行必要的配置。

import matplotlib.pyplot as plt
# 配置支持中文的非衬线字体（默认的字体无法显示中文）
plt.rcParams['font.sans-serif'] = ['SimHei', ]
# 使用指定的中文字体时需要下面的配置来避免负号无法显示
plt.rcParams['axes.unicode_minus'] = False

下面的魔法指令用于配置显示矢量图。

%config InlineBackend.figure_format = 'svg'

创建Series对象并绘制对应的柱状图。

ser8 = pd.Series({'一季度': 400, '二季度': 520, '三季度': 180, '四季度': 380})
# 通过Series对象的plot方法绘图（kind='bar'表示绘制柱状图）
ser8.plot(kind='bar', color=['r', 'g', 'b', 'y'])
# x轴的坐标旋转到0度（中文水平显示）
plt.xticks(rotation=0)
# 在柱状图的柱子上绘制数字
for i in range(4):
    plt.text(i, ser8[i] + 5, ser8[i], ha='center')
# 显示图像
plt.show()

绘制反映每个季度占比的饼图。

# autopct参数可以配置在饼图上显示每块饼的占比
ser8.plot(kind='pie', autopct='%.1f%%')
# 设置y轴的标签（显示在饼图左侧的文字）
plt.ylabel('各季度占比')
plt.show()

DataFrame的应用

创建DataFrame对象

通过二维数组创建DataFrame对象。

代码：

scores = np.random.randint(60, 101, (5, 3))
courses = ['语文', '数学', '英语']
ids = [1001, 1002, 1003, 1004, 1005]
df1 = pd.DataFrame(data=scores, columns=courses, index=ids)
df1

输出：

语文    数学    英语
1001    69      80    79
1002    71      60    100
1003    94      81    93
1004    88    88    67
1005    82    66      60

通过字典创建DataFrame对象。

代码：

scores = {
    '语文': [62, 72, 93, 88, 93],
    '数学': [95, 65, 86, 66, 87],
    '英语': [66, 75, 82, 69, 82],
}
ids = [1001, 1002, 1003, 1004, 1005]
df2 = pd.DataFrame(data=scores, index=ids)
df2

输出：

语文    数学    英语
1001    69      80    79
1002    71      60    100
1003    94      81    93
1004    88    88    67
1005    82    66      60

读取CSV文件创建DataFrame对象。

可以通过pandas 模块的read_csv函数来读取CSV文件，read_csv函数的参数非常多，下面接受几个比较重要的参数。

sep / delimiter：分隔符，默认是,。
header：表头（列索引）的位置，默认值是infer，用第一行的内容作为表头（列索引）。
index_col：用作行索引（标签）的列。
usecols：需要加载的列，可以使用序号或者列名。
true_values / false_values：哪些值被视为布尔值True / False。
skiprows：通过行号、索引或函数指定需要跳过的行。
skipfooter：要跳过的末尾行数。
nrows：需要读取的行数。
na_values：哪些值被视为空值。

代码：

df3 = pd.read_csv('2018年北京积分落户数据.csv', index_col='id')
df3

说明：如果需要上面例子中的CSV文件，可以通过下面的百度云盘地址进行获取。链接：> https://pan.baidu.com/s/1rQujl5RQn9R7PadB2Z5g_g，提取码：e7b4。输出：

name   birthday    company       score
id                
1    杨x    1972-12    北京利德xxxx    122.59
2    纪x    1974-12    北京航天xxxx    121.25
3    王x    1974-05    品牌联盟xxxx    118.96
4    杨x    1975-07    中科专利xxxx    118.21
5    张x    1974-11    北京阿里xxxx    117.79
...  ...    ...        ...            ...
6015 孙x    1978-08    华为海洋xxxx    90.75
6016 刘x    1976-11    福斯流体xxxx    90.75
6017 周x    1977-10    赢创德固xxxx    90.75
6018 赵x    1979-07    澳科利耳xxxx    90.75
6019 贺x    1981-06    北京宝洁xxxx    90.75
6019 rows × 4 columns

读取Excel文件创建DataFrame对象。

可以通过pandas 模块的read_excel函数来读取Excel文件，该函数与上面的read_csv非常相近，多了一个sheet_name参数来指定数据表的名称，但是不同于CSV文件，没有sep或delimiter这样的参数。下面的代码中，read_excel函数的skiprows参数是一个Lambda函数，通过该Lambda函数指定只读取Excel文件的表头和其中10%的数据，跳过其他的数据。
代码：

import random
df4 = pd.read_excel(
    io='小宝剑大药房2018年销售数据.xlsx',
    usecols=['购药时间', '社保卡号', '商品名称', '销售数量', '应收金额', '实收金额'],
    skiprows=lambda x: x > 0 and random.random() > 0.1
)
df4

说明：如果需要上面例子中的Excel文件，可以通过下面的百度云盘地址进行获取。链接：> https://pan.baidu.com/s/1rQujl5RQn9R7PadB2Z5g_g，提取码：e7b4。输出：

购药时间            社保卡号            商品名称  销售数量    应收金额    实收金额
0    2018-03-23 星期三    10012157328    强力xx片     1    13.8    13.80
1    2018-07-12 星期二    108207828    强力xx片     1    13.8    13.80
2    2018-01-17 星期日    13358228    清热xx液     1    28.0    28.00
3    2018-07-11 星期一    10031402228    三九xx灵     5    149.0    130.00
4    2018-01-20 星期三    10013340328    三九xx灵     3    84.0    73.92
...    ...                    ...        ...    ...            ...            ...
618    2018-03-05 星期六    10066059228    开博xx通     2    56.0    49.28
619    2018-03-22 星期二    10035514928    开博xx通     1    28.0    25.00
620    2018-04-15 星期五    1006668328    开博xx通     2    56.0    50.00
621    2018-04-24 星期日    10073294128    高特xx灵     1    5.6    5.60
622    2018-04-24 星期日    10073294128    高特xx灵     10    56.0    56.0
623 rows × 6 columns

通过SQL从数据库读取数据创建DataFrame对象。

代码：

import pymysql
# 创建一个MySQL数据库的连接对象
conn = pymysql.connect(
    host='47.104.31.138', port=3306, user='guest',
    password='Guest.618', database='hrs', charset='utf8mb4'
)
# 通过SQL从数据库读取数据创建DataFrame
df5 = pd.read_sql('select * from tb_emp', conn, index_col='eno')
df5

提示：执行上面的代码需要先安装> pymysql库，如果尚未安装，可以先在Notebook的单元格中先执行> !pip install pymysql，然后再运行上面的代码。上面的代码连接的是我部署在阿里云上的MySQL数据库，公网IP地址：> 47.104.31.138，用户名：> guest，密码：> Guest.618，数据库：> hrs，表名：> tb_emp，字符集：> utf8mb4。输出：

ename    job    mgr    sal   comm  dno
eno                        
1359    胡一刀   销售员    3344   1800  200   30
2056    乔峰    分析师    7800   5000  1500  20
3088    李莫愁    设计师    2056   3500  800   20
3211    张无忌    程序员    2056   3200  NaN   20
3233    丘处机    程序员    2056   3400  NaN   20
3244    欧阳锋    程序员    3088   3200  NaN   20
3251    张翠山    程序员    2056   4000  NaN   20
3344    黄蓉    销售主管    7800   3000  800   30
3577    杨过    会计    5566   2200  NaN   10
3588    朱九真    会计    5566   2500  NaN   10
4466    苗人凤    销售员    3344   2500  NaN   30
5234    郭靖    出纳    5566   2000  NaN   10
5566    宋远桥    会计师    7800   4000  1000  10
7800    张三丰    总裁    NaN    9000  1200  20

基本属性和方法

DataFrame对象的属性如下表所示。

属性名	说明
`at` / `iat`	通过标签获取`DataFrame`中的单个值。
`columns`	`DataFrame`对象列的索引
`dtypes`	`DataFrame`对象每一列的数据类型
`empty`	`DataFrame`对象是否为空
`loc` / `iloc`	通过标签获取`DataFrame`中的一组值。
`ndim`	`DataFrame`对象的维度
`shape`	`DataFrame`对象的形状（行数和列数）
`size`	`DataFrame`对象中元素的个数
`values`	`DataFrame`对象的数据对应的二维数组

关于DataFrame的方法，首先需要了解的是info()方法，它可以帮助我们了解DataFrame的相关信息，如下所示。
代码：

df5.info()

输出：

<class 'pandas.core.frame.DataFrame'>
Int64Index: 14 entries, 1359 to 7800
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   ename   14 non-null     object 
 1   job     14 non-null     object 
 2   mgr     13 non-null     float64
 3   sal     14 non-null     int64  
 4   comm    6 non-null      float64
 5   dno     14 non-null     int64  
dtypes: float64(2), int64(2), object(2)
memory usage: 1.3+ KB

如果需要查看DataFrame的头部或尾部的数据，可以使用head()或tail()方法，这两个方法的默认参数是5，表示获取DataFrame最前面5行或最后面5行的数据。如果需要获取数据的描述性统计信息，可以使用describe()方法，该方法跟Series对象的describe()方法类似，只是默认会作用到DataFrame所有数值型的列上。

获取数据

索引和切片
数据筛选

重塑数据
concat函数
merge函数

数据处理
数据清洗
- 缺失值处理
- 重复值处理
- 异常值处理
数据转换
- apply和applymap方法
- 字符串向量
- 时间日期向量
  
  数据分析
描述性统计信息
分组聚合操作
- groupby方法
- 透视表和交叉表
- 数据分箱
  
  数据可视化
用plot方法出图
其他方法

其他方法
独热编码
窗口计算
相关性

Index的应用

day68 Pandas的应用

Series的应用

创建Series对象

索引和切片

属性和方法

统计相关的方法

数据处理的方法

排序和取头部值的方法

绘制图表

DataFrame的应用

创建DataFrame对象

基本属性和方法

获取数据

重塑数据

数据处理

数据分析

数据可视化

其他方法

Index的应用