主要内容涉及:读取数据和保存数据、数据详情信息、数据处理、数据切片、筛选、排序、分组、统计、表格样式
import pandas as pd
import numpy as np
读取数据和保存数据
# 2.1 从CSV文件读取数据,编码'gbk'
pd.read_csv(filename, encoding='gbk')# 2.2 读取前6行,当数据量比较大时,可以只读取前n行
pd.read_csv(filename, encoding='gbk', nrows = 6)# 2.3 第一列作为行索引,忽略列索引
pd.read_csv(filename, encoding='gbk', header=None, index_col=0)# 2.4 读取时忽略第1/3/5行和最后两行
pd.read_csv(filename, encoding='gbk', skiprows=[1,3,5], skipfooter=2, engine='python')# 2.5 从限定分隔符(',')的文件或文本读取数据
df=pd.read_excel("test.xlsx")# 2.6 保存数据
# 保存为csv文件
df.to_csv('test_ison.csv')
# 保存为xlsx文件
df.to_excel('test_xlsx.xlsx',index=False)
# 保存为ison文件
df.to_json('test_json.txt')
查看数据信息
df=pd.read_excel("test.xlsx")
# 3.1 查看前n行
df.head(1)
第1股东 | 第1股东对上海青赛生物科技股份有限公司持股比例 | 第2股东 | 对1持股比例 | 第2股东对上海青赛生物科技股份有限公司持股比例 | 第3股东 | 对2持股比例 | 第3股东对上海青赛生物科技股份有限公司持股比例 | 第4股东 | 对3持股比例 | ... | 第5股东对上海青赛生物科技股份有限公司持股比例 | 第6股东 | 对5持股比例 | 第6股东对上海青赛生物科技股份有限公司持股比例 | 第7股东 | 对6持股比例 | 第7股东对上海青赛生物科技股份有限公司持股比例 | 第8股东 | 对7持股比例 | 第8股东对上海青赛生物科技股份有限公司持股比例 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 朗润(深圳)股权投资基金企业(有限合伙) | 54.233900% | 唐春山 | 79.915800% | 43.341455056200% | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
1 rows × 23 columns
# 3.2 查看后n行
df.tail(1)
第1股东 | 第1股东对上海青赛生物科技股份有限公司持股比例 | 第2股东 | 对1持股比例 | 第2股东对上海青赛生物科技股份有限公司持股比例 | 第3股东 | 对2持股比例 | 第3股东对上海青赛生物科技股份有限公司持股比例 | 第4股东 | 对3持股比例 | ... | 第5股东对上海青赛生物科技股份有限公司持股比例 | 第6股东 | 对5持股比例 | 第6股东对上海青赛生物科技股份有限公司持股比例 | 第7股东 | 对6持股比例 | 第7股东对上海青赛生物科技股份有限公司持股比例 | 第8股东 | 对7持股比例 | 第8股东对上海青赛生物科技股份有限公司持股比例 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
361 | NaN | NaN | 马建民 | 0.387600% | 0.000804270000% | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
1 rows × 23 columns
# 3.3 查看行数和列数
df.shape
(362, 23)
# 3.4查看列索引
df.columns
Index(['第1股东', '第1股东对上海青赛生物科技股份有限公司持股比例', '第2股东', '对1持股比例','第2股东对上海青赛生物科技股份有限公司持股比例', '第3股东', '对2持股比例', '第3股东对上海青赛生物科技股份有限公司持股比例','第4股东', '对3持股比例', '第4股东对上海青赛生物科技股份有限公司持股比例', '第5股东', '对4持股比例','第5股东对上海青赛生物科技股份有限公司持股比例', '第6股东', '对5持股比例', '第6股东对上海青赛生物科技股份有限公司持股比例','第7股东', '对6持股比例', '第7股东对上海青赛生物科技股份有限公司持股比例', '第8股东', '对7持股比例','第8股东对上海青赛生物科技股份有限公司持股比例'],dtype='object')
# 3.5 查看行索引
df.index
RangeIndex(start=0, stop=362, step=1)
# 3.6 查看索引、数据类型和内存信息
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 362 entries, 0 to 361
Data columns (total 23 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 第1股东 18 non-null object1 第1股东对上海青赛生物科技股份有限公司持股比例 18 non-null object2 第2股东 177 non-null object3 对1持股比例 177 non-null object4 第2股东对上海青赛生物科技股份有限公司持股比例 177 non-null object5 第3股东 53 non-null object6 对2持股比例 53 non-null object7 第3股东对上海青赛生物科技股份有限公司持股比例 53 non-null object8 第4股东 50 non-null object9 对3持股比例 50 non-null object10 第4股东对上海青赛生物科技股份有限公司持股比例 50 non-null object11 第5股东 53 non-null object12 对4持股比例 53 non-null object13 第5股东对上海青赛生物科技股份有限公司持股比例 53 non-null object14 第6股东 49 non-null object15 对5持股比例 49 non-null object16 第6股东对上海青赛生物科技股份有限公司持股比例 49 non-null object17 第7股东 40 non-null object18 对6持股比例 40 non-null object19 第7股东对上海青赛生物科技股份有限公司持股比例 40 non-null object20 第8股东 43 non-null object21 对7持股比例 43 non-null object22 第8股东对上海青赛生物科技股份有限公司持股比例 43 non-null object
dtypes: object(23)
memory usage: 65.2+ KB
# 3.7 查看数值型列的汇总统计
df.describe()
第1股东 | 第1股东对上海青赛生物科技股份有限公司持股比例 | 第2股东 | 对1持股比例 | 第2股东对上海青赛生物科技股份有限公司持股比例 | 第3股东 | 对2持股比例 | 第3股东对上海青赛生物科技股份有限公司持股比例 | 第4股东 | 对3持股比例 | ... | 第5股东对上海青赛生物科技股份有限公司持股比例 | 第6股东 | 对5持股比例 | 第6股东对上海青赛生物科技股份有限公司持股比例 | 第7股东 | 对6持股比例 | 第7股东对上海青赛生物科技股份有限公司持股比例 | 第8股东 | 对7持股比例 | 第8股东对上海青赛生物科技股份有限公司持股比例 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
count | 18 | 18 | 177 | 177 | 177 | 53 | 53 | 53 | 50 | 50 | ... | 53 | 49 | 49 | 49 | 40 | 40 | 40 | 43 | 43 | 43 |
unique | 18 | 18 | 171 | 90 | 90 | 45 | 32 | 44 | 43 | 27 | ... | 49 | 40 | 24 | 40 | 24 | 16 | 27 | 20 | 15 | 25 |
top | 朗润(深圳)股权投资基金企业(有限合伙) | 54.233900% | 唐春山 | 0.16100% | 0.00592866400% | 深圳市岭南集团有限公司 | 20.0% | 0.004469570000% | 陈学军 | 30.0% | ... | 0.0000211753951885736360100% | 北京嘉德投资集团有限公司 | 8.333300% | 0.0027324583236090071959154400% | 黄晓华 | 8.333300% | 0.0002128055385787285206419288285% | 黄晓华 | 8.333300% | 2.125944337956201570825435600E-7% |
freq | 1 | 1 | 2 | 14 | 14 | 3 | 6 | 5 | 3 | 5 | ... | 3 | 3 | 7 | 7 | 4 | 14 | 7 | 6 | 21 | 7 |
4 rows × 23 columns
# 3.8 查看每一列的唯一值和计数
df.apply(pd.Series.value_counts)
第1股东 | 第1股东对上海青赛生物科技股份有限公司持股比例 | 第2股东 | 对1持股比例 | 第2股东对上海青赛生物科技股份有限公司持股比例 | 第3股东 | 对2持股比例 | 第3股东对上海青赛生物科技股份有限公司持股比例 | 第4股东 | 对3持股比例 | ... | 第5股东对上海青赛生物科技股份有限公司持股比例 | 第6股东 | 对5持股比例 | 第6股东对上海青赛生物科技股份有限公司持股比例 | 第7股东 | 对6持股比例 | 第7股东对上海青赛生物科技股份有限公司持股比例 | 第8股东 | 对7持股比例 | 第8股东对上海青赛生物科技股份有限公司持股比例 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0.000001062977271264921027577456440% | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 1.0 |
0.000001207450824867487200% | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | 1.0 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
0.000001468899709513139646978753130% | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 1.0 |
0.0000014758906220506509600% | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | 1.0 | NaN | NaN | NaN | NaN | NaN | NaN |
0.00000186896953122423616800% | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | 1.0 | NaN | NaN | NaN | NaN | NaN | NaN |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
黄琳 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 1.0 | NaN | NaN |
黄运兵 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
黄金泉 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
鼎合(厦门)科技有限公司 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | 1.0 | NaN | NaN | NaN | NaN | NaN |
齐杰 | NaN | NaN | 1.0 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
814 rows × 23 columns
数据处理
# 4.1 重命名列名
df.columns = ['姓名','性别','语文','数学','英语','城市','省份']# 4.2 选择性更改列名
df.rename(columns={'姓名': '姓--名','性别': '性--别'},inplace=True)# 4.3 批量更改索引
df.rename(lambda x: x + 10)# 4.4 批量更改列名
df.rename(columns=lambda x: x + '_1')# 4.5 设置姓名列为行索引
df.set_index('姓名')# 4.6 检查哪些列包含缺失值
df.isnull().any()# 4.7 统计各列空值
df.isnull().sum()# 4.8 删除本列中空值的行
df[df['数学'].notnull()]
df[~df['数学'].isnull()]# 4.9 仅保留本列中是空值的行
df[df['数学'].isnull()]
df[~df['数学'].notnull()]# 4.10 去掉某行
df.drop(0, axis=0)# 4.11 去掉某列
df.drop('英语', axis=1)# 4.12 删除所有包含空值的行
df.dropna()# 4.13 删除行里全都是空值的行
df.dropna(how = 'all')# 4.14 删除所有包含空值的列
df.dropna(axis=1)# 4.15 保留至少有6个非空值的行
df.dropna(thresh=6)# 4.16 保留至少有11个非空值的列
df.dropna(axis=1,thresh=11)# 4.17 行数据向下填充
df.fillna(method = 'ffill')# 4.18 列数据向右填充
df.fillna(method = 'ffill',axis=1)# 4.19 用0替换所有的空值
df.fillna(0)# 4.20 强制转换数据类型
df_t1 = df.dropna()
df_t1['语文'].astype('int')# 4.21 查看有多少不同的城市
df['城市'].unique()# 4.22 单值替换
df.replace('苏州', '南京')# 4.23 多值替换
df.replace({'苏州':'南京','广州':'深圳'})
df.replace(['苏州','广州'],['南京','深圳'])# 4.24 多值替换单值
df.replace(['深圳','广州'],'东莞')# 4.25 替换某列,显示需要加inplace=True
df['城市'] = df['城市'].replace('苏州', '南京')# 4.26 拆分某列,生成新的Dataframe
df1 = df['姓名'].str.split('-',expand=True)
df1.columns = ['学号','姓名']# 4.27 某一列类型转换,注意该列类型要一致,包括(NaN)
df1.dropna(inplace = True)
df1['语文'] = df1['语文'].apply(int)
数据切片、筛选
# 5.1 输出城市为上海
df[df['城市']=='上海']# 5.2 输出城市为上海或广州
df[df['城市'].isin(['上海','广州'])]# 5.3 输出城市名称中含有‘海’字的行
df[df['城市'].str.contains("海", na=False)]# 5.4 输出城市名称以‘海’字开头的行
df[df['城市'].str.startswith("海", na=False)]# 5.5 输出城市名称以‘海’字结尾的行
df[df['城市'].str.endswith("海", na=False)]# 5.6 输出所有姓名,缺失值用Null填充
df['姓名'].str.cat(sep='、',na_rep='Null')# 5.7 重置索引
df2 = df1.set_index('学号')# 5.8 前两行
df2[:2]# 5.9 后两行
df2[-2:]# 5.10 2-8行
df2[2:8]# 5.11 每隔3行读取
df2[::3]# 5.12 2-8行,步长为2,即第2/4/6行
df2[2:8:2]# 5.13 选取'语文','数学','英语'列
df2[['语文','数学','英语']]# df.loc[]只能使用标签索引,不能使用整数索引,通过便签索引切边进行筛选时,前闭后闭
# 5.14 学号为'001'的行,所有列
df2.loc['001', :]# 5.15 学号为'001'或'003'的行,所有列
df2.loc[['001','003'], :]# 5.16 学号为'001'至'009'的行,所有列
df2.loc['001':'009', :]# 5.17 列索引为'姓名',所有行
df2.loc[:, '姓名']# 5.18 列索引为'姓名'至‘城市’,所有行
df2.loc[:, '姓名':'城市']# 5.19 语文成绩大于80的行
df2.loc[df2['语文']>80,:]
df2.loc[df2.loc[:,'语文']>80, :]
df2.loc[lambda df2:df2['语文'] > 80, :]# 5.20 语文成绩大于80的人的学号和姓名
df2.loc[df2['语文']>80,['姓名','城市']]# 5.21 输出'赵四'和'周七'的各科成绩
df2.loc[df2['姓名'].isin(['赵四','周七']),['姓名','语文','数学','英语']]# # df.iloc[]只能使用整数索引,不能使用标签索引,通过整数索引切边进行筛选时,前闭后开
# 5.22 选取第2行
df2.iloc[1, :]# 5.23 选取前3行
df2.iloc[:3, :]# 5.24 选取第2行、第4行、第6行
df2.iloc[[1,3,5],:]# 5.25 选取第2列
df2.iloc[:, 1]# 5.26 选取前3列
df2.iloc[:, 0:3]# 5.27 选取第3行的第3列
df2.iloc[3, 3]# 5.28 选取第1列、第3列和第4列
df2.iloc[:, [0,2,3]]# 5.29 选取第2行的第1列、第3列、第4列
df2.iloc[1, [0,2,3]]# 5.30 选取前3行的前3列
df2.iloc[:3, :3]
数据排序
# 6.1 重置索引
df_last = df1.reset_index(drop=True)# 6.2 按照语文成绩升序排序,默认升序排列
df_last.sort_values('语文')# 6.3 按照数学成绩降序排序
df_last.sort_values('数学', ascending=False)# 6.4 先按语文成绩升序排列,再按数学成绩降序排列
df_last.sort_values(['语文','数学'], ascending=[True,False])# 6.5 语文成绩80及以上
df_last[df_last['语文']>=80]
df_last.query('语文 > 80')# 6.6 语文成绩80及以上以及数学成绩90分及以上
df_last[(df_last['语文']>=80) & (df_last['数学']>=90)]# 6.7 语文成绩80及以上或数学成绩90分及以上
df_last[(df_last['语文']>=80) | (df_last['数学']>=90)]# 6.8 输出成绩100的行和列号
row, col = np.where(df_last.values == 100)# 6.9 增加一列“省份-城市”
df_last['省份-城市'] = df_last['省份'] + '-' + df_last['城市']# 6.10 增加一列总分
df_last['总分'] = df_last[['语文','数学','英语']].sum(axis = 1)# 6.11 按照总分、语文、数学、英语成绩依次排序
df_last.sort_values(by =['总分','语文','数学','英语'],ascending=False )# 6.12 新增一列表示学生语文成绩等级的列(优秀、良好、中等、不及格)
def get_letter_grade(score):'''定义一个函数,根据分数返回相应的等级'''if score>=90:return '优秀'elif score>=80:return '良好'elif score>=60:return '中等'else:return '不及格'df_last['语文等级'] = df_last['语文'].apply(lambda score: get_letter_grade(score))
数据分组
# 7.1 一列分组
df2.groupby('省份').groups# 7.2 多列分组
df2.groupby(['省份','城市']).groups# 7.3 每组的统计数据(横向显示)
df2.groupby('省份').describe()# 7.4 每组的统计数据(纵向显示)
df2.groupby('省份').describe().unstack()# 7.5 查看指定列的统计信息
df2.groupby('省份').describe()['语文']# 7.6 分组大小
df2.groupby('省份').count()
df2.groupby('省份').agg(np.size)# 7.7 分组成绩最大值
df2.groupby('省份').max()
df2.groupby('省份').agg(np.max)# 7.8 分组成绩最小值
df2.groupby('省份').min()
df2.groupby('省份').agg(np.min)# 7.9 分组成绩总和
df2.groupby('省份').sum()
df2.groupby('省份').agg(np.sum)# 7.10 分组平均成绩
df2.groupby('省份').mean()
df2.groupby('省份').agg(np.mean)# 7.11 按省份分组,计算英语成绩总分和平均分
df2.groupby('省份')['英语'].agg([np.sum, np.mean])# 7.12 按省份、城市分组计算平均成绩
df2.groupby(['省份','城市']).agg(np.mean)# 7.13 不同列不同的计算方法
df2.groupby('省份').agg({'语文': sum, # 总和'数学': 'count', # 总数'英语':'mean'}) # 平均# 7.14 性别分别替换为1/0
df2 = df2.dropna()
df2['性别'] = df2['性别'].map({'男':1, '女':0})# 7.15 增加一列按省份分组的语文平均分
df2['语文平均分'] = df2.groupby('省份')['语文'].transform('mean')# 7.16 输出语文成绩最高的男生和女生(groupby默认会去掉空值)
def get_max(g):df = g.sort_values('语文',ascending=True)print(df)return df.iloc[-1,:]df2.groupby('性别').apply(get_max)# 7.17 按列省份、城市进行分组,计算语文、数学、英语成绩最大值的透视表
df.pivot_table(index=['省份','城市'], values=['语文','数学','英语'], aggfunc=max)
数据统计
# 8.1 数据汇总统计
df.describe()# 8.2 列中非空值的个数
df.count()# 8.3 列最小值
df.min()# 8.4 列最大值
df.max()# 8.5 列均值
df.mean()# 8.6 列中位数
df.median()# 8.7 列与列之间的相关系数
df.corr()# 8.8 列的标准差
df.std()# 8.9 语文成绩指标
# 对语文列求和
sum0 = df_last['语文'].sum()
# 语文成绩方差
var = df_last['语文'].var()
# 语文成绩标准差
std = df_last['语文'].std()
# 语文平均分
mean = df_last['语文'].mean()print('语文总分:',sum0)
print('语文平均分:',mean)
print('语文成绩标准差:',std)
print('语文成绩方差:',var)# 8.10 三个科目的指标
mean = df_last[['语文','数学','英语']].mean()
var = df_last[['语文','数学','英语']].var()
total = df_last[['语文','数学','英语']].sum()
std = df_last[['语文','数学','英语']].std()
rows = [total,mean,var,std]
# 索引列表
index = ['总分','平均分','方差','标准差']
# 根据指定索引和行构造 DataFrame 对象
df_tmp = pd.DataFrame(rows,index=index)
表格样式
# 9.1 示例数据
df = pd.read_csv(filename, encoding='gbk')# 9.2 列重命名
df.columns = ['姓名','性别','语文','数学','英语','城市','省份']# 9.3 设置空值背景红色
df.style.highlight_null(null_color = 'red')# 9.4 最大数据高亮
df.style.highlight_max()# 9.5 最小数据高亮
df.style.highlight_min()# 9.6 部分列最大数据高亮
df.style.apply(highlight_max, subset=['语文', '数学'])# 9.7 部分列数据高亮(Dataframe全为数据)
df3 = df[['语文','数学','英语']]
def highlight_max(s):is_max = s == s.max()return ['background-color: yellow' if v else '' for v in is_max]df3.style.apply(highlight_max)# 9.8 95分以上显示红色
def color_negative_red(val):color = 'red' if val > 95.0 else 'black'return 'color: %s' % colordf3.style.applymap(color_negative_red)# 9.9 混合
df3.style.applymap(color_negative_red).apply(highlight_max)# 9.10 设置float类型列数据大于80.0的背景高亮
yellow_css = 'background-color: yellow'
sfun = lambda x: yellow_css if type(x) == float and x > 80.0 else ''
df3.style.applymap(sfun)# 9.11 设置数学成绩大于80.0分的行背景高亮
yellow_css = 'background-color: yellow'
sfun = lambda x: [yellow_css]*len(x) if x.数学 > 80.0 else ['']*len(x)
df3.style.apply(sfun, axis=1)# 9.12 设置数学成绩大于95.0的行数据颜色为红色
def row_color(s):if s.数学 > 95:return ['color: red']*len(s)else:return ['']*len(s)df3.style.apply(row_color, axis=1)# 9.13 显示热度图
import seaborn as sns
cm = sns.light_palette("green", as_cmap=True)
df3.style.background_gradient(cmap=cm)
refer