数据分析
生成器 迭代器 装饰器 (两层传参) 单例模式() ios七层 io多路
数据分析：是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律
pandas的拼接操作
- pandas的拼接分为两种：
- 级联：pd.concat, pd.append
- 合并：pd.merge, pd.join
使用pd.concat()级联
pandas使用pd.concat函数，与np.concatenate函数类似，只是多了一些参数：
- objs axis=0 join='outer' / 'inner':表示的是级联的方式，outer会将所有的项进行级联（忽略匹配和不匹配），而inner只会将匹配的项级联到一起，不匹配的不级联 ignore_index=False
import pandas as pdfrom pandas import Series,DataFrameimport numpy as np
1)匹配级联
# 创建数据料df1 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','b','c'],columns=['A','B','C'])df2 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','b','d'],columns=['A','B','D'])# 显示两张表display(df1,df2)
| A | B | C | |
|---|---|---|---|
| a | 67 | 93 | 7 |
| b | 84 | 67 | 70 |
| c | 85 | 93 | 7 |
| A | B | D | |
|---|---|---|---|
| a | 0 | 61 | 32 |
| b | 23 | 44 | 55 |
| d | 99 | 25 | 76 |
# 将两张表连接在一起pd.concat([df1,df1],axis=0,join='inner',ignore_index=True)
2) 不匹配级联
不匹配指的是级联的维度的索引不一致。例如纵向级联时列索引不一致，横向级联时行索引不一致
有2种连接方式：
- 外连接：补NaN（默认模式）
- 内连接：只连接匹配的项
# 连接两张不同的表# 纵向连接 不匹配的 补空pd.concat([df1,df2],axis=0)# 纵向连接 内连接 只显示可以比配到的 数据 pd.concat([df1,df2],axis=0,join='inner')
3) 使用df.append()函数添加
由于在后面级联的使用非常普遍，因此有一个函数append专门用于在后面添加
df1.append(df2)
使用pd.merge()合并
merge与concat的区别在于，merge需要依据某一共同的列来进行合并
使用pd.merge()合并时，会自动根据两者相同column名称的那一列，作为key来进行合并。
注意每一列元素的顺序不要求一致
参数：
how：out取并集 inner取交集
on：当有多列相同的时候，可以使用on来指定使用那一列进行合并，on的值为一个列表
1) 一对一合并
df1 = DataFrame({'employee':['Bob','Jake','Lisa'], 'group':['Accounting','Engineering','Engineering'], })df2 = DataFrame({'employee':['Lisa','Bob','Jake'], 'hire_date':[2004,2008,2012], })# 数据合并pd.merge(df1,df2) ```{'employee':['Lisa','Bob','Jake'], 'hire_date':[2004,2008,2012], 'group':['Accounting','Engineering','Engineering'], } ``` 2) 多对一合并
df3 = DataFrame({ 'employee':['Lisa','Jake'], 'group':['Accounting','Engineering'], 'hire_date':[2004,2016]})df4 = DataFrame({'group':['Accounting','Engineering','Engineering'], 'supervisor':['Carly','Guido','Steve'] })# 合并pd.merge(df3,df4) { 'employee':['Lisa','Jake','Jake'], 'group':['Accounting','Engineering','Engineering'], 'hire_date':[2004,2016,2016], 'supervisor':['Carly','Guido','Steve'] } 3) 多对多合并
df1 = DataFrame({'employee':['Bob','Jake','Lisa'], 'group':['Accounting','Engineering','Engineering']})df5 = DataFrame({'group':['Engineering','Engineering','HR'], 'supervisor':['Carly','Guido','Steve'] })pd.merge(df1,df5,how='right') # how='right'/'lest' 以右 或 左 表的 内容为为准 加载excl数据:pd.read_excel('excl_path',sheetname=1)
pd.read_excel('data.xlsx',sheet_name=1) # sheet_name=1 指定读取哪张表 4) key的规范化
- 当列冲突时，即有多个列名称相同时，需要使用on=来指定哪一个列作为key，配合suffixes指定冲突列名
df1 = DataFrame({'employee':['Jack',"Summer","Steve"], 'group':['Accounting','Finance','Marketing']})df2 = DataFrame({'employee':['Jack','Bob',"Jake"], 'hire_date':[2003,2009,2012], 'group':['Accounting','sell','ceo']})# 指定那个字段来进行连接pd.merge(df1,df2,on='group') - 当两张表没有可进行连接的列时，可使用left_on和right_on手动指定merge中左右两边的哪一列列作为连接的列
df1 = DataFrame({'employee':['Bobs','Linda','Bill'], 'group':['Accounting','Product','Marketing'], 'hire_date':[1998,2017,2018]})df5 = DataFrame({'name':['Lisa','Bobs','Bill'], 'hire_dates':[1998,2016,2007]})pd.merge(df1,df5,left_on='employee',right_on='name') - 自行练习多对一，多对多的情况
- 自学left_index,right_index
5) 内合并与外合并:out取并集 inner取交集
- 内合并：只保留两者都有的key（默认模式）
df6 = DataFrame({'name':['Peter','Paul','Mary'], 'food':['fish','beans','bread']} )df7 = DataFrame({'name':['Mary','Joseph'], 'drink':['wine','beer']}) - 外合并 how='outer'：补NaN
df6 = DataFrame({'name':['Peter','Paul','Mary'], 'food':['fish','beans','bread']} )df7 = DataFrame({'name':['Mary','Joseph'], 'drink':['wine','beer']}) pandas 数据处理-5
1. 删除重复元素
使用duplicated()函数检测重复的行，返回元素为布尔类型的Series对象，每个元素对应一行，如果该行不是第一次出现，则元素为True
- keep参数：指定保留哪一重复的行数据
使用duplicated()
import numpy as npimport pandas as pdfrom pandas import DataFrame#创建一个dfdf = DataFrame(data=np.random.randint(0,100,size=(10,6)))df.iloc[1] = [6,6,6,6,6,6]df.iloc[3] = [6,6,6,6,6,6]df.iloc[4] = [6,6,6,6,6,6]# 使用duplicated查看所有重复元素行# 查找重复的行 first,last 保留第一个 或最后一个df.duplicated(keep='first')# 使用 drop() 删除d_index = df.loc[df.duplicated(keep='first')].indexdf.drop(labels=d_index,axis=0)
使用 drop_duplicates(keep='last')
# 使用drop_duplicates()函数删除重复的行df.drop_duplicates(keep='last')
2.映射
1) replace()函数：替换元素
使用replace()函数，对values进行映射操作
Series替换操作
- 单值替换
- 普通替换
- 字典替换(推荐）
- 多值替换
- 列表替换
- 字典替换（推荐）
- 参数
- to_replace:被替换的元素
replace参数说明：
method：对指定的值使用相邻的值填充替换
limit：设定填充次数
DataFrame替换操作
- 单值替换
- 普通替换： 替换所有符合要求的元素:to_replace=15,value='e'
- 按列指定单值替换： to_replace={列标签：替换值} value='value'
- 多值替换
- 列表替换: to_replace=[] value=[]
- 字典替换（推荐） to_replace={to_replace:value,to_replace:value}
# 将数据中 所有的 6 替换为 333df.replace(to_replace=6,value=333)# 将数据中的 6, 9 替换为 333df.replace(to_replace=[6,9],value=333)# 将数据中的 0 替换为 zerodf.replace(to_replace={0:'zero'})# 指定列 替换 第 9 列的 3 替换为 666df.replace(to_replace={9:3},value=666)注意：DataFrame中，无法使用method和limit参数
- 单值替换
2) map()函数：映射
新建一列 ， map函数并不是df的方法，而是series的方法
map() 可以映射新一列数据
map() 中可以使用lambd表达式
map() 中可以使用方法，可以是自定义的方法
eg:map({to_replace:value})
注意 map()中不能使用sum之类的函数，for循环
新增一列：给df中，添加一列，该列的值为英文名对应的中文名
# 数据dic = { 'name':['Jay','Tom','Jay'], 'salary':[7777,6666,7777]}df = DataFrame(data=dic)#指定一个映射关系表dic = { 'Jay':'张三', 'Tom':'李四'}df['c_name'] = df['name'].map(dic)map当做一种运算工具，至于执行何种运算，是由map函数的参数决定的（参数：lambda，函数）
- 使用自定义函数
#超过3000部分的钱缴纳50%的税def after_sal(s): if s <= 3000: return s else: return s - (s-3000)*0.5df['after_sal'] = df['salary'].map(after_sal)
注意：并不是任何形式的函数都可以作为map的参数。只有当一个函数具有一个参数且有返回值，那么该函数才可以作为map的参数
3.使用聚合操作
使用聚合操作 对数据异常值检测和过滤
使用df.std()函数可以求得DataFrame对象每一列的标准差
- 创建一个1000行3列的df 范围（0-1），求其每一列的标准差
df = DataFrame(np.random.random(size=(1000,3)),columns=['A','B','C'])df
# 对df应用筛选条件,去除标准差太大的数据:假设过滤条件为 C列数据大于两倍的C列标准差# 获取 C 列数据标准差c_st = df['C'].std() # 获取所有 大于 C 列数据 两倍的标准差的 数据indexs = df.loc[df['C'] > c_st * 2].index# 删除操作df.drop(labels=indexs,axis=0)
4. 排序
使用.take()函数排序
- take()函数接受一个索引列表，用数字表示,使得df根据列表中索引的顺序进行排序
- eg:df.take([1,3,4,2,5])
np.random.permutation(x)可以生成x个从0-(x-1)的随机数列
# 普通 排列 指定 隐式索引 对 A B C 排列df.take([2,0,1],axis=1)
随机抽样
当DataFrame规模足够大时，直接使用np.random.permutation(x)函数，就配合take()函数实现随机抽样
df_ = df.take(np.random.permutation(1000),axis=0).take(np.random.permutation(3),axis=1)df_[0:100]
5. 数据分类处理【重点】
数据聚合是数据处理的最后一步，通常是要使每一个数组生成一个单一的数值。
数据分类处理：
- 分组：先把数据分为几组
- 用函数处理：为不同组的数据应用不同的函数以转换数据
- 合并：把不同组得到的结果合并起来
数据分类处理的核心：
- groupby()函数
- groups属性查看分组情况
- eg: df.groupby(by='item').groups
1) 分组 groupby()
使用groupby实现分组
# 数据from pandas import DataFrame,Seriesdf = DataFrame({'item':['Apple','Banana','Orange','Banana','Orange','Apple'], 'price':[4,3,3,2.5,4,2], 'color':['red','yellow','yellow','green','green','green'], 'weight':[12,20,50,30,20,44]})# 分组df.groupby(by='item',axis=0) 使用groups查看分组情况
#该函数可以进行数据的分组，但是不显示分组情况df.groupby(by='item',axis=0).groups
分组后的聚合操作：分组后的成员中可以被进行运算的值会进行运算，不能被运算的值不进行运算
平均值 mean()
#给df创建一个新列，内容为各个水果的平均价格# df.groupby(by='item').mean()# df.groupby(by='item').mean()['price']mean_price_s = df.groupby(by='item')['price'].mean()dic = mean_price_s.to_dict()# 使用映射添加到原表中df['mean_price'] = df['item'].map(dic)# 计算出苹果的平均价格df.groupby(by='item')['price'].mean()['Apple']
6. 高级数据聚合
使用groupby分组后，也可以使用transform和apply提供自定义函数实现更多的运算
- df.groupby('item')['price'].sum() <==> df.groupby('item')['price'].apply(sum)
- transform和apply都会进行运算，在transform或者apply中传入函数即可
- transform和apply也可以传入一个lambda表达式
def fun(s): sum = 0 for i in s: sum+=i return sum/s.size#使用apply函数求出水果的平均价格# 不显示重复行df.groupby(by='item')['price'].apply(fun)#使用transform函数求出水果的平均价格# 显示出每行的 平均值df.groupby(by='item')['price'].transform(fun)