百木园-与人分享,
就是让自己快乐。

30 个 Python 技巧,加速你的数据分析处理速度

pandas的下载

 

使用命令下载:

pip install pandas 

 

 

或者自行下载whl文件安装

https://www.lfd.uci.edu/~gohlke/pythonlibs/

 

 

创建DataFrame数据

pd_data = pd.DataFrame({
    \"name\":[\"小明\",\"小红\",\"小孙\",\"王小\",\"关宇\",\"刘蓓\",\"张菲\"],
    \"age\":[20,18,27,20,28,18,25],
    \"sex\":[\"\",\"\",\"\",\"\",\"\",\"\",\"\"],
    \"score\":[669,570,642,590,601,619,701],
    \"address\":[\"北京\",\"深圳\",\"广州\",\"武汉\",\"深圳\",\"广州\",\"长沙\"]
})

print(pd_data)

 

读取本地文件

 

pd_data = pd.read_excel(\'./测试.xlsx\')

pd.set_option(\'display.max_columns\', None)   # 显示完整的列
pd.set_option(\'display.max_rows\', None)  # 显示完整的行
pd.set_option(\'display.expand_frame_repr\', False)  # 设置不折叠数据

print(pd_data)

 

 

查看数据是否有缺失

# 如果缺失显示为True,否则显示False
isnull = pd_data.isnull()        
print(isnull)

 

 

统计缺失值个数

# 统计缺失值个数
null_count = pd_data.isnull().sum()
print(null_count)

 

 

缺失值填充

# 填充数据 我选择了8.888,你随意
pd_data.fillna(8.888, inplace=True)
print(pd_data)

 

 

缺失值删除

# 如果有缺失值,删除此行
exist_col = pd_data.dropna()
print(exist_col)

 

 

查看头尾文件

# 查看头尾文件
print(\'头文件:\', pd_data.head())
print(\'尾文件:\', pd_data.tail())

 

 

取单列值

# 单列值
pd_data = pd.read_excel(\'./测试.xlsx\')
print(pd_data[\'全款价\'])

 

 

取多列值

# 多列值
pd_data = pd.read_excel(\'./测试.xlsx\')
print(pd_data[[\'车辆概况\', \'全款价\']])

 

 

单条件取值

pd_data = pd.read_excel(\'./测试.xlsx\')
print(pd_data[pd_data[\'全款价\'] == 4])
print(\'-\'*100)
print(pd_data[pd_data[\'汽车排量\'] == \'2.0T\'])

 

 

多条件取值-与

# 多条件筛选数据
print(pd_data[(pd_data[\'车龄\'] == \'2018\') & (pd_data[\'变速箱\'] == \'自动\')])

 

 

多条件取值-或

# 多条件筛选数据
print(pd_data[(pd_data[\'车龄\'] == \'2018\') | (pd_data[\'变速箱\'] == \'自动\')])

 

 

字符串的开始函数

# 找出在 车辆概况 中以\'大众\'开头的
cars = pd_data[pd_data[\'车辆概况\'].str.startswith(\'大众\')]
print(cars)

 

 

字符串的结尾函数

# 找出在 车辆概况 中以\'豪华型\'结尾的
cars = pd_data[pd_data[\'车辆概况\'].str.endswith(\'豪华型\')]
print(cars)

 

字符串的包含函数‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

# 找出在 车辆概况 中包含\'进口\'的
cars = pd_data[pd_data[\'车辆概况\'].str.contains(\'进口\')]
print(cars)

统计元素个数

# 统计 过户分类 以及对应次数
trans_count = pd_data[\'过户情况\'].value_counts()
print(trans_count)

 

 

为了便于进一步的数据分析,我希望将它们置于不同的数组之中,可以采用如下方法:

# 统计 过户分类 以及对应次数
trans_count = pd_data[\'过户情况\'].value_counts()
# 针对于过户情况的分类
x1_data = trans_count.index.tolist()    
# 分类后各组数据的统计
x2_data = trans_count.tolist()      

print(x1_data)
print(x2_data)

这种格式的数据才是最适合做可视化分析的!

这里再多介绍两种方法,条条大路通罗马

都能轻松实现你的目标。

# 统计 过户分类 以及对应次数
trans_count = pd_data[\'过户情况\'].value_counts()
# 针对于过户情况的分类
x1_data = trans_count.index.tolist()
x11_data = trans_count.index
x12_data = trans_count.index.values
# 类后各组数据的统计
x2_data = trans_count.tolist()
print(\'index.tolist():\', x1_data)
print(\'index:\', x11_data)
print(\'index.values:\', x12_data)
print(\'x2:\', x2_data)

 

 

分割字符串

这个功能也很实用,大家可以看看我的汽车名称数据这一列,我的目标仅仅是车名而已,后面的车型、车龄、排列、变速箱信息对我来说都是冗余信息。

非常不利于我后续数据可视化

所以字符串分割在这里就显得尤为重要。

 

 

# 对 汽车名称 这一列按照空格分割 并取第一个字符
pd_data[\'汽车名称\'] = pd_data[\'车辆概况\'].map(lambda x: x.split(\" \")[0])
name = pd_data[\'汽车名称\'].value_counts()
# 汽车名称分类
name1 = name.index.tolist()  
# 汽车名称对应数量
name2 = name.tolist()  
print(name1)
print(name2)

 

 

看到我取出来数据的样子了吗,要的就是这个!

清理数据

当我们相对汽车里程做进一步的分析时会发现数据后面都有一个’万公里’,这种数据要做可视化必须先对数据进行处理,

就是先要去除数字后面的字符

 

 

我们可以使用字符串的replace()方法,使用空格替换字符

 

pd_data.loc[:, \'表显里程new\'] = pd_data[\'表显里程\'].str.replace(\'万公里\', \'\').astype(\'float32\')  # 去除 30 ’万公里‘
# 保存数据
pd_data.to_excel(\'测试1.xlsx\')

 

 

黄色一列是我们处理之前的数据

绿色一列是我们处理之后的数据

已经达到了我们想要的效果

 

 

划分区间

现在有这么一个需求,我想要按照汽车的行驶里程分类,基本上每个车的行驶里程都是不一样的,如果将每个数据都反映在图标上就会看起来很冗余,

也就失去了作图的意义

所以我们可以按照区间来划分,例如5w-10w公里、10w-15w公里这样图表展示展示出来的效果就会很好了。

 

 

pd_data.loc[:, \'表显里程new\'] = pd_data[\'表显里程\'].str.replace(\'万公里\', \'\').astype(\'float32\')  # 去除 30 ’万公里‘
# 划分区间
pd_data[\'里程区间\'] = pd.cut(pd_data[\'表显里程new\'], [0, 2, 4, 6, 8, 10, 20],
                             labels=[\'0-2\', \'2-4\', \'4-6\', \'6-8\', \'8-10\', \'>10\'])
mile = pd_data[\'里程区间\'].value_counts()
mile1 = mile.index.tolist()         # 里程区间分类
mile2 = mile.tolist()               # 里程区间分类对应数量
print(mile1)
print(mile2)

 

 

重置索引

其实我们在上面案例的演示中已经发现了,根据条件取出来的数据的索引都是处理数据之前的索引,

我们现在要重置索引的话要怎么办呢?

我们可是使用_reset_index()_来索引重置

重置索引前:

# 找出在 过户情况 中所有\'0次\'的汽车
cars = pd_data[pd_data[\'过户情况\'].str.contains(\'0\')]
print(cars.reset_index())

 

 

重置索引后:

 

 

 

很好,但是不完美。多了一列colm name叫做 index的先前序列号。

 

不想看到它,有办法吗?

 

drop = True

# 找出在 过户情况 中所有\'0次\'的汽车
cars = pd_data[pd_data[\'过户情况\'].str.contains(\'0\')]
print(cars.reset_index(drop=True))

 

 

 

column重命名

# 重命名
pd_data = pd_data.rename(columns = {\'车辆概况\':\'车辆详情\'})
print(pd_data)

 

 

分组统计groupby-单条件

# 统计不同变速箱总里程
pd_data.loc[:, \'表显里程new\'] = pd_data[\'表显里程\'].str.replace(\'万公里\', \'\').astype(\'float32\')    # 去除 30 ’万公里‘
trans_mile = pd_data.groupby(\'变速箱\')[\'表显里程new\'].sum()
print(trans_mile)

 

 

分组统计groupby-多条件

# 统计不同变速箱和过户情况总里程
pd_data.loc[:, \'表显里程new\'] = pd_data[\'表显里程\'].str.replace(\'万公里\', \'\').astype(\'float32\')    # 去除 30 ’万公里‘
trans_mile = pd_data.groupby([\'变速箱\',\'过户情况\'])[\'表显里程new\'].sum()
print(trans_mile)

 

 

如果再加上一个重置索引 trans_mile.reset_index()

 

 

 

求平均

# 统计不同过户次数车辆平均里程
pd_data.loc[:, \'表显里程new\'] = pd_data[\'表显里程\'].str.replace(\'万公里\', \'\').astype(\'float32\')    # 去除 30 ’万公里‘
trans_mile = pd_data.groupby(\'过户情况\')[\'表显里程new\'].mean()
print(trans_mile.reset_index())

 

 

apply函数

还记得我们爬取大学的那个教程吗?

我们爬出来的数据如果是985或者是211显示为1,

如果非985或者211,显示为2

 

 

现在我不想要1和2了,因为我看不懂它是什么意思?如果是985或者211,就显示是,如果不是,就显示否!

pd_data = pd.read_excel(\'./全国高校数据.xlsx\')
print(pd_data)
pd_data1 = pd_data.copy()  # 生成一个副本, 防止数据损坏
pd_data[\'f985\'] = pd_data[\'f985\'].apply(lambda x: \'\' if x == 1 else \'\')       # 通过匿名函数解决
pd_data[\'f211\'] = pd_data[\'f985\'].apply(lambda x: \'\' if x == 1 else \'\')       # 通过匿名函数解决
print(pd_data)

 

 

同理利用_lambda_函数我们还可以

给省份这一列后面加个’省’

pd_data = pd.read_excel(\'./全国高校数据.xlsx\')
print(pd_data)
pd_data1 = pd_data.copy()  # 生成一个副本, 防止数据损坏

pd_data[\'province_name\'] = pd_data[\'province_name\'].apply(lambda x: x+\'\')       # 通过匿名函数解决
print(pd_data)
\'\'\'

 

 

同理利用_lambda_函数我们还可以给

人气值view_total这一列最后面的’w’

pd_data[\'view_total\'] = pd_data[\'view_total\'].apply(lambda x: x[:-1])       # 通过匿名函数解决
print(pd_data)

 

 

求最大最小值

max_view_total = pd_data[pd_data[\'view_total\'] == pd_data[\'view_total\'].max()]
print(max_view_total)

 

 

min_view_total = pd_data[pd_data[\'view_total\'] == pd_data[\'view_total\'].min()]
print(min_view_total)

 

 

时间提取

 

为了便于演示,我加上了一列 Date 选项,如下:

 

 

 

现在我们想提取其中的年份或者月份,我们可以使用 \'DatetimeIndex’这个方法来实现。

pd_data = pd.read_excel(\'./全国高校数据.xlsx\')
pd_data[\'year\'] = pd.DatetimeIndex(pd_data[\'Date\']).year
pd_data[\'month\'] = pd.DatetimeIndex(pd_data[\'Date\']).month
pd_data[\'day\'] = pd.DatetimeIndex(pd_data[\'Date\']).day
print(pd_data)

 

 

增加列

 

我想把刚才的生成的年+月+日方法到前三列,可以使用insert()方法来实现

Year = pd.DatetimeIndex(pd_data[\'Date\']).year
Month = pd.DatetimeIndex(pd_data[\'Date\']).month
day = pd.DatetimeIndex(pd_data[\'Date\']).day
pd_data.insert(0, \'Year\', Year)
pd_data.insert(1, \'Month\', Month)
pd_data.insert(2, \'day\', day)
print(pd_data)

 

 


来源:https://www.cnblogs.com/liuyebai/p/16806721.html
本站部分图文来源于网络,如有侵权请联系删除。

未经允许不得转载:百木园 » 30 个 Python 技巧,加速你的数据分析处理速度

相关推荐

  • 暂无文章

登录

注册

正在加载中...