【技术积累】Python中的Pandas库【三】

什么是Series

Series是一种带有标签的一维数组，可以容纳各种类型的数据（例如整数，浮点数和字符串）。每个Series对象都有一个索引，它可以用来引用每个元素。Series对象的主要特征是可以进行矢量化操作（即一次对整个序列进行操作），因此非常适合处理数值数据。

什么是DataFrame？

DataFrame是一个带有标签的二维数据结构，可以容纳各种类型的数据（例如整数，浮点数和字符串）。每个DataFrame对象都由行和列组成，行表示一个实例，列表示属性。您可以将DataFrame视为电子表格或SQL表。DataFrame的主要特征是可以进行矢量化操作，因此非常适合处理具有多种属性的数据。此外，DataFrame还具有一些其他功能，例如灵活的数据对齐，分组和聚合，数据排序和合并等。

Pandas库中的Index对象是什么？

Pandas库中的Index对象是一种存储轴标签的不可变数据结构。它可以看做是Series和DataFrame的标识符，它们用来标识单个条目或多个相同类型的数据。Index可以是整数、字符串或自定义类型的对象，它们的主要功能包括：查找、切片、分组、聚合等。

Index对象的特点有以下几个方面： 1.不可变性：一旦创建，Index对象的元素不能被修改。 2.唯一性：Index对象中的元素必须是唯一的，否则会引发异常。 3.有序性：Index对象的元素可以按照定义的顺序排列，搜索和切片更高效。

Index对象可以通过多种方式创建，例如从一个列表、数组、元组、字典、DataFrame等对象中创建，也可以手动创建。在DataFrame中，行和列都有自己的Index对象，而在Series中，只有一维的数据和一个Index对象。利用Index对象，可以很方便地对数据进行索引、排序和子集切片等操作，提高了数据处理的效率。

如何创建Series？

1.通过列表或数组创建：可以通过pd.Series()方法将列表或数组转换成Series对象，例如：

import pandas as pd
data = [1, 2, 3, 4, 5]
s = pd.Series(data)
print(s)

# 输出结果为：
# 0    1
# 1    2
# 2    3
# 3    4
# 4    5
# dtype: int64

2.通过字典创建：可以通过pd.Series()方法将字典转换成Series对象，例如：

import pandas as pd
data = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}
s = pd.Series(data)
print(s)

# 输出结果为：
# a    1
# b    2
# c    3
# d    4
# e    5
# dtype: int64

如何创建DataFrame

1.通过列表或数组创建：可以通过pd.DataFrame()方法将列表或数组转换成DataFrame对象，例如：

import pandas as pd
data = {'name': ['Tom', 'John', 'Mary', 'Lisa', 'Bob'], 'age': [28, 25, 23, 24, 27], 'score': [89, 78, 88, 95, 85]}
df = pd.DataFrame(data)
print(df)

# 输出结果为：
#    name  age  score
# 0   Tom   28     89
# 1  John   25     78
# 2  Mary   23     88
# 3  Lisa   24     95
# 4   Bob   27     85

2.通过字典创建：可以通过pd.DataFrame()方法将字典转换成DataFrame对象，例如：

import pandas as pd
data = {'name': ['Tom', 'John', 'Mary', 'Lisa', 'Bob'], 'age': [28, 25, 23, 24, 27], 'score': [89, 78, 88, 95, 85]}
df = pd.DataFrame(data, index=['one', 'two', 'three', 'four', 'five'])
print(df)

# 输出结果为：
#        name  age  score
# one     Tom   28     89
# two    John   25     78
# three  Mary   23     88
# four   Lisa   24     95
# five    Bob   27     85

3.通过从文件中读取数据创建：可以通过pd.read_方法()将本地存储的文件导入DataFrame对象，例如：

import pandas as pd
df = pd.read_csv('data.csv')
print(df)

# 输出结果为：
#     name  age  score
# 0    Tom   28     89
# 1   John   25     78
# 2   Mary   23     88
# 3   Lisa   24     95
# 4    Bob   27     85

如何对DataFrame进行分组？

Pandas库中的DataFrame可以按照一个或多个列的值对数据集进行分组。分组后的数据集可以进行多种操作，如计算平均值、总和等。

下面是对DataFrame进行分组的基本步骤：

1. 导入Pandas库
2. 创建DataFrame， 例如，创建一个简单的DataFrame，包含姓名、性别和年龄：
3. 对DataFrame进行分组，可以按照一个或多个列的值对DataFrame进行分组
4. 对分组后的数据集进行操作，可以对分组后的数据集进行各种计算，如计算平均值和总和。

import pandas as pd

# 创建DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Ella', 'Frank'],
        'Gender': ['F', 'M', 'M', 'M', 'F', 'M'],
        'Age': [25, 34, 42, 19, 31, 28]}
df = pd.DataFrame(data)

# 对DataFrame进行分组
grouped = df.groupby(['Gender', 'Age'])

# 计算每个性别和年龄段的总和
print(grouped.sum())

如何对DataFrame进行聚合操作？

对于DataFrame进行聚合，可以使用groupby()方法将数据按照指定的列进行分组，然后再对分组后的数据进行统计、计算等操作。

具体步骤如下：

1. 使用groupby()方法对数据进行分组，可以按照单列或多列进行分组

2. 对分组后的数据进行统计、计算等操作，可以使用常见的聚合函数，比如sum()、mean()、max()、min()、count()等

3. 对聚合后的数据进行重命名、排序等处理，最后得到需要的聚合结果

import pandas as pd

# 创建示例数据
data = {'category': ['A', 'A', 'B', 'B', 'B', 'C', 'C'],
        'value': [1, 2, 3, 4, 5, 6, 7]}
df = pd.DataFrame(data)

# 按照category列进行分组，计算value列的和、平均值和数量
result = df.groupby('category').agg({'value': ['sum', 'mean', 'count']})

# 对聚合结果进行重命名和排序
result.columns = ['total_value', 'mean_value', 'count']
result.sort_values('total_value', ascending=False, inplace=True)

print(result)

如何对DataFrame进行合并操作？

对DataFrame进行合并操作，可以使用merge()方法，将两个DataFrame按照指定的列进行连接，类似于SQL中的Join操作。如果两个DataFrame的列名相同，则可以使用on参数指定连接的列，如果列名不同，则需要使用left_on和right_on参数指定连接的列。

具体步骤如下：

1. 使用merge()方法将两个DataFrame按照指定列进行连接

2. 可以选择不同的连接方式，包括inner、outer、left、right等

3. 对连接后的数据进行排序、去重、重命名等处理，最终得到需要的结果

import pandas as pd

# 创建示例数据1
data1 = {'id': [1, 2, 3, 4, 5],
        'name': ['Tom', 'Jerry', 'Lucy', 'Lily', 'Jim'],
        'age': [20, 22, 25, 23, 26]}
df1 = pd.DataFrame(data1)

# 创建示例数据2
data2 = {'id': [1, 2, 3, 6, 7],
        'salary': [2000, 2200, 2500, 2300, 2600],
        'gender': ['M', 'F', 'F', 'F', 'M']}
df2 = pd.DataFrame(data2)

# 按照id列进行左连接
result = pd.merge(df1, df2, on='id', how='left')

# 对连接后的数据进行去重、排序、重命名
result.drop_duplicates('id', inplace=True)
result.sort_values('id', inplace=True)
result.rename(columns={'name': 'user_name', 'salary': 'user_salary'}, inplace=True)

print(result)

如何对DataFrame进行重塑操作？

对DataFrame进行重塑操作，包括转置、堆叠和反堆叠等。转置是将DataFrame的行与列互换，堆叠是将多个列进行合并为一列，反堆叠则是将一列拆分为多个列。

具体步骤如下：

1. 对DataFrame进行转置，可以使用T属性或transpose()方法实现。

2. 对DataFrame进行堆叠操作，可以使用stack()方法实现，堆叠时需要指定堆叠的列或行。

3. 对DataFrame进行反堆叠操作，可以使用unstack()方法实现，反堆叠时需要指定反堆叠的列或行。

import pandas as pd

# 创建示例数据
data = {'name': ['Tom', 'Jerry', 'Lucy'],
        'math': [90, 80, 70],
        'english': [85, 78, 95],
        'science': [88, 92, 85]}
df = pd.DataFrame(data)

# 转置DataFrame
result1 = df.T

# 堆叠DataFrame
result2 = df.set_index('name').stack().reset_index()

# 反堆叠DataFrame
result3 = df.set_index('name').unstack().reset_index()

print(result1)
print(result2)
print(result3)

如何对DataFrame进行透视表操作？

对DataFrame进行透视表操作，可以使用pivot_table()方法进行，透视表可以根据行、列和值进行数据汇总和计算，并展示出汇总计算后的结果。

具体步骤如下：

1. 使用pivot_table()方法对DataFrame进行透视操作，需要指定行、列和值参数，并选择需要的聚合函数进行计算。

2. 可以对透视表进行去重、排序和重命名等处理后，得到需要的结果。

import pandas as pd

# 创建示例数据
data = {'name': ['Tom', 'Jerry', 'Lucy', 'Lily', 'Jim', 'Bob', 'Alice'],
        'gender': ['M', 'F', 'F', 'F', 'M', 'M', 'F'],
        'age': [20, 22, 25, 23, 26, 21, 30],
        'category': ['A', 'A', 'B', 'B', 'B', 'C', 'C'],
        'salary': [2000, 2200, 2500, 2300, 2600, 2800, 2900]}
df = pd.DataFrame(data)

# 对数据进行透视表操作，分别统计每种category、gender和age_range下salary的平均值和数量
result = pd.pivot_table(df, index=['category', 'gender'], columns=pd.cut(df['age'], [20, 25, 30]), values=['salary'],
                        aggfunc={'salary': ['mean', 'count']}, fill_value=0)

# 对透视表进行去重、排序、重命名等处理
result = result.stack(level=[0, 1])
result.columns = ['_'.join(col).strip() for col in result.columns.values]
result.reset_index(inplace=True)
result.sort_values(['category', 'gender', 'age'], inplace=True)

print(result)

如何处理重复值？

Pandas库中提供了一些方法来处理重复值，包括检测和删除重复值。

检测重复值：

Pandas库中提供了duplicated()方法用来检测重复值，返回一个布尔类型的Series，表示每一行是否为重复行。

drop_duplicates()方法则是用来删除重复行，返回一个新的DataFrame，移除重复行之后的版本。

import pandas as pd

# 创建一个包含重复行的DataFrame

df = pd.DataFrame({'col1': [1, 2, 3, 4, 4, 5],
'col2': ['A', 'B', 'C', 'D', 'D', 'E']})
print(df)

# 检测重复行

print(df.duplicated())

# 删除重复行

df_clean = df.drop_duplicates()
print(df_clean)

如何处理异常值？

import pandas as pd
import numpy as np

# 创建一个包含异常值的Series

s = pd.Series([1, 2, 3, 4, 5, 100])
print(s)

# 使用Z-score方法检测异常值

zscore_threshold = 3 # 设置阈值为3
mean = s.mean()
std = s.std()
zscore = (s - mean) / std
print(zscore.abs() > zscore_threshold)

# 使用IQR方法检测异常值

q1 = s.quantile(0.25)
q3 = s.quantile(0.75)
iqr = q3 - q1
iqr_threshold = 1.5 # 设置阈值为1.5
print((s < q1 - iqr_threshold * iqr) | (s > q3 + iqr_threshold * iqr))

# 使用fillna()方法替换异常值

s_clean = s.copy()
s_clean[s_clean > 10] = np.nan # 设置异常值，将大于10的值设置为缺失值
s_clean = s_clean.fillna(s_clean.median()) # 使用中位数来填充缺失值
print(s_clean)

# 使用replace()方法替换异常值

s_clean = s.replace(100, s.median()) # 将100替换为中位数
print(s_clean)

如何处理离群值？

Pandas库中提供了一些方法来处理离群值（Outlier），包括检测和替换离群值。

检测离群值： Pandas库中提供了一些方法来检测离群值，比如基于数据的分布和规模，使用Z-score或IQR两种方法进行离群值的检测，并返回一个布尔类型的Series，表示每一行是否为离群值。

• Z-score方法将每个值转换成其到平均值的标准偏差的距离，超过给定阈值的值被视为离群值。
• IQR方法则是基于四分位数，将数据划分成四个部分，其中50%的数据落在中间，将中间部分的极端数据看做离群值。

替换离群值： 处理离群值时，我们可以使用fillna()方法或replace()方法来替换离群值。

• fillna()方法可以使用mean、median、mode等方法替换缺失值，也可以使用给定的常数或者使用前一个或后一个非缺失值填充。
• replace()方法可以使用常数或者使用给定的字典或函数替换特定的值。

import pandas as pd
import numpy as np

# 创建一个包含离群值的Series

s = pd.Series([1, 2, 3, 4, 5, 100])
print(s)

# 使用Z-score方法检测离群值

zscore_threshold = 3 # 设置阈值为3
mean = s.mean()
std = s.std()
zscore = (s - mean) / std
print(zscore.abs() > zscore_threshold)

# 使用IQR方法检测离群值

q1 = s.quantile(0.25)
q3 = s.quantile(0.75)
iqr = q3 - q1
iqr_threshold = 1.5 # 设置阈值为1.5
print((s < q1 - iqr_threshold * iqr) | (s > q3 + iqr_threshold * iqr))

# 使用fillna()方法替换离群值

s_clean = s.copy()
s_clean[s_clean > 10] = np.nan # 将大于10的值设置为缺失值
s_clean = s_clean.fillna(s_clean.median()) # 使用中位数来填充缺失值
print(s_clean)

# 使用replace()方法替换离群值

s_clean = s.clip(0, 10) # 将大于10的值和小于0的值都设置为10和0
print(s_clean)

如何进行数据类型转换？

在Pandas库中，我们需要对文件读入的数据进行处理和转换后，才能在之后的分析中有效地使用。数据类型转换是数据预处理中最基本的操作之一，数据类型的转换能够将原有数据的类型转变为用户需要的类型，包括将字符串转换为数字、将数字转换为日期、将数值转换为类别类型等，Pandas库中提供了astype()方法来进行数据类型转换。

astype()方法: Pandas库中的astype()方法可以将一个或多个列的数据类型转换为另一种类型。使用astype()方法，需要在括号中指定要转换数据类型的列名和数据类型。转换数据类型后将返回一个新的DataFrame，原数据不发生改变。

import pandas as pd

# 创建一个包含数字和字符串的DataFrame

df = pd.DataFrame({'col1': [1, 2, 3],
'col2': ['4', '5', '6']})
print(df.dtypes)

# 转换数据类型

df['col2'] = df['col2'].astype(int)
print(df.dtypes)