Pandas 使用技巧(二)

處理丟失數(shù)據(jù)

由np.nan 填充丟失的數(shù)據(jù)

df.dropna(axis=0, how='any')
  • axis 根據(jù)行或者列丟棄摆寄,0 是行,1是列
  • how坯门,指定丟棄行為
  • any微饥,只要有一個(gè)nan就丟棄,古戴,默認(rèn)
  • all欠橘,所有的都為nan才丟棄
df.fillna(value=0), 為nan填上數(shù)據(jù)
  • value, 指定需要填入的數(shù)據(jù)

其他相關(guān)方法

  • df.isnull() 檢查dataFrame中是否有缺失數(shù)據(jù)
  • np.any(df.isnull() = True) 針對(duì)超大表格,找到是否有nan

Panda導(dǎo)入導(dǎo)出

可以讀取的格式

  • read_csv 這個(gè)常用
  • read_excel
  • read_hdf
  • read_pickle python自帶壓縮格式
  • read_json

可以導(dǎo)出的格式

  • to_csv
  • to_json
data = pd.read_csv("\*.csv")

read 進(jìn)來以后會(huì)自動(dòng)加上索引

data.to_csv("***.csv") 直接使用dataframe調(diào)用to_*** 來輸出

合并多個(gè)DataFrame

df10 = pd.DataFrame(np.ones((3,4))*0, columns=['a', 'b', 'c', 'd'] )
df11 = pd.DataFrame(np.ones((3,4))*1, columns=['a', 'b', 'c', 'd'] )
df12 = pd.DataFrame(np.ones((3,4))*1, columns=['b', 'c', 'd', 'e'] )
res = pd.concat([df10 , df11], axis=0, ignore_index=Ture)
  • asix 為0是為上下合并(有相同的列)现恼,為1時(shí)為橫向的合并(有相同的行)
  • ignore_index=True 對(duì)index重新安排, 為False的時(shí)候會(huì)保留之前的index
  • join, ['inner', 'outer'] 在contact的時(shí)候處理不一樣的行或列數(shù)據(jù)
    ** res = pd.concat([df1, df2]), 默認(rèn)會(huì)有廣播機(jī)制并使用nan填充 相當(dāng)于['outer'], res = pd.concat([df1, df2], join='outer')
    ** 'inner', concat 之后就只包含相同的部分
  • join_axes, res = pd.concat([df10, df11, df12], axis=1, join_axes=[df10.index])
    ** 使用join_axes 指定的index進(jìn)行合并肃续,對(duì)于df11沒有的index使用nan進(jìn)行填充 ,對(duì)于df10中不存在的忽略掉
    ** 對(duì)于列的話需要使用 df10.columns
    ** 注意這里和join的區(qū)別
  • append叉袍,豎向或者橫向的添加數(shù)據(jù)
res = df1.append(df2, ignore_index=True)
res = df1.appends(s1, ignore_index=True), 一行一行的添加

Merge多個(gè)DataFrame

res= pd.merge(df1, df2, on='key')
pd.merge(df1, df2, on=['key1', 'key2'])
  • 可以指定合并的方法始锚,
    ** inner,key的值必須一樣的才和并
    ** outer, 不管值是不是一樣都會(huì)合并喳逛, 對(duì)于不一樣的值填充NAN
    ** left疼蛾, 只靠一邊的數(shù)據(jù),另一邊不一樣的填充NAN
    ** right
  • indicator, 顯示是如何merge的
  • index, 通過對(duì)比index來進(jìn)行merge
res = pd.merge(df21, df22, left_index=True, right_index=True, how='outer')
  • left_index 考慮df21中的index
  • right_index 考慮df22中的index

合并過程中如何處理重復(fù)數(shù)據(jù)(index名稱相同艺配,但是內(nèi)涵不同的數(shù)據(jù))

使用參數(shù)suffixes察郁, 對(duì)于那些列名相同,但是又不在merge范圍內(nèi)的數(shù)據(jù)

res = pd.merge(df20, df21, on='d', suffixes=['_df20', '_df21'], how='inner')

Pandas Plot

其實(shí)還是使用matplotlib來畫圖的转唉,但是可以集成到pandas的使用中去

data = pd.Series(np.random.randn(1000), index=np.arange(1000))
data.plot()
plt.show()

首先是data.plot()皮钠,然后在調(diào)用plt.show() 將圖片顯示出來,這種方法對(duì)于Series和DataFrame都適用

畫其他類型的圖:
plot method:“bar”, “hist”赠法, “box”麦轰, “area”

data.plot.scatter(x='a', y='b')

將兩組數(shù)據(jù)畫在同一張圖上:重點(diǎn)在于指定ax

ax = data.plot.scatter(x='a', y='b',color='blue', label='Class 1')
data.plot.scatter(x='c', y='d',color='red', label='Class 2', ax=ax)
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末乔夯,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子款侵,更是在濱河造成了極大的恐慌末荐,老刑警劉巖,帶你破解...
    沈念sama閱讀 222,681評(píng)論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件新锈,死亡現(xiàn)場(chǎng)離奇詭異甲脏,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)妹笆,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,205評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門块请,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人拳缠,你說我怎么就攤上這事墩新。” “怎么了窟坐?”我有些...
    開封第一講書人閱讀 169,421評(píng)論 0 362
  • 文/不壞的土叔 我叫張陵海渊,是天一觀的道長(zhǎng)。 經(jīng)常有香客問我哲鸳,道長(zhǎng)臣疑,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 60,114評(píng)論 1 300
  • 正文 為了忘掉前任帕胆,我火速辦了婚禮朝捆,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘懒豹。我一直安慰自己芙盘,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,116評(píng)論 6 398
  • 文/花漫 我一把揭開白布脸秽。 她就那樣靜靜地躺著儒老,像睡著了一般。 火紅的嫁衣襯著肌膚如雪记餐。 梳的紋絲不亂的頭發(fā)上驮樊,一...
    開封第一講書人閱讀 52,713評(píng)論 1 312
  • 那天,我揣著相機(jī)與錄音片酝,去河邊找鬼囚衔。 笑死,一個(gè)胖子當(dāng)著我的面吹牛雕沿,可吹牛的內(nèi)容都是我干的练湿。 我是一名探鬼主播,決...
    沈念sama閱讀 41,170評(píng)論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼审轮,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼肥哎!你這毒婦竟也來了辽俗?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 40,116評(píng)論 0 277
  • 序言:老撾萬榮一對(duì)情侶失蹤篡诽,失蹤者是張志新(化名)和其女友劉穎崖飘,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體杈女,經(jīng)...
    沈念sama閱讀 46,651評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡朱浴,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,714評(píng)論 3 342
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了碧信。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片赊琳。...
    茶點(diǎn)故事閱讀 40,865評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡街夭,死狀恐怖砰碴,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情板丽,我是刑警寧澤呈枉,帶...
    沈念sama閱讀 36,527評(píng)論 5 351
  • 正文 年R本政府宣布,位于F島的核電站埃碱,受9級(jí)特大地震影響猖辫,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜砚殿,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,211評(píng)論 3 336
  • 文/蒙蒙 一啃憎、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧似炎,春花似錦辛萍、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,699評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至仆嗦,卻和暖如春辉阶,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背瘩扼。 一陣腳步聲響...
    開封第一講書人閱讀 33,814評(píng)論 1 274
  • 我被黑心中介騙來泰國打工谆甜, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人集绰。 一個(gè)月前我還...
    沈念sama閱讀 49,299評(píng)論 3 379
  • 正文 我出身青樓规辱,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國和親倒慧。 傳聞我的和親對(duì)象是個(gè)殘疾皇子按摘,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,870評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容