Pandas数据载入与预处理(详细的数据Python处理方法)

黎明之道
• 阅读 2107

Pandas数据载入与预处理

对于数据分析而言,数据大部分来源于外部数据,如常用的CSV文件、Excel文件和数据库文件等。Pandas库将外部数据转换为DataFrame数据格式,处理完成后再存储到相应的外部文件中。

NumPy常用的导入格式:import pandas as pd

一、数据载入

读取文本文件

文本文件是一种由若干行字符构成的计算机文件,它是一种典型的顺序文件。

txt文件:是Windows操作系统上附带的一种文本格式,文件以.txt为后缀。

CSV文件:是Comma-Separated Values的缩写,用半角逗号(’,’)作为字段值的分隔符。

Pandas中使用read_table来读取文本文件:
pandas.read_table(filepath_or_buffer, sep=’\t’, header=’infer’, names=None, index_col=None, dtype=None, engine=None, nrows=None)

Pandas中使用read_csv函数来读取CSV文件:
pandas.read_csv(filepath_or_buffer, sep=’,’, header=’infer’, names=None, index_col=None, dtype=None, engine=None, nrows=None)

read_table和read_csv常用参数及其说明:
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)

文本文件的存储

文本文件的存储和读取类似,结构化数据可以通过pandas中的to_csv函数实现以CSV文件格式存储文件。

DataFrame.to_csv(path_or_buf = None, sep = ’,’, na_rep, columns=None, header=True, index=True, index_label=None, mode=’w’, encoding=None)

Excel文件的读取

Pandas提供了read_excel函数读取“xls”和“xlsx”两种excel文件,其格式为:
pandas.read_excel(io, sheetname, header=0, index_col=None, names=None, dtype)

read_excel函数和read_table函数的部分参数相同.
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
Excel文件的存储

将文件存储为Excel文件,可使用to_excel方法。其语法格式如下:
DataFrame.to_excel(excel_writer=None, sheetname=None’, na_rep=”, header=True, index=True, index_label=None, mode=’w’, encoding=None)

to_csv方法的常用参数基本一致,区别之处在于指定存储文件的文件路径参数excel_writer,增加了一个sheetnames参数,用来指定存储的Excel sheet的名称,默认为sheet1。

2.数据合并

merge数据合并

merge函数是通过一个或多个键将两个DataFrame按行合并起来,与SQL中的 join 用法类似,Pandas中的数据合并merge( )函数格式如下:
merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)

merge方法主要参数及说明:
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
concat数据连接

如果要合并的DataFrame之间没有连接键,就无法使用merge方法。pandas中的concat方法可以实现,默认情况下会按行的方向堆叠数据。如果在列向上连接设置axies = 1即可。
例如:

Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
运行结果:

Pandas数据载入与预处理(详细的数据Python处理方法)
例如:

Pandas数据载入与预处理(详细的数据Python处理方法)
运行结果:

Pandas数据载入与预处理(详细的数据Python处理方法)
combine_first合并数据

如果需要合并的两个DataFrame存在重复索引,则使用merge和concat都无法正确合并,此时需要使用combine_first方法。

例如:
Pandas数据载入与预处理(详细的数据Python处理方法)
运行结果:
Pandas数据载入与预处理(详细的数据Python处理方法)

3.数据清洗

检测与处理缺失值

isnull()函数可以直接判断某列中的哪个数据为NaN,利用isnull().sum()可以统计缺失值的缺失数目。

string_data = pd.Series(['aardvark', 'artichoke', np.nan, 'avocado'])
print(string_data)
string_data.isnull() 

缺失值统计:
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
缺失值的处理:

在缺失值的处理方法中,删除缺失值是常用的方法之一。通过dropna方法可以删除具有缺失值的行。

dropna方法的格式:
dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)

dropna的参数及其使用说明:
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)

填充缺失值:

缺失值所在的特征为数值型时,通常利用其均值、中位数和众数等描述其集中趋势的统计量来填充;缺失值所在特征为类别型数据时,则选择众数来填充。

Pandas库中提供了缺失值替换的方法fillna,格式如下:DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None)
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)

检测与处理重复值

在DataFrame中利用duplicates方法判断各行是否有重复数据。duplicates方法返回一个布尔值的series,反映每一行是否与之前的行重复。

Pandas通过drop_duplicates删除重复的行,格式为:
drop_duplicates(self, subset=None, keep=’first’, inplace=False)

Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
drop_duplicates的主要参数及其说明:
Pandas数据载入与预处理(详细的数据Python处理方法)
使用drop_duplicates方法去重时,当且仅当subset参数中的特征重复时候才会执行去重操作,去重时可以选择保留哪一个或者不保留。

Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
默认保留的数据为第一个出现的记录,通过传入keep = ’last’可以保留最后一个出现的记录。

Pandas数据载入与预处理(详细的数据Python处理方法)
检测异常值

简单的数据统计方法中常用散点图、箱线图和3σ法则检测异常值。

散点图方法: 通过数据分布的散点图发现异常数据。

Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)

箱线图分析: 利用数据中的五个统计量(最小值、下四分位数、中位数、上四分位数和最大值)来描述数据。
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)

3σ法则: 在3σ原则下,异常值被定义为一组测定值中与平均值的偏差超过3倍标准差的值。Pandas数据载入与预处理(详细的数据Python处理方法)

数据转换:

在pandas中通过replace进行数据值的替换。
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
利用函数或映射进行数据转换:
Pandas数据载入与预处理(详细的数据Python处理方法)
Pandas数据载入与预处理(详细的数据Python处理方法)
在Pandas中可以自定义函数,然后通过map方法实现。

4.数据标准化

离差标准化数据
离差标准化是对原始数据所做的一种线性变换,将原始数据的数值映射到[0,1]区间。转换公式如下所示。
Pandas数据载入与预处理(详细的数据Python处理方法)
标准差标准化数据
标准差标准化又称零均值标准化或z分数标准化,是当前使用最广泛的数据标准化方法。
Pandas数据载入与预处理(详细的数据Python处理方法)

5.数据转换

类别型数据的哑变量处理

哑变量( Dummy Variables)是用以反映质的属性的一个人工变量,是量化了的自变量,通常取值为0或1。

利用pandas库中的get_dummies函数对类别型特征进行哑变量处理。

pandas.get_dummies(data, prefix = None, prefix_sep = '_', dummy_na = False, columns = None, sparse = False, drop_first=False)

get_dummies方法的主要参数及其说明:

Pandas数据载入与预处理(详细的数据Python处理方法)
连续型变量的离散化

  1. 等宽法
    Pandas提供了cut函数,可以进行连续型数据的等宽离散化。

pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3)

cut方法的主要参数及其说明:

Pandas数据载入与预处理(详细的数据Python处理方法)

  1. 等频法
    cut函数虽然不能够直接实现等频离散化,但可以通过定义将相同数量的记录放进每个区间。

  2. 聚类分析法
    一维聚类的方法包括两步,首先将连续型数据用聚类算法进行聚类,然后处理聚类得到的簇,为合并到一个簇的连续型数据做同一标记。

点赞
收藏
评论区
推荐文章
blmius blmius
3年前
MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1
文章目录问题用navicat导入数据时,报错:原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。全局s
皕杰报表之UUID
​在我们用皕杰报表工具设计填报报表时,如何在新增行里自动增加id呢?能新增整数排序id吗?目前可以在新增行里自动增加id,但只能用uuid函数增加UUID编码,不能新增整数排序id。uuid函数说明:获取一个UUID,可以在填报表中用来创建数据ID语法:uuid()或uuid(sep)参数说明:sep布尔值,生成的uuid中是否包含分隔符'',缺省为
Jacquelyn38 Jacquelyn38
3年前
2020年前端实用代码段,为你的工作保驾护航
有空的时候,自己总结了几个代码段,在开发中也经常使用,谢谢。1、使用解构获取json数据let jsonData  id: 1,status: "OK",data: 'a', 'b';let  id, status, data: number   jsonData;console.log(id, status, number )
Stella981 Stella981
3年前
Python3:sqlalchemy对mysql数据库操作,非sql语句
Python3:sqlalchemy对mysql数据库操作,非sql语句python3authorlizmdatetime2018020110:00:00coding:utf8'''
Stella981 Stella981
3年前
Python之time模块的时间戳、时间字符串格式化与转换
Python处理时间和时间戳的内置模块就有time,和datetime两个,本文先说time模块。关于时间戳的几个概念时间戳,根据1970年1月1日00:00:00开始按秒计算的偏移量。时间元组(struct_time),包含9个元素。 time.struct_time(tm_y
Wesley13 Wesley13
3年前
mysql设置时区
mysql设置时区mysql\_query("SETtime\_zone'8:00'")ordie('时区设置失败,请联系管理员!');中国在东8区所以加8方法二:selectcount(user\_id)asdevice,CONVERT\_TZ(FROM\_UNIXTIME(reg\_time),'08:00','0
Wesley13 Wesley13
3年前
00:Java简单了解
浅谈Java之概述Java是SUN(StanfordUniversityNetwork),斯坦福大学网络公司)1995年推出的一门高级编程语言。Java是一种面向Internet的编程语言。随着Java技术在web方面的不断成熟,已经成为Web应用程序的首选开发语言。Java是简单易学,完全面向对象,安全可靠,与平台无关的编程语言。
Stella981 Stella981
3年前
Django中Admin中的一些参数配置
设置在列表中显示的字段,id为django模型默认的主键list_display('id','name','sex','profession','email','qq','phone','status','create_time')设置在列表可编辑字段list_editable
Wesley13 Wesley13
3年前
MySQL部分从库上面因为大量的临时表tmp_table造成慢查询
背景描述Time:20190124T00:08:14.70572408:00User@Host:@Id:Schema:sentrymetaLast_errno:0Killed:0Query_time:0.315758Lock_
Python进阶者 Python进阶者
11个月前
Excel中这日期老是出来00:00:00,怎么用Pandas把这个去除
大家好,我是皮皮。一、前言前几天在Python白银交流群【上海新年人】问了一个Pandas数据筛选的问题。问题如下:这日期老是出来00:00:00,怎么把这个去除。二、实现过程后来【论草莓如何成为冻干莓】给了一个思路和代码如下:pd.toexcel之前把这