Anaconda
NumPy
pandas
將pandas的DataFrame數(shù)據(jù)寫(xiě)入MySQL數(shù)據(jù)庫(kù) + sqlalchemy
import pandas as pd
from sqlalchemy import create_engine
將數(shù)據(jù)寫(xiě)入mysql的數(shù)據(jù)庫(kù)，但需要先通過(guò)sqlalchemy.create_engine建立連接,且字符編碼設(shè)置為utf8，否則有些latin字符不能處理
yconnect = create_engine('mysql+mysqldb://root:password@localhost:3306/databasename?charset=utf8')
pd.io.sql.to_sql(thedataframe,'tablename', yconnect, schema='databasename', if_exists='append')
to_sql中，
第一個(gè)參數(shù)thedataframe是需要導(dǎo)入的pd dataframe,
第二個(gè)參數(shù)tablename是將導(dǎo)入的數(shù)據(jù)庫(kù)中的表名
第三個(gè)參數(shù)yconnect是啟動(dòng)數(shù)據(jù)庫(kù)的接口，pd 1.9以后的版本，除了sqllite，均需要通過(guò)sqlalchemy來(lái)設(shè)置
第四個(gè)參數(shù)databasename是將導(dǎo)入的數(shù)據(jù)庫(kù)名字
第五個(gè)參數(shù)if_exists='append'的意思是，如果表tablename存在，則將數(shù)據(jù)添加到這個(gè)表的后面
Pandas基本功能簡(jiǎn)介
具備按軸自動(dòng)或顯式數(shù)據(jù)對(duì)齊功能的數(shù)據(jù)結(jié)構(gòu)
集成時(shí)間序列功能
既能處理時(shí)間序列數(shù)據(jù)也能處理非時(shí)間序列數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)
數(shù)學(xué)運(yùn)算和約簡(jiǎn)（比如對(duì)某個(gè)軸求和）可以根據(jù)不同的元數(shù)據(jù)（軸編號(hào)）執(zhí)行
靈活處理缺失數(shù)據(jù)
合并及其他出現(xiàn)在常見(jiàn)數(shù)據(jù)庫(kù)（例如基于SQL的）中的關(guān)系型運(yùn)算
數(shù)據(jù)結(jié)構(gòu)
Series：
Series是一種類(lèi)似于一維數(shù)組的對(duì)象，它由一組數(shù)據(jù)（各種NumPy數(shù)據(jù)類(lèi)型）以及一組與之相關(guān)的數(shù)據(jù)標(biāo)簽（即索引）組成。
與list、numpy(array)不同之處是有索引，不需要map->key，便于查找排序等，對(duì)索引進(jìn)行操作，可以替換索引。
DataFrame：
DataFrame是一個(gè)表格型的數(shù)據(jù)結(jié)構(gòu)，它含有一組有序的列，每列可以是不同的值類(lèi)型（數(shù)值、字符串、布爾值等），類(lèi)似于excel。
DataFrame既有行索引(index)也有列索引(columns)，它可以被看做由Series組成的字典（共用同一個(gè)索引）。
訪問(wèn)行索引方式：加.ix . 例如：pd.ix[‘three’]
索引對(duì)象
pandas的索引對(duì)象負(fù)責(zé)管理軸標(biāo)簽和其他元數(shù)據(jù)（比如軸名稱(chēng)等）。構(gòu)建Series或DataFrame時(shí)，所用到的任何數(shù)組或其他序列的標(biāo)簽都會(huì)被轉(zhuǎn)換成一個(gè)Index。
Index對(duì)象是不可修改的（immutable），因此用戶(hù)不能對(duì)其進(jìn)行修改。不可修改性非常重要，因?yàn)檫@樣才能使Index對(duì)象在多個(gè)數(shù)據(jù)結(jié)構(gòu)之間安全共享。
一、生成數(shù)據(jù)表
1、首先導(dǎo)入pandas庫(kù)，一般都會(huì)用到numpy庫(kù)，所以我們先導(dǎo)入備用：
import numpy as np
import pandas as pd
2、導(dǎo)入CSV或者xlsx文件：
df = pd.DataFrame(pd.read_csv(‘name.csv’,header=1))
df = pd.DataFrame(pd.read_excel(‘name.xlsx’))
3、用pandas創(chuàng)建數(shù)據(jù)表：
df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
"date":pd.date_range('20130102', periods=6),
"city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
"age":[23,44,54,32,34,32],
"category":['100-A','100-B','110-A','110-C','210-A','130-F'],
"price":[1200,np.nan,2133,5433,np.nan,4432]},
columns =['id','date','city','category','age','price'])
二、數(shù)據(jù)表信息查看
1、維度查看：
df.shape
2、數(shù)據(jù)表基本信息（維度、列名稱(chēng)、數(shù)據(jù)格式、所占空間等）：
df.info()
3、每一列數(shù)據(jù)的格式：
df.dtypes
4、某一列格式：
df[‘B’].dtype
5、空值：
df.isnull()
6、查看某一列空值：
df.isnull()
7、查看某一列的唯一值：
df[‘B’].unique()
8、查看數(shù)據(jù)表的值：
df.values
9、查看列名稱(chēng)：
df.columns
10、查看前10行數(shù)據(jù)、后10行數(shù)據(jù)：
df.head() #默認(rèn)前10行數(shù)據(jù)
df.tail() #默認(rèn)后10 行數(shù)據(jù)
三、數(shù)據(jù)表清洗
1、用數(shù)字0填充空值：
df.fillna(value=0)
2、使用列prince的均值對(duì)NA進(jìn)行填充：
df[‘prince’].fillna(df[‘prince’].mean())
3、清楚city字段的字符空格：
df[‘city’]=df[‘city’].map(str.strip)
4、大小寫(xiě)轉(zhuǎn)換：
df[‘city’]=df[‘city’].str.lower()
5、更改數(shù)據(jù)格式：
df[‘price’].astype(‘int’)
6、更改列名稱(chēng)：
df.rename(columns={‘category’: ‘category-size’})
7、刪除后出現(xiàn)的重復(fù)值：
df[‘city’].drop_duplicates()
8、刪除先出現(xiàn)的重復(fù)值：
df[‘city’].drop_duplicates(keep=’last’)
9、數(shù)據(jù)替換：
df[‘city’].replace(‘sh’, ‘shanghai’)
四、數(shù)據(jù)預(yù)處理
df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],
"gender":['male','female','male','female','male','female','male','female'],
"pay":['Y','N','Y','Y','N','Y','N','Y',],
"m-point":[10,12,20,40,40,40,30,20]})
1、數(shù)據(jù)表合并
1.1 merge
df_inner=pd.merge(df,df1,how='inner') # 匹配合并，交集
df_left=pd.merge(df,df1,how='left') #
df_right=pd.merge(df,df1,how='right')
df_outer=pd.merge(df,df1,how='outer') #并集
1.2 append
result = df1.append(df2)
1.3 join
result = left.join(right, on='key')
1.4 concat
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
copy=True)
objs︰ 一個(gè)序列或系列、 綜合或面板對(duì)象的映射。如果字典中傳遞，將作為鍵參數(shù)，使用排序的鍵，除非它傳遞，在這種情況下的值將會(huì)選擇 （見(jiàn)下文）。任何沒(méi)有任何反對(duì)將默默地被丟棄，除非他們都沒(méi)有在這種情況下將引發(fā) ValueError。
axis: {0，1，…}，默認(rèn)值為 0。要連接沿軸。
join: {‘內(nèi)部’、 ‘外’}，默認(rèn) ‘外’。如何處理其他 axis(es) 上的索引。聯(lián)盟內(nèi)、 外的交叉口。
ignore_index︰ 布爾值、 默認(rèn) False。如果為 True，則不要串聯(lián)軸上使用的索引值。由此產(chǎn)生的軸將標(biāo)記 0，…，n-1。這是有用的如果你串聯(lián)串聯(lián)軸沒(méi)有有意義的索引信息的對(duì)象。請(qǐng)注意在聯(lián)接中仍然受到尊重的其他軸上的索引值。
join_axes︰ 索引對(duì)象的列表。具體的指標(biāo)，用于其他 n-1 軸而不是執(zhí)行內(nèi)部/外部設(shè)置邏輯。
keys︰ 序列，默認(rèn)為無(wú)。構(gòu)建分層索引使用通過(guò)的鍵作為最外面的級(jí)別。如果多個(gè)級(jí)別獲得通過(guò)，應(yīng)包含元組。
levels︰ 列表的序列，默認(rèn)為無(wú)。具體水平 （唯一值） 用于構(gòu)建多重。否則，他們將推斷鑰匙。
names︰ 列表中，默認(rèn)為無(wú)。由此產(chǎn)生的分層索引中的級(jí)的名稱(chēng)。
verify_integrity︰ 布爾值、 默認(rèn) False。檢查是否新的串聯(lián)的軸包含重復(fù)項(xiàng)。這可以是相對(duì)于實(shí)際數(shù)據(jù)串聯(lián)非常昂貴。
副本︰ 布爾值、 默認(rèn) True。如果為 False，請(qǐng)不要，不必要地復(fù)制數(shù)據(jù)。
例子：1.frames = [df1, df2, df3]
2.result = pd.concat(frames)
2、設(shè)置索引列
df_inner.set_index(‘id’)
3、按照特定列的值排序：
df_inner.sort_values(by=[‘a(chǎn)ge’])
4、按照索引列排序：
df_inner.sort_index()
5、如果prince列的值>3000，group列顯示high，否則顯示low：
df_inner[‘group’] = np.where(df_inner[‘price’] > 3000,’high’,’low’)
6、對(duì)復(fù)合多個(gè)條件的數(shù)據(jù)進(jìn)行分組標(biāo)記
df_inner.loc[(df_inner[‘city’] == ‘beijing’) & (df_inner[‘price’] >= 4000), ‘sign’]=1
7、對(duì)category字段的值依次進(jìn)行分列，并創(chuàng)建數(shù)據(jù)表，索引值為df_inner的索引列，列名稱(chēng)為category和size
pd.DataFrame((x.split(‘-‘) for x in df_inner[‘category’]),index=df_inner.index,columns=[‘category’,’size’]))
8、將完成分裂后的數(shù)據(jù)表和原df_inner數(shù)據(jù)表進(jìn)行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
五、數(shù)據(jù)提取
主要用到的三個(gè)函數(shù)：loc,iloc和ix，loc函數(shù)按標(biāo)簽值進(jìn)行提取，iloc按位置進(jìn)行提取，ix可以同時(shí)按標(biāo)簽和位置進(jìn)行提取。
1、按索引提取單行的數(shù)值
df_inner.loc[3]
2、按索引提取區(qū)域行數(shù)值
df_inner.iloc[0:5]
3、重設(shè)索引
df_inner.reset_index()
4、設(shè)置日期為索引
df_inner=df_inner.set_index(‘date’)
5、提取4日之前的所有數(shù)據(jù)
df_inner[:’2013-01-04’]
6、使用iloc按位置區(qū)域提取數(shù)據(jù)
df_inner.iloc[:3,:2] #冒號(hào)前后的數(shù)字不再是索引的標(biāo)簽名稱(chēng)，而是數(shù)據(jù)所在的位置，從0開(kāi)始，前三行，前兩列。
7、適應(yīng)iloc按位置單獨(dú)提起數(shù)據(jù)
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列
8、使用ix按索引標(biāo)簽和位置混合提取數(shù)據(jù)
df_inner.ix[:’2013-01-03’,:4] #2013-01-03號(hào)之前，前四列數(shù)據(jù)
9、判斷city列的值是否為北京
df_inner[‘city’].isin([‘beijing’])
10、判斷city列里是否包含beijing和shanghai，然后將符合條件的數(shù)據(jù)提取出來(lái)
df_inner.loc[df_inner[‘city’].isin([‘beijing’,’shanghai’])]
11、提取前三個(gè)字符，并生成數(shù)據(jù)表
pd.DataFrame(category.str[:3])
六、數(shù)據(jù)篩選
使用與、或、非三個(gè)條件配合大于、小于、等于對(duì)數(shù)據(jù)進(jìn)行篩選，并進(jìn)行計(jì)數(shù)和求和。
1、使用“與”進(jìn)行篩選
df_inner.loc[(df_inner[‘a(chǎn)ge’] > 25) & (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]]
2、使用“或”進(jìn)行篩選
df_inner.loc[(df_inner[‘a(chǎn)ge’] > 25) | (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘a(chǎn)ge’])
3、使用“非”條件進(jìn)行篩選
df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’])
4、對(duì)篩選后的數(shù)據(jù)按city列進(jìn)行計(jì)數(shù)
df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’]).city.count()
5、使用query函數(shù)進(jìn)行篩選
df_inner.query(‘city == [“beijing”, “shanghai”]’)
6、對(duì)篩選后的結(jié)果按prince進(jìn)行求和
df_inner.query(‘city == [“beijing”, “shanghai”]’).price.sum()
七、數(shù)據(jù)匯總
主要函數(shù)是groupby和pivote_table
1、對(duì)所有的列進(jìn)行計(jì)數(shù)匯總
df_inner.groupby(‘city’).count()
2、按城市對(duì)id字段進(jìn)行計(jì)數(shù)
df_inner.groupby(‘city’)[‘id’].count()
3、對(duì)兩個(gè)字段進(jìn)行匯總計(jì)數(shù)
df_inner.groupby([‘city’,’size’])[‘id’].count()
4、對(duì)city字段進(jìn)行匯總，并分別計(jì)算prince的合計(jì)和均值
df_inner.groupby(‘city’)[‘price’].agg([len,np.sum, np.mean])
八、數(shù)據(jù)統(tǒng)計(jì)
數(shù)據(jù)采樣，計(jì)算標(biāo)準(zhǔn)差，協(xié)方差和相關(guān)系數(shù)
1、簡(jiǎn)單的數(shù)據(jù)采樣
df_inner.sample(n=3)
2、手動(dòng)設(shè)置采樣權(quán)重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
3、采樣后不放回
df_inner.sample(n=6, replace=False)
4、采樣后放回
df_inner.sample(n=6, replace=True)
5、 數(shù)據(jù)表描述性統(tǒng)計(jì)
df_inner.describe().round(2).T #round函數(shù)設(shè)置顯示小數(shù)位，T表示轉(zhuǎn)置
6、計(jì)算列的標(biāo)準(zhǔn)差
df_inner[‘price’].std()
7、計(jì)算兩個(gè)字段間的協(xié)方差
df_inner[‘price’].cov(df_inner[‘m-point’])
8、數(shù)據(jù)表中所有字段間的協(xié)方差
df_inner.cov()
9、兩個(gè)字段的相關(guān)性分析
df_inner[‘price’].corr(df_inner[‘m-point’]) #相關(guān)系數(shù)在-1到1之間，接近1為正相關(guān)，接近-1為負(fù)相關(guān)，0為不相關(guān)
10、數(shù)據(jù)表的相關(guān)性分析
df_inner.corr()
九、數(shù)據(jù)輸出
分析后的數(shù)據(jù)可以輸出為xlsx格式和csv格式
1、寫(xiě)入Excel
df_inner.to_excel(‘excel_to_python.xlsx’, sheet_name=’bluewhale_cc’)
2、寫(xiě)入到CSV
df_inner.to_csv(‘excel_to_python.csv’)
