pandas 实战：分析三国志人物
pandas 实战：分析三国志人物
xchenhao
于2023-01-14 16:11:43发布
684
收藏
7
分类专栏：
开发
数据
文章标签：
pandas
python
数据分析
开发
同时被 2 个专栏收录
24 篇文章
0 订阅
订阅专栏
数据
1 篇文章
0 订阅
订阅专栏
简介
背景
Pandas 是 Python 的一个工具库，用于数据分析。由 AQR Capital Management 于 2008 年 4 月开发，2009 年开源，最初被作为金融数据分析工具而开发出来。Pandas 名称来源于 panel data（面板数据）和 Python data analysis（Python 数据分析）。适用于金融、统计等数据分析领域。
特点：两大数据结构Series 和 DataFrame （1）Series：一维数据（列+索引）
pandas.Series(['东汉', '马腾', '?', 212], index=['国家', '姓名', '出生年份', '逝世年份'])（2）DataFrame：二维数据（表格：多个列+行/列索引）
pandas.DataFrame([ ['东汉', 300], ['魏国', 800], ['蜀国', 400], ['吴国', 600], ['西晋', 1000] ], columns=['国家', '国力']) 安装如果你使用的是数据科学的 Python 发行版：Anaconda，可以使用 conda 安装
conda install pandas如果是普通的 Python 环境，可以使用 pip 安装
pip install pandas 实战我们先看看数据长啥样，数据存在 sanguo.csv 文档中
$ head sanguo.csv（1）导入模块
import pandas as pd（2）读取 csv 数据
# 当前目录下的 sanguo.csv 文件，na_values 指定哪些值为空 df = pd.read_csv('./sanguo.csv', na_values=['na', '-', 'N/A', '?'])1）查看数据
# 查看前 5 条 df.head(5) # NaN 为空值 # 查看后 5 条 df.tail(5)2）查看数据概况
df.dtypes # 查看数据类型 df.info() # 有 25 行，5 列 # 各列的名称（kindom、name、birth、die、character）、非空数目、数据类型 df.describe() # 查看数值型列统计值：总数、平均值、标准差、最小值、25%/50%/75% 分位数、最大值3）数据操作 设置列名
df.columns = ['国家', '姓名', '出生年份', '逝世年份', '角色'] df.head()添加新列
# 计算年龄 df['年龄'] = df['逝世年份'] - df['出生年份'] df.head(10)计算列平均值、中位数、众数、最/小值
功能函数平均值df['年龄'].mean()50.57142857142857中位数df['年龄'].median()53.0众数df['年龄'].mode()72.0最大值df['年龄'].max()72.0最小值df['年龄'].min()12.0列筛选
# 筛选年轮小于 50 的数据 df[df['年龄'] < 50] # 筛选曹姓的数据 df[df['姓名'].str.startswith('曹')]分组
df.groupby('国家')['姓名'].count() # 类似于 SQL: SELECT 国家, COUNT(姓名) FROM x GROUP BY 国家apply 函数
df['状态'] = df['年龄'].apply(lambda x: '长寿' if isinstance(x, (int, float)) and x > 50 else '一般') df.head()取数据：loc、iloc
df.loc[4]取第 5 行数据（索引从 0 开始）df.loc[4:5]取第 5~6 行数据df.loc[4, '姓名']或 df.iloc[4, 1]取第 5 行姓名列或第 5 行第 2 列df.loc[4, ['姓名', '年龄']]或 df.iloc[4, [1, 5]]取第 5 行姓名、年龄列或第 5 行第 2 列、第 6 列df.loc[4:5, ['姓名', '年龄']]或 df.iloc[[4, 5], [1, 5]]或 df.iloc[4:6, [1, 5]]取第 5~6 行姓名、年龄列或取第 5~6 行第 2 列、第 6 列df.iloc[4:9, 1:4]取 5~10 列第 2~5 列追加、合并数据 concat
# 创建列 newpeople = pd.Series(['东汉', '马腾', '?', 212, '?'], index=['国家', '姓名', '出生年份', '逝世年份', '年龄']) # 将 Series 转为 DataFrame，并对 DataFrame 转置（列转行） newpeople = newpeople.to_frame().T # 追加行（axis=0），重置索引（ignore_index=True） df2 = pd.concat([df, newpeople], axis=0, ignore_index=True) df2.tail()merge
# 创建表格 kindom_power = pd.DataFrame([ ['东汉', 300], ['魏国', 800], ['蜀国', 400], ['吴国', 600], ['西晋', 1000] ], columns=['国家', '国力']) # 按国家列进行两个表格（左 df，右 kindom_power）合并 df3 = pd.merge(left=df, right=kindom_power, on='国家') df3.head(10)4）导出数据
# 写入 sanguo_result.csv 中，不输出索引值 df.to_csv('sanguo_result.csv', index=False) 参考 https://pandas.pydata.org/https://www.runoob.com/pandas/pandas-tutorial.htmlhttps://github.com/xchenhao/code-notes/blob/master/data/sanguo.csv sanguo.csv 数据