目錄

索引與分層索引

索引

分層索引

分層索引的切片

數(shù)據(jù)重塑

數(shù)據(jù)合并

merge()

join()?

concat()

數(shù)據(jù)的分組與聚合

自定義聚合函數(shù)

數(shù)據(jù)透視表

---

索引與分層索引

索引

• 查看索引：df.index
• 指定索引：df.index = [,] 個(gè)數(shù)必須一致
• 重置索引：df.reset_index(drop=True) 無需個(gè)數(shù)一致
• 指定某一列作為index：df.set_index("M",drop=False)
• 返回index的唯一值：df.set_index("M").index.unique()
• df.reset_index()：將分層索引層級(jí)移動(dòng)到列中

分層索引

分層索引是Pandas一個(gè)重要的特性，允許在一個(gè)軸上擁有多個(gè)所以層級(jí)。

分層索引的切片

?

數(shù)據(jù)重塑

數(shù)據(jù)合并

數(shù)據(jù)合并也就是說將多個(gè)數(shù)據(jù)集拼接在一起，但是合并的方式主要分為：pandas.merge,pandas.concat,df.join。以下，我們來詳細(xì)的介紹。

merge()

基于列進(jìn)行關(guān)聯(lián)，是最常用的一種方法。函數(shù)為

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None,left_index=False, right_index=False)

• left：拼接左側(cè)的DataFrame對(duì)象；
• right：拼接右側(cè)的DataFrame對(duì)象；
• on：待關(guān)聯(lián)的同名列名，存在于左右兩個(gè)DataFrame對(duì)象中；
• how：連接方式，inner（默認(rèn)），其他可選：outer、left、right ；
• left_on：左側(cè)DataFarme中用作連接鍵的列名；
• right_on：右側(cè)DataFarme中用作連接鍵的列；
• left_index：將左側(cè)的行索引用作其連接鍵；
• right_index：將右側(cè)的行索引用作其連接鍵；

join()?

join方法是基于index連接dataframe。join連接方法有內(nèi)連接，外連接，左連接和右連接，與merge一致。

concat()

另外一種常用的數(shù)據(jù)整合方法是concat，即我希望按照某種方式把兩個(gè)規(guī)整的數(shù)據(jù)集進(jìn)行拼接。拼接原型函數(shù)非常簡(jiǎn)單：

pd.concat(objs, axis=0, join='outer', keys=None)

• objs：帶拼接的數(shù)據(jù)集，通常以列表的形式傳入；
• join：可選inner、outer，含義同merge函數(shù)；
• keys：定義新的分組索引，用來區(qū)分傳入的數(shù)據(jù)集；

數(shù)據(jù)的分組與聚合

數(shù)據(jù)包含在Series、DataFrame數(shù)據(jù)結(jié)構(gòu)中，可以根據(jù)一個(gè)或多個(gè)鍵分離到各個(gè)組中。分組操作之后，一個(gè)函數(shù)就可以應(yīng)用到各個(gè)組中，產(chǎn)生新的值。如下圖則是簡(jiǎn)單的分組聚合過程。

• df.groupby('key')? ? ? ? ? ? ? ? ? ? ? ? ? ?key為指定分組的列

import pandas as pd import numpy as npdf1 = pd.DataFrame({"names":["菲菲","小可愛","mia","牛哥","老王","mia","狼人","藥水哥","藥水哥"],"classes":["一班","二班","三班"]*3,"grades":np.random.randint(60,100,size=9)} ) df1df1.groupby(by="classes")["grades"].mean()

聚合函數(shù)如下：

自定義聚合函數(shù)

實(shí)現(xiàn)步驟：

• 自定義函數(shù)
• 分組后通過apply，agg或者aggregate進(jìn)行聚合

def classes_ptp(x):return x.max()-x.min()df1.groupby(by="classes")["grades"].apply(classes_ptp) df1.groupby(by="classes")["grades"].agg(classes_ptp) df1.groupby(by="classes")["grades"].aggregate(classes_ptp)

數(shù)據(jù)透視表

• 一種可以對(duì)數(shù)據(jù)動(dòng)態(tài)排布并且分類匯總的表格格式
• pivot_table() 方法
• 不常用

總結(jié)

以上是生活随笔為你收集整理的Python数据分析6——数据规整的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。