用Python做数据分析之生成数据表

第一部分是生成数据表,常见的生成方法有两种,第一种是导入外部数据,第二种是直接写入数据。 Excel 中的文件菜单中提供了**外部数据的功能,支持数据库和文本文件和页面的多种数据源导入。

获取外部数据

python支持从多种类型的数据导入。在开始使用 python 进行数据导入前需要先导入 pandas 库,为了方便起见,我们也同时导入 numpy 库。

1 import numpy as np

2 import pandas as pd

导入数据表

下面分别是从 excel 和 csv 格式文件导入数据并创建数据表的方法。代码是最简模式,里面有很多可选参数设置,例如列名称,索引列,数据格式等等。感兴趣的朋友可以参考 pandas 的

官方文档。

1 df=pd.DataFrame(pd.read_csv('name.csv',header=1))

2 df=pd.DataFrame(pd.read_excel('name.xlsx'))

创建数据表

另一种方法是通过直接写入数据来生成数据表,excel 中直接在单元格中输入数据就可以,python 中通过下面的代码来实现。生成数据表的函数是 pandas 库中的 DateFrame 函数,数据表一共有 6 行数据,每行有 6 个字段。在数据中我们特意设置了一些 NA 值和有问题的字段,例如包含空格等。后面将在数据清洗步骤进行处理。后面我们将统一以DataFrame 的简称 df 来命名数据表。

1 df = pd.DataFrame({'id':[1001,1002,1003,1004,1005,1006],

2 'date':pd.date_range('20130102', periods=6),

3 'city':['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],

4 'age':[23,44,54,32,34,32],

5 'category':['100-A','100-B','110-A','110-C','210-A','130-F'],

6 'price':[1200,np.nan,2133,5433,np.nan,4432]},

7 columns =['id','date','city','category','age','price'])

这是刚刚创建的数据表,我们没有设置索引列,price 字段中包含有 NA 值,city字段中还包含了一些脏数据。

数据表检查

python中处理的数据量通常会比较大,所以就需要我们对数据表进行检查。比如我们之前的文章中介绍的纽约出租车数据和 Citibike 的骑行数据,数据量都在千万级,我们无法一目了然的了解数据表的整体情况,必须要通过一些方法来获得数据表的关键信息。数据表检查的另一个目的是了解数据的概况,例如整个数据表的大小,所占空间,数据格式,是否有空值和重复项和具体的数据内容。为后面的清洗和预处理做好准备。

数据维度(行列)

Excel中可以通过 CTRL 向下的光标键,和 CTRL 向右的光标键来查看行号和列号。Python 中使用 shape 函数来查看数据表的维度,也就是行数和列数,函数返回的结果(6,6)表示数据表有 6 行,6 列。下面是具体的代码。

1 #查看数据表的维度

2 df.shape

3 (6, 6)

数据表信息

使用 info 函数查看数据表的整体信息,这里返回的信息比较多,包括数据维度,列名称,数据格式和所占空间等信息。

1 #数据表信息

2 df.info()

4 <class 'pandas.core.frame.DataFrame'>

5 RangeIndex: 6 entries, 0 to 5

6 Data columns (total 6 columns):

7 id 6 non-null int64

8 date 6 non-null datetime64[ns]

9 city 6 non-null object

10 category 6 non-null object

11 age 6 non-null int64

12 price 4 non-null float64

13 dtypes: datetime64ns, float64(1), int64(2), object(2)

14 memory usage: 368.0 bytes

查看数据格式

Excel中通过选中单元格并查看开始菜单中的数值类型来判断数据的格式。Python 中使用 dtypes 函数来返回数据格式。

Dtypes是一个查看数据格式的函数,可以一次性查看数据表中所有数据的格式,也可以指定一列来单独查看。

1#查看数据表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看单列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel中查看空值的方法是使用"定位条件"功能对数据表中的空值进行定位。"定位条件"在"开始"目录下的"查找和选择"目录中。

Isnull是 Python 中检验空值的函数,返回的结果是逻辑值,包含空值返回 True,不包含则返回 False。可以对整个数据表进行检查,也可以单独对某一列进行空值检查。

df_isnull

1#检查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel中查看唯一值的方法是使用"条件格式"对唯一值进行颜色标记。Python 中使用 unique 函数查看唯一值。

Unique是查看唯一值的函数,只能对数据表中的特定列进行检查。下面是代码,返回的结果是该列中的唯一值。类似与 Excel 中删除重复项后的结果。

1 #查看 city 列中的唯一值

2 df['city'].unique()34array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看数据表数值

Python中的 Values 函数用来查看数据表中的数值。以数组的形式返回,不包含表头信息。

1#查看数据表的值

2df.values

3

4array([[1001, Timestamp('2013-01-02 00:00:00'), 'Beijing ', '100-A', 23,

5 1200.0],

6 [1002, Timestamp('2013-01-03 00:00:00'), 'SH', '100-B', 44, nan],

7 [1003, Timestamp('2013-01-04 00:00:00'), ' guangzhou ', '110-A', 54,

8 2133.0],

9 [1004, Timestamp('2013-01-05 00:00:00'), 'Shenzhen', '110-C', 32,

10 5433.0],

11 [1005, Timestamp('2013-01-06 00:00:00'), 'shanghai', '210-A', 34,

12 nan],

13 [1006, Timestamp('2013-01-07 00:00:00'), 'BEIJING ', '130-F', 32,

14 4432.0]], dtype=object)

查看列名称

Colums函数用来单独查看数据表中的列名称。

1 #查看列名称

2 df.columns

3

4 Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行数据

Head函数用来查看数据表中的前 N 行数据,默认 head()显示前10 行数据,可以自己设置参数值来确定查看的行数。下面的代码中设置查看前 3 行的数据。

1#查看前 3行数据``df.head(``3``)

Tail行数与 head 函数相反,用来查看数据表中后 N 行的数据,默认 tail()显示后 10 行数据,可以自己设置参数值来确定查看的行数。下面的代码中设置查看后 3 行的数据。

1#查看最后3 行df.tail(3)

文章来源:网络 版权归原作者所有

上文内容不用于商业目的,如涉及知识产权问题,请权利人联系小编,我们将立即处理

相关推荐
布呐呐na4 分钟前
C#基础篇(10)集合类之列表
开发语言·c#
Gq.xxu5 分钟前
RAG实战之dify源码文件解析-pdf文件解析流程
开发语言·python·pdf
Kyln.Wu6 分钟前
【python实用小脚本-131】Python 实现 HTML 到 PDF 转换:解决文档处理痛点的高效工具
python·pdf·html
JavaEdge在掘金20 分钟前
告别“作坊式”开发,CodeBuddy能否成为企业级AI编程的“银弹”?
python
lightqjx27 分钟前
【数据结构】复杂度分析
c语言·开发语言·数据结构·算法
sohoAPI33 分钟前
Flask快速入门
后端·python·flask
程序员小白条2 小时前
我的第二份实习,学校附近,但是干前端!
java·开发语言·前端·数据结构·算法·职场和发展
钟琛......2 小时前
java中父类和子类的成员变量可以重名吗
java·开发语言
沐知全栈开发2 小时前
PHP 超级全局变量
开发语言
Deng9452013145 小时前
基于Python的职位画像系统设计与实现
开发语言·python·文本分析·自然语言处理nlp·scrapy框架·gensim应用