pandas数据处理进阶详解

技术  /  管理员 发布于 7年前   168

一、pandas的统计分析

1、关于pandas 的数值统计（统计detail 中的 单价的相关指标）

import pandas as pd # 加载数据detail = pd.read_excel("./meal_order_detail.xlsx")print("detail :\n", detail) print("detail 的列索引名称:\n", detail.columns)print("detail 的形状:\n", detail.shape)print("detail 数据类型:\n", detail.dtypes)  print("amounts 的最大值：\n",detail.loc[:,'amounts'].max())print("amounts 的最小值：\n",detail.loc[:,'amounts'].min())print("amounts 的均值：\n",detail.loc[:,'amounts'].mean())print("amounts 的中位数：\n",detail.loc[:,'amounts'].median())print("amounts 的方差：\n",detail.loc[:,'amounts'].var())print("amounts 的describe：\n",detail.loc[:,'amounts'].describe())# 对于两列的统计结果print("amounts 的describe：\n",detail.loc[:,['counts','amounts']].describe())print("amounts 的describe：\n",detail.loc[:,['counts','amounts']].describe())print("amounts 的describe：\n",detail.loc[:,'amounts'].describe())print("amounts 的describe：\n",detail.loc[:,'counts'].describe())print("amounts 的极差：\n",detail.loc[:,'amounts'].ptp())print("amounts 的标准差：\n",detail.loc[:,'amounts'].std())print("amounts 的众数：\n",detail.loc[:,'amounts'].mode()) # 返回众数的数组print("amounts 的众数：\n",detail.loc[:,'counts'].mode()) # 返回众数的数组print("amounts 的非空值的数目：\n",detail.loc[:,'amounts'].count())print("amounts 的最大值的位置：\n",detail.loc[:,'amounts'].idxmax()) # np.argmax()print("amounts 的最小值的位置：\n",detail.loc[:,'amounts'].idxmin()) # np.argmin()

2、pandas对于非数值型数据的统计分析

（1）对于dataframe转化数据类型，其他类型 转化为object类型

detail.loc[:,'amounts'] = detail.loc[:,'amounts'].astype('object')

（2）类别型数据

detail.loc[:,'amounts'] = detail.loc[:,'amounts'].astype('category')print("统计类别型数据的describe指标:\n",detail.loc[:, 'amounts'].describe())

（3）统计实例

## 在detail中 哪些菜品最火？菜品卖出了多少份？# 若白饭算菜detail.loc[:, 'dishes_name'] = detail.loc[:, 'dishes_name'].astype('category')print("按照dishes_name统计描述信息：\n", detail.loc[:, 'dishes_name'].describe()) # 若白饭不算菜 ---把白饭删除，再统计# drop labels ---行的名称， axis =0,inplace = True# 行的名称？？？ 怎么获取----bool值# 定位到白饭的行bool_id = detail.loc[:, 'dishes_name'] == '白饭/大碗' # 进行 获取行名称index = detail.loc[bool_id, :].index # 进行删除detail.drop(labels=index, axis=0, inplace=True) # 在进行转化类型detail.loc[:, 'dishes_name'] = detail.loc[:, 'dishes_name'].astype('category') # 在进行统计描述信息print("按照dishes_name统计描述信息：\n", detail.loc[:, 'dishes_name'].describe()) # 看 在detail 中那个订单点的菜最多，点了多少份菜？# 将 order_id 转化为类别型数据 ，再 进行describedetail.loc[:, 'order_id'] = detail.loc[:, 'order_id'].astype("category")# 统计描述print("按照order_id统计描述信息为:\n", detail.loc[:, 'order_id'].describe())

二、pandas时间数据

• datetime64[ns] ---numpy 里面的时间点类
• Timestamp ---pandas 默认的时间点类型----封装了datetime64[ns]
• DatetimeIndex ---pandas 默认支持的时间序列结构

1、可以通过 pd.to_datetime 将时间点数据转化为pandas默认支持的时间点数据

res = pd.to_datetime("2016/01/01")print("res:\n",res)print("res 的类型：\n",type(res))

 2、时间序列转化 --可以通过pd.to_datetime 或者pd.DatetimeIndex将时间序列转化为pandas默认支持的时间序列结构

res = pd.to_datetime(['2016-01-01', '2016-01-01', '2016-01-01', '2011-01-01'])res1 = pd.DatetimeIndex(['2016-01-01', '2016-01-02', '2016-02-05', '2011-09-01'])print("res:\n", res)print("res 的类型：\n", type(res)) print("res1:\n", res1)print("res1 的类型：\n", type(res1))

3、

import pandas as pd# #加载数据detail = pd.read_excel("./meal_order_detail.xlsx")# print("detail :\n",detail)print("detail 的列索引名称:\n", detail.columns)print("detail 的形状:\n", detail.shape)# print("detail 数据类型:\n",detail.dtypes)print("*" * 80)# 获取place_order_time列print(detail.loc[:, 'place_order_time']) # 转化为pandas默认支持的时间序列结构detail.loc[:, 'place_order_time'] = pd.to_datetime(detail.loc[:, 'place_order_time']) # print(detail.dtypes)print("*" * 80) # 获取该时间序列的属性---可以通过列表推导式来获取时间点的属性year = [i.year for i in detail.loc[:, 'place_order_time']]print("年：\n", year) month = [i.month for i in detail.loc[:, 'place_order_time']]print("月：\n", month) day = [i.day for i in detail.loc[:, 'place_order_time']]print("日：\n", day) quarter = [i.quarter for i in detail.loc[:, 'place_order_time']]print("季度：\n", quarter) # 返回对象weekday = [i.weekday for i in detail.loc[:, 'place_order_time']]print("周几：\n", weekday) weekday_name = [i.weekday_name for i in detail.loc[:, 'place_order_time']]print("周几：\n", weekday_name) is_leap_year = [i.is_leap_year for i in detail.loc[:, 'place_order_time']]print("是否闰年：\n", is_leap_year)

4、时间加减

import pandas as pdres = pd.to_datetime("2016-01-01")print("res:\n", res)print("res 的类型：\n", type(res)) print("时间推后一天：\n", res + pd.Timedelta(days=1))print("时间推后一小时：\n", res + pd.Timedelta(hours=1)) detail.loc[:, 'place_over_time'] = detail.loc[:, 'place_order_time'] + pd.Timedelta(days=1)print(detail) ## 时间差距计算res = pd.to_datetime('2019-10-9') - pd.to_datetime('1996-11-07')print(res)

5、获取本机可以使用的最初时间 和最后使用的时间节点

print(pd.Timestamp.min)print(pd.Timestamp.max)

三、分组聚合

import pandas as pdimport numpy as np # 加载数据users = pd.read_excel("./users.xlsx")print("users:\n", users)print("users 的列索引：\n", users.columns)print("users 的数据类型：\n", users.dtypes) # 根据班级分组、统计学员的班级的平均年龄# groupby 分组# by ---指定分组的列，可以是单列 也可以是多列# res = users.groupby(by='ORGANIZE_NAME')['age'].mean()# 按照单列进行分组，统计多个列的指标# res = users.groupby(by='ORGANIZE_NAME')[['age','USER_ID']].mean()res = users.groupby(by=['ORGANIZE_NAME', 'poo', 'sex'])['age'].mean()print(res) # 利用agg# 进行同时对age 求平均值、对userid 求最大值# 只需要指定 np.方法名print(users.agg({'age': np.mean, 'USER_ID': np.max})) # 对age 和 USER_ID 同时分别求 和 和均值print(users[['age', 'USER_ID']].agg([np.sum, np.mean])) # 对age USER_ID 求取不同个数的统计指标print(users.agg({'age': np.min, 'USER_ID': [np.mean, np.sum]}))  def hh(x): return x + 1  # 自定义函数进行计算# res = users['age'].apply(hh)# res = users[['age','USER_ID']].apply(lambda x:x+1)res = users['age'].transform(lambda x: x + 1)# 不能进行跨列的运算print(res)

四、透视表与交叉表

import pandas as pd # 加载数据detail = pd.read_excel("./meal_order_detail.xlsx")print("detail :\n", detail)print("detail 的列名：\n", detail.columns)print("detail 的数据类型：\n", detail.dtypes) # 获取时间点的日属性# 必须pandas默认支持的时间序列类型detail.loc[:, 'place_order_time'] = pd.to_datetime(detail.loc[:, 'place_order_time']) # 以列表推导式来获取日属性detail.loc[:, 'day'] = [i.day for i in detail.loc[:, 'place_order_time']] # 透视表 是一种plus 版的分组聚合# 创建一个透视表# data dataframe数据# values 最终统计指标所针对对象，要关心的数据主体# index --按照index 进行行分组# columns ---按照columns进行列分组# aggfunc ---对主体 进行什么指标的统计 # res = pd.pivot_table(data=detail[['amounts','order_id','counts','dishes_name','day']],values='amounts',columns=['day','counts'],index=['order_id','dishes_name'],aggfunc='mean',margins=True)# # print(res)# res.to_excel("./hh.xlsx") # 交叉表 mini版的透视表# 如果只传index 与columns 统计这两列的相对个数# res = pd.crosstab(index=detail['counts'],columns=detail['amounts'])# values 必须和aggfunc同时存在res = pd.crosstab(index=detail['order_id'],columns=detail['counts'],values=detail['amounts'],aggfunc='mean')print(res)

五、案例

1、营业额案例

import pandas as pd # detail 有时间数据 # 加载数据detail = pd.read_excel("./meal_order_detail.xlsx")print("detail :\n", detail)print("detail 的列名：\n", detail.columns)print("detail 的数据类型：\n", detail.dtypes) # 计算每个菜品的销售额 ，增加到detaildetail.loc[:, 'pay'] = detail.loc[:, 'counts'] * detail.loc[:, 'amounts'] # print(detail) # 获取时间点的日属性# 必须pandas默认支持的时间序列类型detail.loc[:, 'place_order_time'] = pd.to_datetime(detail.loc[:, 'place_order_time']) # 以列表推导式来获取日属性detail.loc[:, 'day'] = [i.day for i in detail.loc[:, 'place_order_time']]# print(detail)# 以 日 为分组 ，统计pay的sumres = detail.groupby(by='day')['pay'].sum()print(res)# print(type(res)) df = pd.DataFrame(res.values, columns=['monty'], index=res.index)print(df)print(type(df))

 2、连锁超市案例

import pandas as pd # 加载数据order = pd.read_csv("./order.csv", encoding='ansi')print("order:\n", order)print("order 的列索引：\n", order.columns) # 1、哪些类别的商品比较畅销？# 剔除销量 < 0 的数据 （保留销量 >0 的数据）# 保存bool_id = order.loc[:, '销量'] > 0data = order.loc[bool_id, :] # 剔除异常数据之后的正常数据 print(data.shape)print("*" * 80) # 删除异常# bool_id = order.loc[:,'销量'] <= 0# index = order.loc[bool_id,:].index## data = order.drop(labels=index,axis=0,inplace=False) # 按照类别进行分组，统计销量的 和# 进行dataframe或者series的值排序# 如果series sort_values()直接按照seies的值进行排序# 如果df 那么需要指定 按照哪一列进行排序，by= 列名 # 默认是升序ascending=True# ascending=False 降序# res = data.groupby(by='类别ID')['销量'].sum().sort_values(ascending=False)## print(res) # 2、哪些商品比较畅销？# 分组聚合实现# res = data.groupby(by='商品ID')['销量'].sum().sort_values(ascending=False).head(10)## print(res) # 透视表实现# res = pd.pivot_table(data=data.loc[:, ['商品ID', '销量']], index='商品ID', values='销量', aggfunc='sum').sort_values(by='销量',#    ascending=False).head(#  10)# print(res)  # 3、求不同门店的销售额占比# 提示：订单中没有销售额字段，所有需要新增一个销售额字段。增加字段后按照门店编号进行分组，然后计算占比。 # # 先计算销售额# data.loc[:,'销售额'] = data.loc[:,'单价'] * data.loc[:,'销量']## # 按照门店编号进行分组统计销售额的sum# res = data.groupby(by='门店编号')['销售额'].sum()# # print(res)# # 计算所有的销售额总和# all_ = res.sum()## # print(all_)# per_ = res / all_## print("各个门店的销售额占比为：\n",per_.apply(lambda x:format(x,".2%"))) # a = 100.105# print("%.2f"%a) # print("{}%".format(2.0)) # 匿名函数# print(lambda x:x+5) ### def add(x):# #  return x+5 # 4、哪段时间段是超市的客流高峰期？# 提示：需要知道每个时间段对应的客流量，但是订单表中既有日期又有时间，我们需要从中提出小时数，这里利用订单ID去重计数代表客流量。 # 先对订单去重# subset 去重的那一列 的列名，可以是多列，多列的时候传列表data.drop_duplicates(subset='订单ID', inplace=True) # print(data.shape) # 按照小时分组对订单ID进行统计数量 # 将成交时间转化为 pandas默认支持的时间序列类型data.loc[:, '成交时间'] = pd.to_datetime(data.loc[:, '成交时间']) # 获取小时属性，增加到data 中 data.loc[:, 'hour'] = [i.hour for i in data.loc[:, '成交时间']] # print(data) # 按照hour 分组 统计 订单ID数量 res = data.groupby(by='hour')['订单ID'].count().sort_values(ascending=False) print(res)

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。