首先导入pandas库，一般都会用到numpy库，所以我们先导入备用

import numpy as np
import pandas as pd

导入CSV或者xlsx文件

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

或者

import pandas as pd
from collections import namedtuple

Item = namedtuple('Item', 'reply pv')
items = []

with codecs.open('reply.pv.07', 'r', 'utf-8') as f: 
    for line in f:
        line_split = line.strip().split('\t')
        items.append(Item(line_split[0].strip(), line_split[1].strip()))

df = pd.DataFrame.from_records(items, columns=['reply', 'pv'])

用pandas创建数据表

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'])

数据表信息查看

    维度查看

    df.shape

    数据表基本信息（维度、列名称、数据格式、所占空间等）

    df.info()

    每一列数据的格式

    df.dtypes

    某一列格式

    df['B'].dtype

    判断空值

    df.isnull()

    查看某一列空值

    df['B'].isnull()

    查看某一列的唯一值

    df['B'].unique()

    查看数据表的值

    df.values

    查看列名称

    df.columns

    查看前5行数据、后5行数据

    df.head()
    df.tail()

数据表清洗

    用数字0填充空值

    df.fillna(value=0)

    使用列prince的均值对NA进行填充

    df['prince'].fillna(df['prince'].mean())

    清除city字段的字符空格

    df['city']=df['city'].map(str.strip)

    大小写转换

    df['city']=df['city'].str.lower()

    更改数据格式

    df['price'].astype('int')

    更改列名称

    df.rename(columns={'category': 'category-size'})

    删除后出现的重复值

    df['city'].drop_duplicates()

    删除先出现的重复值

    df['city'].drop_duplicates(keep='last')

    数据替换

    df['city'].replace('sh', 'shanghai')

数据预处理

    数据表合并

    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

    append

        result = df1.append(df2)

     join

        result = left.join(right, on='key')

    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)

设置索引列

    df_inner.set_index('id')

按照特定列的值排序

    df_inner.sort_values(by=['age'])

按照索引列排序

    df_inner.sort_index()

如果prince列的值>3000，group列显示high，否则显示low

    df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

对复合多个条件的数据进行分组标记

    df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

对category字段的值依次进行分列，并创建数据表，索引值为df_inner的索引列，列名称为category和size

    pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))

将完成分裂后的数据表和原df_inner数据表进行匹

    df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

按索引提取单行的数值

    df_inner.loc[3]

按索引提取区域行数值

    df_inner.iloc[0:5]

重设索引

    df_inner.reset_index()

设置日期为索引

    df_inner=df_inner.set_index('date')

提取4日之前的所有数据

    df_inner[:'2013-01-04']

使用iloc按位置区域提取数据

        df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。

适应iloc按位置单独提起数据

    df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列

使用ix按索引标签和位置混合提取数据

    df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前，前四列数据

判断city列的值是否为北京

    df_inner['city'].isin(['beijing'])

判断city列里是否包含beijing和shanghai，然后将符合条件的数据提取出来

    df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

提取前三个字符，并生成数据表

    pd.DataFrame(category.str[:3])

使用“与”进行筛选

    df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

使用“或”进行筛选

    df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age'])

使用“非”条件进行筛选

    df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

对筛选后的数据按city列进行计数

    df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

使用query函数进行筛选

    df_inner.query('city == ["beijing", "shanghai"]')

对筛选后的结果按prince进行求和

    df_inner.query('city == ["beijing", "shanghai"]').price.sum()

对所有的列进行计数汇总

    df_inner.groupby('city').count()

按城市对id字段进行计数

    df_inner.groupby('city')['id'].count()

对两个字段进行汇总计数

    df_inner.groupby(['city','size'])['id'].count()

对city字段进行汇总，并分别计算prince的合计和均值

    df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

简单的数据采样

    df_inner.sample(n=3)

手动设置采样权重

    weights = [0, 0, 0, 0, 0.5, 0.5]
    df_inner.sample(n=2, weights=weights)

采样后不放回

    df_inner.sample(n=6, replace=False)

采样后放回

    df_inner.sample(n=6, replace=True)

数据表描述性统计

    df_inner.describe().round(2).T #round函数设置显示小数位，T表示转置

计算列的标准差

    df_inner['price'].std()

计算两个字段间的协方差

    df_inner['price'].cov(df_inner['m-point'])

数据表中所有字段间的协方差

    df_inner.cov()

两个字段的相关性分析

    df_inner['price'].corr(df_inner['m-point']) #相关系数在-1到1之间，接近1为正相关，接近-1为负相关，0为不相关

数据表的相关性分析

    df_inner.corr()

写入Excel

    df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')

写入到CSV

    df_inner.to_csv('excel_to_python.csv')

原文