跳到主要内容

Pandas 数据处理技巧

· 阅读需 9 分钟
hoAeZ8
mvzySu

1. 导入 Pandas 库​

import pandas as pd

2. 读取 CSV 文件​

df = pd.read_csv('data.csv')

3. 查看数据前几行​

df.head()

4. 查看数据列信息​

df.columns

5. 查看数据基本信息​

df.info()

6. 查看数据描述统计信息​

df.describe()

7. 选择单列​

df['column_name']

8. 选择多列​

df[['column1', 'column2']]

9. 添加新列​

df['new_column'] = df['column1'] + df['column2']

10. 删除列​

df.drop('column_name', axis=1, inplace=True)

11. 选择行（基于索引）​

df.loc[0]

12. 选择行（基于条件）​

df[df['column_name'] > 10]

13. 更改列名​

df.rename(columns={'old_name': 'new_name'}, inplace=True)

14. 删除行​

df.drop(index=0, inplace=True)

15. 检查是否有缺失值​

df.isnull().sum()

16. 删除缺失值​

df.dropna(inplace=True)

17. 填充缺失值​

df.fillna(0, inplace=True)

18. 替换值​

df.replace(to_replace=10, value=20, inplace=True)

19. 数据类型转换​

df['column_name'] = df['column_name'].astype('float')

20. 排序数据​

df.sort_values(by='column_name', inplace=True)

21. 去重​

df.drop_duplicates(inplace=True)

22. 设置索引​

df.set_index('column_name', inplace=True)

23. 重置索引​

df.reset_index(inplace=True)

24. 合并数据框（内连接）​

pd.merge(df1, df2, on='common_column')

25. 合并数据框（左连接）​

pd.merge(df1, df2, on='common_column', how='left')

26. 合并数据框（右连接）​

pd.merge(df1, df2, on='common_column', how='right')

27. 合并数据框（外连接）​

pd.merge(df1, df2, on='common_column', how='outer')

28. 连接数据框（行）​

pd.concat([df1, df2], axis=0)

29. 连接数据框（列）​

pd.concat([df1, df2], axis=1)

30. 分组操作​

df.groupby('column_name').sum()

31. 聚合操作​

df.groupby('column_name').agg({'column1': 'sum', 'column2': 'mean'})

32. 过滤分组​

df.groupby('column_name').filter(lambda x: len(x) > 1)

33. 转换分组​

df.groupby('column_name').transform(lambda x: x.max() - x.min())

34. 透视表​

pd.pivot_table(df, values='value_column', index='index_column', columns='column_to_pivot', aggfunc='sum')

35. 交叉表​

pd.crosstab(df['row_column'], df['col_column'])

36. 滚动窗口操作​

df['column_name'].rolling(window=3).mean()

37. 扩大窗口操作​

df['column_name'].expanding().mean()

38. 时间序列重采样​

df.set_index('date_column').resample('M').sum()

39. 时间序列向前填充​

df['date_column'].ffill()

40. 时间序列向后填充​

df['date_column'].bfill()

41. 时间序列差分化​

df['column_name'].diff()

42. 时间序列百分比变化​

df['column_name'].pct_change()

43. 字符串操作（转换为大写）​

df['string_column'] = df['string_column'].str.upper()

44. 字符串操作（提取子字符串）​

df['string_column'] = df['string_column'].str[:3]

45. 字符串操作（替换子字符串）​

df['string_column'] = df['string_column'].str.replace('old_string', 'new_string')

46. 字符串操作（检测模式）​

df['string_column'].str.contains('pattern')

47. 字符串操作（分割字符串）​

df[['part1', 'part2']] = df['string_column'].str.split('delimiter', expand=True)

48. 字符串操作（获取长度）​

df['string_length'] = df['string_column'].str.len()

49. 布尔索引（单条件）​

df[df['column_name'] > 10]

50. 布尔索引（多条件）​

df[(df['column1'] > 10) & (df['column2'] < 20)]

51. 自定义函数应用​

df['new_column'] = df['column_name'].apply(lambda x: x**2)

52. 自定义函数应用（多列）​

df['new_column'] = df.apply(lambda row: row['column1'] + row['column2'], axis=1)

53. 数值型数据四舍五入​

df['column_name'] = df['column_name'].round(2)

54. 数值型数据向上取整​

df['column_name'] = df['column_name'].ceil()

55. 数值型数据向下取整​

df['column_name'] = df['column_name'].floor()

56. 数值型数据截断小数部分​

df['column_name'] = df['column_name'].astype(int)

57. 数据标准化（Z-score）​

from scipy.stats import zscore
df['standardized_column'] = zscore(df['column_name'])

58. 数据归一化（Min-Max）​

df['normalized_column'] = (df['column_name'] - df['column_name'].min()) / (df['column_name'].max() - df['column_name'].min())

59. 计算相关系数矩阵​

df.corr()

60. 计算协方差矩阵​

df.cov()

61. 数据框切片​

df.loc[0:10, 'column1':'column3']

62. 数据框条件切片(基于单个条件)​

基于单列条件的切片：

df[df['age'] > 30]

基于字符串条件的切片：

df[df['city'].str.startswith('New')]

63. 数据框条件切片（基于多个条件）​

基于多列条件的切片：

df[(df['age'] > 30) & (df['city'] == 'Chicago')]

基于数值范围条件的切片：

df[(df['age'] >= 25) & (df['age'] <= 45)]

基于日期条件的切片：

start_date = '2023-02-01'
end_date = '2023-04-01'
df[(df['date'] >= start_date) & (df['date'] <= end_date)]

带有 loc 函数：

df.loc[(df['column1'] > 10) & (df['column2'] < 20), 'column3':'column5']

64. 使用 query 方法进行条件筛选​

df.query('column1 > 10 and column2 < 20')

65. 数据框值计数​

df['column_name'].value_counts()

66. 数据框值频率​

df['column_name'].value_counts(normalize=True)

67. 数据框唯一值​

df['column_name'].unique()

68. 数据框唯一值计数​

df['column_name'].nunique()

69. 数据框样本抽取（无放回）​

df.sample(n=5)

70. 数据框样本抽取（有放回）​

df.sample(n=5, replace=True)

71. 数据框随机打乱​

df.sample(frac=1).reset_index(drop=True)

72. 数据框按列值排序（降序）​

df.sort_values(by='column_name', ascending=False, inplace=True)

73. 数据框按多列值排序​

df.sort_values(by=['column1', 'column2'], inplace=True)

74. 数据框按索引排序​

df.sort_index(inplace=True)

75. 数据框按等级排序​

df['ranked_column'] = pd.qcut(df['column_name'], q=4, labels=False)
df.sort_values(by='ranked_column', inplace=True)

76. 数据框等级划分​

pd.qcut(df['column_name'], q=4, labels=['low', 'medium_low', 'medium_high', 'high'])

77. 数据框等级划分（自定义区间）​

pd.cut(df['column_name'], bins=[0, 10, 20, 30, 40], labels=['low', 'medium', 'high', 'very_high'])

78. 数据框数据透视​

pd.pivot(df, index='index_column', columns='column_to_pivot', values='value_column')

79. 数据框数据透视（多重索引）​

pd.pivot_table(df, values='value_column', index=['index_column1', 'index_column2'], columns='column_to_pivot', aggfunc='sum')

80. 数据框数据重塑（宽格式转长格式）​

df.melt(id_vars=['id_column'], var_name='variable', value_name='value')

81. 数据框数据重塑（长格式转宽格式）​

df.pivot(index='id_column', columns='variable', values='value')

82. 数据框数据合并（按索引）​

pd.concat([df1, df2], join='inner', axis=0)

83. 数据框数据合并（按列）​

pd.concat([df1, df2], join='outer', axis=1)

84. 数据框数据合并（忽略索引）​

pd.concat([df1, df2], ignore_index=True)

85. 数据框数据合并（带有键）​

keys = ['df1', 'df2']
df_combined = pd.concat([df1, df2], keys=keys, names=['source', 'index'])

86. 数据框数据合并（分层列）​

df1.columns = pd.MultiIndex.from_tuples([('A', 'x'), ('A', 'y')])
df2.columns = pd.MultiIndex.from_tuples([('B', 'x'), ('B', 'y')])
pd.concat([df1, df2], axis=1)

87. 数据框数据合并（追加行）​

df.append(pd.DataFrame({'column1': [value1], 'column2': [value2]}), ignore_index=True)

88. 数据框数据合并（追加列）​

虽然通常不使用 append 来追加列，但可以通过重新分配列来实现：

df['new_column'] = [value1, value2, ...]

或者，如果新数据在另一个数据框中：

df = pd.concat([df, df_new_columns], axis=1)

（注意：df_new_columns 应只包含要添加的列）

89. 数据框数据分块读取（大文件）​

chunk_iter = pd.read_csv('large_file.csv', chunksize=1000)
for chunk in chunk_iter:
    # 处理每个块
    process(chunk)

90. 数据框数据分块写入（大文件）​

with pd.ExcelWriter('large_file.xlsx', engine='xlsxwriter') as writer:
    for chunk in chunk_iter:
        chunk.to_excel(writer, sheet_name='Sheet1', startrow=writer.book.sheets['Sheet1'].max_row, index=False)
提示

注意：这里 chunk_iter 是数据块的迭代器

91. 数据框数据压缩与解压缩​

压缩：

df.to_csv('compressed_file.csv.gz', compression='gzip')

解压缩：

df = pd.read_csv('compressed_file.csv.gz', compression='gzip')

92. 数据框数据导出到 Excel（多个工作表）​

with pd.ExcelWriter('multiple_sheets.xlsx') as writer:
    df1.to_excel(writer, sheet_name='Sheet1')
    df2.to_excel(writer, sheet_name='Sheet2')

93. 数据框数据导出到 SQL 数据库​

from sqlalchemy import create_engine
engine = create_engine('sqlite:///database.db')
df.to_sql('table_name', con=engine, if_exists='replace', index=False)

94. 从 SQL 数据库读取数据到数据框​

df = pd.read_sql('SELECT * FROM table_name', con=engine)

95. 数据框数据导出到 HTML​

df.to_html('output.html')

或者嵌入到 Jupyter Notebook 中：

df.to_html()

96. 数据框数据导出到 Markdown​

df.to_markdown('output.md')

97. 数据框数据导出到 JSON​

df.to_json('output.json', orient='records', lines=True)

98. 从 JSON 文件读取数据到数据框​

df = pd.read_json('input.json', orient='records', lines=True)

99. 数据框数据导出到 CSV（带有分隔符）​

df.to_csv('output.csv', sep=';')

100. 从 CSV 文件读取数据到数据框（带有分隔符）​

df = pd.read_csv('input.csv', sep=';')