python数据分析笔记数据加载与整理

作者   张俊红

本文为 CDA 志愿者张俊红原创作品，转载需授权

导入文本数据

1、导入文本格式数据（CSV）的方法：

方法一：使用 pd.read_csv()，默认打开 csv 文件。

9、10、11 行三种方式均可以导入文本格式的数据。

特殊说明：第 9 行使用的条件是运行文件.py 需要与目标文件 CSV 在一个文件夹中的时候可以只写文件名。第 10 和 11 行中文件名 ex1.CSV 前面的部分均为文件的路径。

方法二：使用 pd.read.table(),需要指定是什么样分隔符的文本文件。用 sep=””来指定。

2、当文件没有标题行时

可以让 pandas 为其自动分配默认的列名。

也可以自己定义列名。

3、将某一列作为索引，比如使用 message 列做索引。通过 index_col 参数指定’message’。

4、要将多个列做成一个层次化索引，只需传入由列编号或列名组成的列表即可。

5、文本中缺失值处理，缺失数据要么是没有（空字符串），要么是用某个标记值表示的，默认情况下，pandas 会用一组经常出现的标记值进行识别，如 NA 、NULL 等。查找出结果以 NAN 显示。

6、逐块读取文本文件

如果只想读取几行（避免读取整个文件），通过 nrows 进行制定即可。

7、对于不是使用固定分隔符分割的表格，可以使用正则表达式来作为 read_table 的分隔符。

（’s+’是正则表达式中的字符）。

导入 JSON 数据

JSON 数据是通过 HTTP 请求在 Web 浏览器和其他应用程序之间发送数据的标注形式之一。通过 json.loads 即可将 JSON 对象转换成 Python 对象。（import  json）

对应的json.dumps则将Python对象转换成JSON格式。

导入 EXCEL 数据

直接使用 read_excel（文件名路径）进行获取，与读取 CSV 格式的文件类似。

导入数据库数据

主要包含两种数据库文件，一种是 SQL 关系型数据库数据，另一种是非 SQL 型数据库数据即 MongoDB 数据库文件。

数据库文件是这几种里面比较难的，本人没有接触数据库文件，没有亲测，所以就不贴截图了。

合并数据集

1、数据库风格的合并

数据库风格的合并与 SQL 数据库中的连接（ join ）原理一样。通过调用 merge 函数即可进行合并。

当没有指明用哪一列进行连接时，程序将自动按重叠列的列名进行连接，上述语句就是按重叠列“key”列进行连接。也可以通过 on 来指定连接列进行连接。

当两个对象的列名不同时，即两个对象没有共同列时，也可以分别进行指定。

Left_on 是指左侧 DataFrame 中用作连接的列。

right_on 是指右侧 DataFrame 中用作连接的列。

通过上面的语句得到的结果里面只有 a 和 b 对应的数据，c 和 d 以及与之相关的数据被消去，这是因为默认情况下，merge 做的是‘inner’连接，即 sql 中的内连接，取得两个对象的交集。也有其他方式连接：left、right、outer。用“how”来指明。

也可以根据多个键（列）进行合并，用 on 传入一个由列名组成的列表即可。

2、索引上的合并

（1）普通索引的合并

Left_index 表示将左侧的行索引引用做其连接键

right_index 表示将右侧的行索引引用做其连接键

上面两个用于 DataFrame 中的连接键位于其索引中，可以使用 Left_index=True 或 right_index=True 或两个同时使用来进行键的连接。

（2）层次化索引

与数据库中用 on 来根据多个键合并一样。

3、轴向连接（合并）

轴向连接，默认是在轴方向进行连接，也可以通过 axis=1 使其进行横向连接。

（1）对于 numpy 对象（数组）可以用 numpy 中的 concatenation 函数进行合并。

（2）对于 pandas 对象（如 Series 和 DataFrame）,可以 pandas 中的 concat 函数进行合并。

4、合并重叠数据

对于索引全部或部分重叠的两个数据集，我们可以使用 numpy 的 where 函数来进行合并，where 函数相当于 ifelse 函数。

对于重复的数据显示出相同的数据，而对于不同的数据显示 a 列表的数据。同时也可以使用 combine_first 的方法进行合并。合并原则与 where 函数一致，遇到相同的数据显示相同数据，遇到不同的显示a列表数据。

重塑数据集

1、旋转数据

（1）重塑索引、分为 stack （将数据的列旋转为行）和 unstack （将数据的行旋转为列）。

（2）将‘长格式’旋转为‘宽格式’

2、转换数据

（1）数据替换，将某一值或多个值用新的值进行代替。（比较常用的是缺失值或异常值处理，缺失值一般都用 NULL 、NAN 标记，可以用新的值代替缺失标记值）。方法是 replace。

一对一替换：用 np.nan 替换 -999

多对一替换：用 np.nan 替换 -999 和 -1000.

多对多替换：用 np.nan 代替 -999,0 代替 -1000.

也可以使用字典的形式来进行替换。

（2）离散化或面元划分，即根据某一条件将数据进行分组。

利用 pd.cut（）方式对一组年龄进行分组。

默认情况下，cut 对分组条件的左边是开着的状态，右边是闭合状态。可以用 left（right）=False 来设置哪边是闭合的。

清理数据集

主要是指清理重复值，DataFrame 中经常会出现重复行，清理数据主要是针对这些重复行进行清理。

利用 drop_duplicates 方法，可以返回一个移除了重复行的 DataFrame.

默认情况下，此方法是对所有的列进行重复项清理操作，也可以用来指定特定的一列或多列进行。

默认情况下，上述方法保留的是第一个出现的值组合，传入 take_last=true 则保留最后一个。