Pandas 模糊查询与替换的操作

2023-07-04 17:28:08 284

主要用到的工具：Pandas、fuzzywuzzy

Pandas:是基于numpy的一种工具，专门为分析大量数据而生，它包含大量的处理数据的函数和方法，

以下为pandas中文API：

缩写和包导入

在这个速查手册中，我们使用如下缩写：

df：任意的PandasDataFrame对象

s：任意的PandasSeries对象

同时我们需要做如下的引入：

importpandasaspd

importnumpyasnp

导入数据

pd.read_csv(filename)：从CSV文件导入数据

pd.read_table(filename)：从限定分隔符的文本文件导入数据

pd.read_excel(filename)：从Excel文件导入数据

pd.read_sql(query,connection_object)：从SQL表/库导入数据

pd.read_json(json_string)：从JSON格式的字符串导入数据

pd.read_html(url)：解析URL、字符串或者HTML文件，抽取其中的tables表格

pd.read_clipboard()：从你的粘贴板获取内容，并传给read_table()

pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据

导出数据

df.to_csv(filename)：导出数据到CSV文件

df.to_excel(filename)：导出数据到Excel文件

df.to_sql(table_name,connection_object)：导出数据到SQL表

df.to_json(filename)：以Json格式导出数据到文本文件

创建测试对象

pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象

pd.Series(my_list)：从可迭代对象my_list创建一个Series对象

df.index=pd.date_range('1900/1/30',periods=df.shape[0])：增加一个日期索引

查看、检查数据

df.head(n)：查看DataFrame对象的前n行

df.tail(n)：查看DataFrame对象的最后n行

df.shape()：查看行数和列数

df.info()：查看索引、数据类型和内存信息

df.describe()：查看数值型列的汇总统计

s.value_counts(dropna=False)：查看Series对象的唯一值和计数

df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数

数据选取

df[col]：根据列名，并以Series的形式返回列

df[[col1,col2]]：以DataFrame形式返回多列

s.iloc[0]：按位置选取数据

s.loc['index_one']：按索引选取数据

df.iloc[0,:]：返回第一行

df.iloc[0,0]：返回第一列的第一个元素

df.values[:,:-1]:返回除了最后一列的其他列的所以数据

df.query('[1,2]notinc'):返回c列中不包含1，2的其他数据集

数据清理

df.columns=['a','b','c']：重命名列名

pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组

pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组

df.dropna()：删除所有包含空值的行

df.dropna(axis=1)：删除所有包含空值的列

df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行

df.fillna(x)：用x替换DataFrame对象中所有的空值

s.astype(float)：将Series中的数据类型更改为float类型

s.replace(1,'one')：用‘one'代替所有等于1的值

s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3

df.rename(columns=lambdax:x+1)：批量更改列名

df.rename(columns={'old_name':'new_name'})：选择性更改列名

df.set_index('column_one')：更改索引列

df.rename(index=lambdax:x+1)：批量重命名索引

数据处理：Filter、Sort和GroupBy

df[df[col]>0.5]：选择col列的值大于0.5的行

df.sort_values(col1)：按照列col1排序数据，默认升序排列

df.sort_values(col2,ascending=False)：按照列col1降序排列数据

df.sort_values([col1,col2],ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据

df.groupby(col)：返回一个按列col进行分组的Groupby对象

df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象

df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值

df.pivot_table(index=col1,values=[col2,col3],aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表

df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值

data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean

data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max

数据合并

df1.append(df2)：将df2中的行添加到df1的尾部

df.concat([df1,df2],axis=1)：将df2中的列添加到df1的尾部

df1.join(df2,on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join

数据统计

df.describe()：查看数据值列的汇总统计

df.mean()：返回所有列的均值

df.corr()：返回列与列之间的相关系数

df.count()：返回每一列中的非空值的个数

df.max()：返回每一列的最大值

df.min()：返回每一列的最小值

df.median()：返回每一列的中位数

df.std()：返回每一列的标准差

以下为数据处理的代码：

#!/usr/bin/python
#-*-encoding:utf-8
importnumpyasnp
importpandasaspd
fromfuzzywuzzyimportfuzz
fromfuzzywuzzyimportprocess

defenum_row(row):
print(row['state'])#对state这一列做枚举

deffind_state_code(row):
ifrow['state']!=0:#如果这个state的名字存在，就用state的名字与states列表中的值选择一个最接近的，如果小于80分，直接舍弃，大于80才返回
print(process.extractOne(row['state'],states,score_cutoff=80))

defcapital(str):#把str这个字符串，第一个字母大写，其余小写
returnstr.capitalize()

defcorrect_state(row):
ifrow['state']!=0:#如果这个state的名字存在，就用state的名字与states列表中的值选择一个最接近的，如果小于80分，直接舍弃，大于80才返回
state=process.extractOne(row['state'],states,score_cutoff=80)
ifstate:#如果为真，则找到了一个相关性的州名
state_name=state[0]#选择用找到的这个州名数据
return''.join(map(capital,state_name.split('')))#先按空格分开（有的州名中间有空格）单词，然后每个单词首字母大写
returnrow['state']

deffill_state_code(row):
ifrow['state']!=0:
state=process.extractOne(row['state'],states,score_cutoff=80)
ifstate:
state_name=state[0]
returnstate_to_code[state_name]#返回这个州名的value，即缩写
return''

if__name__=="__main__":
pd.set_option('display.width',200)#横向最多显示多少个字符，一般80不适合横向的屏幕，平时多用200.
data=pd.read_excel('sales.xlsx',sheetname='sheet1',header=0)#读取excel表
print('data.head()=\n',data.head())#默认显示前五行
print('data.tail()=\n',data.tail())#tail显示后五行
print('data.dtypes=\n',data.dtypes)#数据类型
print('data.columns=\n',data.columns)#显示第一行行名
forcindata.columns:
print(c,end='')#输出第一行行名，中间以空格隔开
print()#相当于回车
data['total']=data['Jan']+data['Feb']+data['Mar']#Jan、Feb、Mar三列的值相加得到一个total
print(data.head())
print(data['Jan'].sum())#Jan这一列的值相加
print(data['Jan'].min())#Jan这一列的最小值
print(data['Jan'].max())#Jan这一列的最大值
print(data['Jan'].mean())#Jan这一列的平均值

print('=============')
#添加一行
s1=data[['Jan','Feb','Mar','total']].sum()#s1包含四个值，分别是这四列的和
print(s1)
s2=pd.DataFrame(data=s1)
print(s2)
print(s2.T)
print(s2.T.reindex(columns=data.columns))#将s2进行转置输出
#即：
s=pd.DataFrame(data=data[['Jan','Feb','Mar','total']].sum()).T
s=s.reindex(columns=data.columns,fill_value=0)
print(s)
data=data.append(s,ignore_index=True)
data=data.rename(index={15:'Total'})
print(data.tail())

#apply的使用
print('==============apply的使用==========')
data.apply(enum_row,axis=1)#axis=0时对每一列做变换，axis=1时对每一行做变换

#事先写好以state为单位的编码字典
state_to_code={"VERMONT":"VT","GEORGIA":"GA","IOWA":"IA","ArmedForcesPacific":"AP","GUAM":"GU",
"KANSAS":"KS","FLORIDA":"FL","AMERICANSAMOA":"AS","NORTHCAROLINA":"NC","HAWAII":"HI",
"NEWYORK":"NY","CALIFORNIA":"CA","ALABAMA":"AL","IDAHO":"ID",
"FEDERATEDSTATESOFMICRONESIA":"FM",
"ArmedForcesAmericas":"AA","DELAWARE":"DE","ALASKA":"AK","ILLINOIS":"IL",
"ArmedForcesAfrica":"AE","SOUTHDAKOTA":"SD","CONNECTICUT":"CT","MONTANA":"MT",
"MASSACHUSETTS":"MA",
"PUERTORICO":"PR","ArmedForcesCanada":"AE","NEWHAMPSHIRE":"NH","MARYLAND":"MD",
"NEWMEXICO":"NM",
"MISSISSIPPI":"MS","TENNESSEE":"TN","PALAU":"PW","COLORADO":"CO",
"ArmedForcesMiddleEast":"AE",
"NEWJERSEY":"NJ","UTAH":"UT","MICHIGAN":"MI","WESTVIRGINIA":"WV","WASHINGTON":"WA",
"MINNESOTA":"MN","OREGON":"OR","VIRGINIA":"VA","VIRGINISLANDS":"VI",
"MARSHALLISLANDS":"MH",
"WYOMING":"WY","OHIO":"OH","SOUTHCAROLINA":"SC","INDIANA":"IN","NEVADA":"NV",
"LOUISIANA":"LA",
"NORTHERNMARIANAISLANDS":"MP","NEBRASKA":"NE","ARIZONA":"AZ","WISCONSIN":"WI",
"NORTHDAKOTA":"ND",
"ArmedForcesEurope":"AE","PENNSYLVANIA":"PA","OKLAHOMA":"OK","KENTUCKY":"KY",
"RHODEISLAND":"RI",
"DISTRICTOFCOLUMBIA":"DC","ARKANSAS":"AR","MISSOURI":"MO","TEXAS":"TX","MAINE":"ME"}
states=list(state_to_code.keys())#把字典中的key拿出来放到states列表中
print(fuzz.ratio('PythonPackage','PythonPackage'))#计算PythonPackage与PythonPackage的相似度
print(process.extract('Mississippi',states))#Mississippi与states中哪个最接近，并且列出相似比，不考虑大小写
print(process.extract('Mississipi',states,limit=1))#limit=1代表只取最接近的一个
print(process.extractOne('Mississipi',states))#extractOne代表只取最接近的一个
data.apply(find_state_code,axis=1)#apply表示对每一行（axis=1）的数据做find_state_code的变换

print('BeforeCorrectState:\n',data['state'])#打印修改之前的state
data['state']=data.apply(correct_state,axis=1)#检测每一行，并对其修改
print('AfterCorrectState:\n',data['state'])
data.insert(5,'StateCode',np.nan)#插入StateCode这一列，为这一列州名的缩写
data['StateCode']=data.apply(fill_state_code,axis=1)
print(data)

#groupby
print('==============groupby================')
print(data.groupby('StateCode'))
print('AllColumns:\n')
print(data.groupby('StateCode').sum())#按州名缩写划分，并将同样州名的数字相加
print('ShortColumns:\n')
print(data[['StateCode','Jan','Feb','Mar','total']].groupby('StateCode').sum())

#写入文件
data.to_excel('sales_result.xls',sheet_name='Sheet1',index=False)

补充：pandas基于多条件文本模糊查询，list，str.contains()

针对文本的模糊查询可以用str.contains()进行，但是如果多条件呢，几十个上百个，不能一个一个去查询。

思路是

1.将多条件简历在一个列表里

2.通过列表推导式加str.contains()函数和sum()函数求和

3.通过loc筛选出我们需要的本文的内容

创建

需要筛选的内容words列表，之后进行筛选、

下面显示的是sum函数里的内容的最后形式，1和2都相当于True，0代表False

有时间写一个更简单的的另一种多条件模糊筛选。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持毛票票。如有错误或未考虑完全的地方，望不吝赐教。

声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。