Pandas 模糊查詢與替換的操作

主要用到的工具:Pandas 、fuzzywuzzy

Pandas:是基於numpy的一種工具,專門為分析大量數據而生,它包含大量的處理數據的函數和方法,

以下為pandas中文API:

縮寫和包導入

在這個速查手冊中,我們使用如下縮寫:

df:任意的Pandas DataFrame對象

s:任意的Pandas Series對象

同時我們需要做如下的引入:

import pandas as pd

import numpy as np

導入數據

pd.read_csv(filename):從CSV文件導入數據

pd.read_table(filename):從限定分隔符的文本文件導入數據

pd.read_excel(filename):從Excel文件導入數據

pd.read_sql(query, connection_object):從SQL表/庫導入數據

pd.read_json(json_string):從JSON格式的字符串導入數據

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():從你的粘貼板獲取內容,並傳給read_table()

pd.DataFrame(dict):從字典對象導入數據,Key是列名,Value是數據

導出數據

df.to_csv(filename):導出數據到CSV文件

df.to_excel(filename):導出數據到Excel文件

df.to_sql(table_name, connection_object):導出數據到SQL表

df.to_json(filename):以Json格式導出數據到文本文件

創建測試對象

pd.DataFrame(np.random.rand(20,5)):創建20行5列的隨機數組成的DataFrame對象

pd.Series(my_list):從可迭代對象my_list創建一個Series對象

df.index = pd.date_range(‘1900/1/30’, periods=df.shape[0]):增加一個日期索引

查看、檢查數據

df.head(n):查看DataFrame對象的前n行

df.tail(n):查看DataFrame對象的最後n行

df.shape():查看行數和列數

df.info():查看索引、數據類型和內存信息

df.describe():查看數值型列的匯總統計

s.value_counts(dropna=False):查看Series對象的唯一值和計數

df.apply(pd.Series.value_counts):查看DataFrame對象中每一列的唯一值和計數

數據選取

df[col]:根據列名,並以Series的形式返回列

df[[col1, col2]]:以DataFrame形式返回多列

s.iloc[0]:按位置選取數據

s.loc[‘index_one’]:按索引選取數據

df.iloc[0,:]:返回第一行

df.iloc[0,0]:返回第一列的第一個元素

df.values[:,:-1]:返回除瞭最後一列的其他列的所以數據

df.query(‘[1, 2] not in c’): 返回c列中不包含1,2的其他數據集

數據清理

df.columns = [‘a’,’b’,’c’]:重命名列名

pd.isnull():檢查DataFrame對象中的空值,並返回一個Boolean數組

pd.notnull():檢查DataFrame對象中的非空值,並返回一個Boolean數組

df.dropna():刪除所有包含空值的行

df.dropna(axis=1):刪除所有包含空值的列

df.dropna(axis=1,thresh=n):刪除所有小於n個非空值的行

df.fillna(x):用x替換DataFrame對象中所有的空值

s.astype(float):將Series中的數據類型更改為float類型

s.replace(1,’one’):用‘one’代替所有等於1的值

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

df.rename(columns=lambda x: x + 1):批量更改列名

df.rename(columns={‘old_name’: ‘new_ name’}):選擇性更改列名

df.set_index(‘column_one’):更改索引列

df.rename(index=lambda x: x + 1):批量重命名索引

數據處理:Filter、Sort和GroupBy

df[df[col] > 0.5]:選擇col列的值大於0.5的行

df.sort_values(col1):按照列col1排序數據,默認升序排列

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

df.sort_values([col1,col2], ascending=[True,False]):先按列col1升序排列,後按col2降序排列數據

df.groupby(col):返回一個按列col進行分組的Groupby對象

df.groupby([col1,col2]):返回一個按多列進行分組的Groupby對象

df.groupby(col1)[col2]:返回按列col1進行分組後,列col2的均值

df.pivot_table(index=col1, values=[col2,col3], aggfunc=max):創建一個按列col1進行分組,並計算col2和col3的最大值的數據透視表

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

data.apply(np.mean):對DataFrame中的每一列應用函數np.mean

data.apply(np.max,axis=1):對DataFrame中的每一行應用函數np.max

數據合並

df1.append(df2):將df2中的行添加到df1的尾部

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

df1.join(df2,on=col1,how=’inner’):對df1的列和df2的列執行SQL形式的join

數據統計

df.describe():查看數據值列的匯總統計

df.mean():返回所有列的均值

df.corr():返回列與列之間的相關系數

df.count():返回每一列中的非空值的個數

df.max():返回每一列的最大值

df.min():返回每一列的最小值

df.median():返回每一列的中位數

df.std():返回每一列的標準差

以下為數據處理的代碼:

#!/usr/bin/python
# -*- encoding: utf-8 
import numpy as np
import pandas as pd
from fuzzywuzzy import fuzz
from fuzzywuzzy import process 
 
def enum_row(row):
 print(row['state']) #對state這一列做枚舉 
 
def find_state_code(row):
 if row['state'] != 0:  # 如果這個state的名字存在,就用state的名字與states列表中的值選擇一個最接近的,如果小於80分,直接舍棄,大於80才返回
 print(process.extractOne(row['state'], states, score_cutoff=80)) 
 
def capital(str): # 把str這個字符串,第一個字母大寫,其餘小寫
 return str.capitalize() 
 
def correct_state(row):
 if row['state'] != 0: # 如果這個state的名字存在,就用state的名字與states列表中的值選擇一個最接近的,如果小於80分,直接舍棄,大於80才返回
 state = process.extractOne(row['state'], states, score_cutoff=80)
 if state: # 如果為真,則找到瞭一個相關性的州名
  state_name = state[0] # 選擇用找到的這個州名數據
  return ' '.join(map(capital, state_name.split(' '))) # 先按空格分開(有的州名中間有空格)單詞,然後每個單詞首字母大寫
 return row['state'] 
 
def fill_state_code(row):
 if row['state'] != 0:
 state = process.extractOne(row['state'], states, score_cutoff=80)
 if state:
  state_name = state[0]
  return state_to_code[state_name] # 返回這個州名的value,即縮寫
 return '' 
 
if __name__ == "__main__":
 pd.set_option('display.width', 200) # 橫向最多顯示多少個字符, 一般80不適合橫向的屏幕,平時多用200.
 data = pd.read_excel('sales.xlsx', sheetname='sheet1', header=0) # 讀取excel表
 print('data.head() = \n', data.head()) # 默認顯示前五行
 print('data.tail() = \n', data.tail()) # tail顯示後五行
 print('data.dtypes = \n', data.dtypes) # 數據類型
 print('data.columns = \n', data.columns)# 顯示第一行行名
 for c in data.columns:
 print(c, end=' ') # 輸出第一行行名,中間以空格隔開
 print() #相當於回車
 data['total'] = data['Jan'] + data['Feb'] + data['Mar'] # Jan、Feb、Mar三列的值相加得到一個total
 print(data.head())
 print(data['Jan'].sum()) # Jan這一列的值相加
 print(data['Jan'].min()) # Jan這一列的最小值
 print(data['Jan'].max()) # Jan這一列的最大值
 print(data['Jan'].mean()) # Jan這一列的平均值
 
 print('=============')
 # 添加一行
 s1 = data[['Jan', 'Feb', 'Mar', 'total']].sum() # s1包含四個值,分別是這四列的和
 print(s1)
 s2 = pd.DataFrame(data=s1)
 print(s2)
 print(s2.T)
 print(s2.T.reindex(columns=data.columns)) # 將s2進行轉置輸出
 # 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時對每一列做變換,axis=1時對每一行做變換
 
 # 事先寫好以state為單位的編碼字典
 state_to_code = {"VERMONT": "VT", "GEORGIA": "GA", "IOWA": "IA", "Armed Forces Pacific": "AP", "GUAM": "GU",
   "KANSAS": "KS", "FLORIDA": "FL", "AMERICAN SAMOA": "AS", "NORTH CAROLINA": "NC", "HAWAII": "HI",
   "NEW YORK": "NY", "CALIFORNIA": "CA", "ALABAMA": "AL", "IDAHO": "ID",
   "FEDERATED STATES OF MICRONESIA": "FM",
   "Armed Forces Americas": "AA", "DELAWARE": "DE", "ALASKA": "AK", "ILLINOIS": "IL",
   "Armed Forces Africa": "AE", "SOUTH DAKOTA": "SD", "CONNECTICUT": "CT", "MONTANA": "MT",
   "MASSACHUSETTS": "MA",
   "PUERTO RICO": "PR", "Armed Forces Canada": "AE", "NEW HAMPSHIRE": "NH", "MARYLAND": "MD",
   "NEW MEXICO": "NM",
   "MISSISSIPPI": "MS", "TENNESSEE": "TN", "PALAU": "PW", "COLORADO": "CO",
   "Armed Forces Middle East": "AE",
   "NEW JERSEY": "NJ", "UTAH": "UT", "MICHIGAN": "MI", "WEST VIRGINIA": "WV", "WASHINGTON": "WA",
   "MINNESOTA": "MN", "OREGON": "OR", "VIRGINIA": "VA", "VIRGIN ISLANDS": "VI",
   "MARSHALL ISLANDS": "MH",
   "WYOMING": "WY", "OHIO": "OH", "SOUTH CAROLINA": "SC", "INDIANA": "IN", "NEVADA": "NV",
   "LOUISIANA": "LA",
   "NORTHERN MARIANA ISLANDS": "MP", "NEBRASKA": "NE", "ARIZONA": "AZ", "WISCONSIN": "WI",
   "NORTH DAKOTA": "ND",
   "Armed Forces Europe": "AE", "PENNSYLVANIA": "PA", "OKLAHOMA": "OK", "KENTUCKY": "KY",
   "RHODE ISLAND": "RI",
   "DISTRICT OF COLUMBIA": "DC", "ARKANSAS": "AR", "MISSOURI": "MO", "TEXAS": "TX", "MAINE": "ME"}
 states = list(state_to_code.keys()) # 把字典中的key拿出來放到states列表中
 print(fuzz.ratio('Python Package', 'PythonPackage')) #計算Python Package與PythonPackage的相似度
 print(process.extract('Mississippi', states)) # Mississippi與states中哪個最接近,並且列出相似比,不考慮大小寫
 print(process.extract('Mississipi', states, limit=1)) # limit=1代表隻取最接近的一個
 print(process.extractOne('Mississipi', states)) # extractOne代表隻取最接近的一個
 data.apply(find_state_code, axis=1) #apply表示對每一行(axis=1)的數據做find_state_code的變換
 
 print('Before Correct State:\n', data['state']) # 打印修改之前的state
 data['state'] = data.apply(correct_state, axis=1) # 檢測每一行,並對其修改
 print('After Correct State:\n', data['state'])
 data.insert(5, 'State Code', np.nan) # 插入State Code這一列,為這一列州名的縮寫
 data['State Code'] = data.apply(fill_state_code, axis=1)
 print(data)
 
 # group by
 print('==============group by================')
 print(data.groupby('State Code'))
 print('All Columns:\n')
 print(data.groupby('State Code').sum()) # 按州名縮寫劃分,並將同樣州名的數字相加
 print('Short Columns:\n')
 print(data[['State Code', 'Jan', 'Feb', 'Mar', 'total']].groupby('State Code').sum())
 
 # 寫入文件
 data.to_excel('sales_result.xls', sheet_name='Sheet1', index=False)

補充:pandas基於多條件文本模糊查詢,list,str.contains()

針對文本的模糊查詢可以用str.contains()進行,但是如果多條件呢,幾十個上百個,不能一個一個去查詢。

思路是

1.將多條件簡歷在一個列表裡

2.通過列表推導式加str.contains()函數和sum()函數求和

3.通過loc篩選出我們需要的本文的內容

創建

需要篩選的內容words列表,之後進行篩選、

下面顯示的是sum函數裡的內容的最後形式,1和2都相當於True,0代表False

有時間寫一個更簡單的的另一種多條件模糊篩選。

以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。如有錯誤或未考慮完全的地方,望不吝賜教。

推薦閱讀: