Fork me on GitHub

数据处理基石-Pandas数据探索

Pandas数据初探索

本文介绍的是Pandas数据初探索。当我们生成或者导入了数据之后,通过数据的探索工作能够快速了解和认识数据基本信息,比如数据中字段的类型、索引、最值、缺失值等,可以让我们对数据的全貌有一个初步了解。

思维导图

模拟数据

本文中的方法介绍使用的是一份模拟数据,有字符型、数值型,还有时间类型;同时数据刻意存在了缺失值:

使用pandas的read_excel方法对数据进行读取:

同时生成一个Series类型数据:

数据样本

头尾数据查看

  • head(N):默认是头部5条,可以指定查看N条
  • tail(N):默认是尾部5条,可以指定查看N条

随机查看sample

默认是随机看一条数据,也可以指定查看的条数:

查看数据形状shape

在这里的形状指的是数据有多少行和多少列,通过查看数据的shape就能知道数据的大小

  • DataFrame类型:两个数值,表示行和列
  • Series类型:只有行数

数据大小size

数据大小表示的是数据中总共有多少个数据,即shape方法的结果中两个数值相乘

1
df.size  # 56=7*8

数据维度ndim

表示数据是多少维,比如二维,三维等

数据基本信息info

显示数据类型、索引情况、行列数、列属性名称、占用的内存等信息;Series数据没有该方法

数据类型dtypes

1
2
df.dtypes  # 每个列属性的数据类型
s.dtype # 没有s,结果一个类型

列属性和行索引

通过axes来查看;DataFrame数据既有行索引也有列名,Series数据只有行索引。

查看行索引

通过专门的index属性来查看行索引

查看列属性

1
df.columns

查看数据

两个方法或属性查看:

  • values
  • to_numpy()

查看缺失值

在数据帧中如果存在缺失值,则用True表示,否则取值为False:

查看内存情况memory_usage()

查看每列的内存使用情况,以字节为单位:

1
2
df.memory_usage()
s.memory_usage()

统计信息

描述信息只针对数值型的数据,可以看到该字段中数据的统计值信息

整体信息describe

返回的是数值型数据中的个数、均值、方差、四分位数等统计值情况

1
df.describe()

查看均值

一般 DataFrame 计算后为一个 Series,Series 计算后是一个具体的数值

下面的代码是按照列来计算均值:

1
2
3
4
5
6
7
8
df.mean()  # 按列计算

# 结果
age 21.714286
chinese 111.285714
math 117.000000
english 119.571429
dtype: float64

查看某个列的均值:

1
df["math"].mean()  # 117.0

下面的代码是按照行来计算均值:

1
2
3
4
5
6
7
8
9
10
df.mean(1)  # 按照行计算

0 89.50
1 96.25
2 87.50
3 93.50
4 89.25
5 95.50
6 95.25
dtype: float64

Pandas内置数学计算方法

Pandas中内置的多种数学计算函数

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
# 默认按照列0计算,1表示按照行计算

df.abs() # 绝对值
df.mode() # 众数
df.mean() # 返回所有列的均值
df.mean(1) # 返回所有行的均值
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, 贝塞尔校正的样本标准偏差
df.var() # 无偏方差
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.prod() # 连乘
df.mad() # 平均绝对偏差
df.cumprod() # 累积连乘,累乘
df.cumsum(axis=0) # 累积连加,累加
df.nunique() # 去重数量,不同值的量
df.sem() # 平均值的标准误差
df.idxmax() # 每列最大的值的索引名
df.idxmin() # 最小
df.cummin() # 累积最小值
df.cummax() # 累积最大值
df.skew() # 样本偏度 (第三阶)
df.kurt() # 样本峰度 (第四阶)
df.quantile() # 样本分位数 (不同 % 的值)

总结

本文主要是对Pandas中的数据探索做了一个详细介绍,帮助我们快速了解数据的基本信息,同时也方便后续的数据处理和分析。

本文标题:数据处理基石-Pandas数据探索

发布时间:2021年06月14日 - 23:06

原始链接:http://www.renpeter.cn/2021/06/14/%E6%95%B0%E6%8D%AE%E5%A4%84%E7%90%86%E5%9F%BA%E7%9F%B3-Pandas%E6%95%B0%E6%8D%AE%E6%8E%A2%E7%B4%A2.html

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。

Coffee or Tea