本例数据集采用某地森林大火数据，共有13个特征，X和Y代表地理位置，month代表月份，day代表星期几，FFMC代表细小可燃物湿度码，DMC代表粗腐殖质湿度码,DC代表干旱码,ISI代表初始蔓延指数,temp代表温度,RH代表相对湿度,wind代表风速,rain代表降雨量，area代表地区。在本网站软件下载中下载此文件。
1.导入数据源
#导入相关库 import pandas as pd import numpy as np import os from pandas import DataFrame,Series import re df =pd.read_csv(r'E:\work\daima\python\forestfires.csv') #打开文件
2.数据基本处理
1）查看列名和数据类型
print(df.columns) #查看列名 print(df.dtypes) #查看各列数据类型
2）查看指定行列数据
print(df.head(20)) #查看前20行数据 df=df.loc[:,'FFMC':'rain'] #选择FFMC到rain列所有数据
3）删除行或列
df=df.drop(['wind', 'rain', 'area'],axis=1) #删除wind,rain和area三列 df_an=df_an.loc[-(df_an['qudao']=='Total')] #删除qudao列等于'Total'的行
4）移除重复数据
df_new=df.drop_duplicates(['month','day']) #移除month和day列包含重复值得行，保留第一个 df_new=df.drop_duplicates(['month'],take_last=True )#移除month列包含重复值得行，保留最后一个
5）更改列名
df.rename(columns={'ISI':'isi'}, inplace = True) #ISI列列名改为isi
2.描述性统计
1）计算某列变量频数
print(df['month'].unique()) #输出month列唯一值 print(df['month'].value_counts()) #输出month列各变量出现频数
2）分段统计
bins=[0,10,20,30,40,50,60,70,80,90,100] group_names=['0-10','10-20','20-30','30-40','40-50','50-60','60-70','70-80','80-90','90-100'] cats=pd.cut(df['RH'],bins,labels=group_names) pd.value_counts(cats,sort=False)
3）添加一列分组列，做多维频数统计
bins=[0,10,20,30,40,50,60,70,80,90,100]
group_names=['0-10','10-20','20-30','30-40','40-50','50-60','60-70','70-80','80-90','90-100']
cats=pd.cut(df['RH'],bins,labels=group_names)
df_concat=pd.concat([df,cats],axis=1,ignore_index=True)
df_group=df_concat[7].groupby([df_concat[0],df_concat[6],df_concat[7]])
df_fum=df_group.agg('count')
3.缺失值处理
1）缺失值统计
a显示有缺失值的行
df[df.isnull().values==True] #显示有缺失值的行
b增加一列，显示每行的缺失值
df_na=(df.isnull()).sum(axis=1) #统计每行的缺失值
df=pd.concat([df,df_na],axis=1) #df和df_na横向拼接
df.rename(columns={0:'na_num'}, inplace = True) #更改列名
df=df.loc[df['na_num']<=5]#删去变量值大于5的行
2）填充缺失值
a删除含有缺失值的行（或者全为NA的行）
df.dropna()#删除含有缺失值的行 df.dropna(how='all')#只丢弃全为NA的那些行
b填充固定值
train_data.fillna(0, inplace=True) # 填充 0
c填充均值
df['DC'].fillna(df['DC'].mean(),inplace=True) # 填充均值
d填充中位数
df['DC'].fillna(df['DC'].median(),inplace=True) #DC列缺失值填充为DC列的中位数
e填充众数
df['DC'].fillna(df['DC'].mode(),inplace=True) # 填充众数
#循环用众数填充每列缺失值，若众数为na的情况，删掉na
features=['X', 'Y', 'month', 'day', 'FFMC', 'DMC', 'DC', 'ISI', 'temp', 'RH',
'wind', 'rain', 'area']
features_mode = {}
for f in features:
print (f,':', list(df[f].dropna().mode().values))
features_mode[f] = list(df[f].dropna().mode().values)[0]
df.fillna(features_mode,inplace=True)
f填充上下条的数据
df['DC'].fillna(method='pad', inplace=True) df['DC'].fillna(0, inplace=True)# 前一条没值就填充0 df['DC'].fillna(method='bfill', inplace=True) df['DC'].fillna(0, inplace=True)# 后一条没值就填充0
g填充KNN数据
from fancyimpute import KNN
features=['X', 'Y', 'month', 'day', 'FFMC', 'DMC', 'DC', 'ISI', 'temp', 'RH',
'wind', 'rain', 'area']
train_data_x = pd.DataFrame(KNN(k=6).fit_transform(df), columns=features)
4.筛选
1）条件筛选loc
df_sel=df.loc[(df['month']=='aug') & (df['DC']>=600)] #筛选month列等于aug且DC列大于600的所有行
2）筛选并给新列赋值
这个多用于区间匹配，例如如果A列(0,100],C列为50；A列大于100 ,C列为A列的值。
df.loc[(df['DC']>0) & (df['DC']<=100) ,'DC_na']=50 # 创建新列DC_na,DC列大于0且小于等于100，DC列为50 df.loc[df['DC']>100,'DC_na']=df['DC']# 创建新列DC_na,DC列大于100等于原值，其他为NA
这里举一个其他类似的例子:
有一组数据包含三列（列名为A,B,C），现在要新增一个D列，如果A>100且5<B<7，那么D列的值等于C列减5；如果A>100且B>=7，那么D列的值等于C列减10，其他情况D列的值等于C列的值。
df['D']=df['C'] df.loc[(df['A']>100) & (df['B']>=5) &(df['B']<=7) ,'D']=df['C']-5 df.loc[(df['A']>100) & (df['B']>=7) ,'D']=df['C']-10
3）模糊筛选/精确筛选：isin()，contains()
df_sel1=df[df['day'].str.contains('fr')] # 筛选day列包含fr字符的行
df_sel2=df[df['day'].isin(['fri','mon'])] # 筛选day列等于fri或mon的行
5.替换
1）去掉字符串两端空格
df_city['experience_new'] = df_city['experience'].map(lambda s: s.strip())#experience列中文前后端包含空格，需对改列进行分词处理（去掉空格），赋值给新列experience_new
2）替换
#将experience_new列中的应届毕业生替换为1年以下
df_city = df_city.replace({'experience_new':'应届毕业生'},'1年以下')
df_city['expreienct_new']=df_city['expreienct_new'].map(lambda s:re.sub('应届毕业生','1年以下',s))
6.提取字符串
1）分列
df['new']=df['day'].map(lambda s:re.compile(':').split(s)[0])#对df['day']列按照符号':'进行分列并提取第一个值，赋值到新列df['new']
2）搜索字符串
这个情况很多，涉及到很多正则表达式知识。
df['xin']='U34' #增加新列，列名为xin,为新列赋值U34
df['zimu']=df['xin'].map(lambda s:re.compile("([0-9]+)").search(s).group()[0])#搜索字母并提取第一个值
df['shuzi']=df['xin'].map(lambda s:re.compile("[a-zA-Z]+").search(s).group()[0])#搜索字母并提取第一个值
3）如果未匹配到关键字，直接用group()函数会报错
def chuli(s):
jieguo=re.compile("([0-9]+)").search(s)
if jieguo:
jieguo=int(jieguo.group())+1
else :
jieguo=0
return jieguo
df['Room']=df['Cabin'].map(chuli)
7.关联
1）两表关联：merge(左关联，右关联)
比如有以下两个数据集
df1 客户信息表
customer_id sex city
10084 男 北京
10085 女 上海
10086 男 广州
10087 女 深圳
df2订单表
order customer_id product shouru
CH001 10084 A 500
CH002 10085 B 200
CH003 10086 C 1000
CH004 10086 D 3000
a左关联
df_merge=pd.merge(df1,df2,on='customer_id',how='left') #左关联 print(df_merge)
注意第三四列，与EXCEL匹配的逻辑稍有不同。
customer_id sex city order product shouru
10084 男 北京 CH001 A 500
10085 女 上海 CH002 B 200
10086 男 广州 CH003 C 1000
10086 男 广州 CH004 D 3000
10087 女 深圳 NA NA NA
b根据多列进行左关联
pd.merge(df1,df2,on=['key1','key2'],how='left')#多键连接
2）多表进行关联
a轴向连接：concat()
pd.concat([df1,df2],axis=1,ignore_index=True）#df1和df2横向拼接
b多表关联：reduce()
from functools import reduce df_list=[df_dau,df_gmv_zx,df_dau_zx] df_zhengti=reduce(lambda left,right:pd.merge(left,right,on=['event_date','duan'],how='left'),df_list) #按照event_date,duan 从左到右对df_list中的文件进行左关联
8.聚合(数据透视表）
类似于数据透视表，类似于sumifs(),countifs(),averageifs()等函数的效果。
1）聚合groupby()
df_group=df['DC'].groupby([df['month'],df['day']]) #根据month和day列对DC列进行聚合 df_fun=df_gorup.agg(['sum','mean','std']) #对df_group求和，均值和标准差 print(df_fun)
2）数据透视表pd.pivot_table()
这个函数比较难记，可以参考EXCEL数据透视表去理解，index代表列，columns代表行，values代表值，aggfunc代表要对值用什么函数，fil_value代表缺失值用0填充。
df_toushi=pd.pivot_table(df,index=['month'],columns=['day'],
values=['DC'],aggfunc=[np.sum,np.mean],fill_value=0)
print(df_toushi)
9.排序
按照DMC列降序，DC列升序对数据集进行排序。
df_paixu=df.sort_values(by=['DMC','DC'],ascending=[0,1])
10时间序列处理
1）csv中的时间会被读取为字符串，需要批量处理为pandas可处理的时间类型
df['date']=pd.to_datetime(df['createTime']) #批量转换createTime中的时间，并赋值到date列 df[(df['date']>='20140701')&(df['date']<='20140715')]#筛选指定时间段数据
2）时间设置
from datetime import datetime, timedelta
import time
today = datetime.today()#今天
yesterday_ts = time.time() - 24 * 3600#昨天
yesterday = datetime.fromtimestamp(yesterday_ts).strftime('%Y-%m-%d') #转换为年月日
fromtime = (today -timedelta(16)).strftime('%Y-%m-%d') #16天前，并转化为年月日
day_before_yesterday_ts = yesterday_ts - 24*3600#前天
day_before_yesterday = datetime.fromtimestamp(day_before_yesterday_ts).strftime('%Y-%m-%d')