【Pandas】常用数据处理技巧

一. 数据读取

1.pd.to_csv & pd.read_csv

细节：

1.pd.read_csv 需要 ignore_index = True or ,index_col=0 否则会有列Unnamed0

2.pickle具有更快的读取速度，与更小的体积。

读取前N行（若不需获取所有数据）

pd.read_csv(path, nrows =5)

pd.read_csv 只包含数据类型 strings, integers and floats，无datetime类似，datetime 会转为object。

解决：parse_dates (如果为True，则仅解析index，若为列表，解析相对应字段）

headers = ['col1', 'col2', 'col3', 'col4']
dtypes = {'col1': 'str', 'col2': 'str', 'col3': 'str', 'col4': 'float'}
parse_dates = ['col1', 'col2']
pd.read_csv(file, sep='\t', header=None, names=headers, dtype=dtypes, parse_dates=parse_dates)

2.pd.to_pkl & pd.read_pkl（推荐）

对象的序列化(serialization)与反序列化(deserialization)

pickle dump (pd.to_pickle)

with open(‘../pathname/source_object_name.pkl’, ‘wb’) as f:pickle.dump(object_name, f)

Save：

a dataframe (df),

a matrix or array (X_train_sc),

a fitted model (rand_forest_1),

or anything else you want to save.

pickle load (pd.read_pickle)

with open(‘../pathname/source_object_name.pkl’, ‘rb’) as f:dest_object_name = pickle.load(f)

pickle (python2 & python3)

• In python 2 there are 3 different protocols (0, 1, 2) and the default is 0.

• In python 3 there are 5 different protocols (0, 1, 2, 3, 4) and the default is 3.

在python3.8中多了protocols (5)

读取方法：

# !pip3 install pickle5 import pickle5 as pickle 
with open(path_to_protocol5, "rb") as fh:   data = pickle.load(fh) # Could also save into a protocol-4 pickle from python 3.6
data.to_pickle(path_to_protocol4)

3.pd.to_excel & pd.read_excel

pd.read_excel(path, sheet=None)

如果有多个sheet，想获取sheet的名称：

import pandas as pd
f = pd.ExcelFile('./data.xlsx')
f.sheet_names  # 获取工作表名称data = pd.DataFrame()
for i in f.sheet_names:d = pd.read_excel('./data.xlsx', sheetname=i)

4.pd.to_json & pd.read_json

其中有个参数：orient

Indication of expected JSON string format.

Series:

default is ‘index’
allowed values are: {‘split’,’records’,’index’,’table’}.

DataFrame:

default is ‘columns’
allowed values are: {‘split’, ‘records’, ‘index’, ‘columns’, ‘values’, ‘table’}.

The format of the JSON string:

‘split’ : dict like {‘index’ -> [index], ‘columns’ -> [columns], ‘data’ -> [values]}
‘records’ : list like [{column -> value}, … , {column -> value}]
‘index’ : dict like {index -> {column -> value}}
‘columns’ : dict like {column -> {index -> value}}
‘values’ : just the values array
‘table’ : dict like {‘schema’: {schema}, ‘data’: {data}}

json_data = df_data.to_json(orient='index')
df_data = pd.read_json(json_data, orient='index)

5.dict & pd.DataFrame

输入：my_dict = {'i': 1, 'love': 2, 'you': 3}

期望输出：my_df

i 1

love 2

you 3

如果字典里key和value是一一对应的，那么直接输入

my_df = pd.DataFrame(my_dict)

会报错“ValueError: If using all scalar values, you must pass an index”。

————————————————

解决方法如下：

1、使用DataFrame函数时指定字典的索引index

my_dict = {'i': 1, 'love': 2, 'you': 3}

my_df = pd.DataFrame(my_dict,index=[0]).T

2、把字典dict转为list后传入DataFrame

my_dict = {'i': 1, 'love': 2, 'you': 3}

my_list = [my_dict]

my_df = pd.DataFrame(my_list).T

3、使用DataFrame.from_dict函数

my_dict = {'i': 1, 'love': 2, 'you': 3}

my_df = pd.DataFrame.from_dict(my_dict, orient='index')

二. 数据增删改查

1.获取数据or位置

已知列名or索引，求在所有列or索引中的位置
col_loc = df.columns.get_loc(col)
idx_loc = df.index.get_loc(idx)
已知在所有列or索引中的位置，求列名or索引
col_name = df.columns.columns[loc]
idx_name = df.index.index[loc]
Series获取最大值最大值/位置
series_A.idxmax()
series_A.argxmax()
series_A.idxmin()
series_A.argxmin()
pandas获取最大值最小值/位置
pd_A.stack().max()
pd_A.stack().idxmax()
pd_A.stack().min()
pd_A.stack().idxmin()

2.插入数据

插入列：

df.insert(loc, column, value, allow_duplicates=False)
# 例：
df.insert(0, 'datetime', times_list)# 默认插入到最后一列
df['datetime'] = times_list

插入行

df = pd.concat([df_above,df_insertRow,df_below],ignore_index = True)

2.字符串包含

df['name'].str.contains("ly")

3. 索引排序sort_values, sort_index，set_index, reset_index

sort_values()

sort_index()

reset_index(drop=False)

在获得新的index，原来的index变成数据列，保留下来。

不想保留原来的index，使用参数 drop=True，默认 False。

set_index()

注意：

很多会多nan值的操作，可能里边有参数fill_value，会很方便。

如：

pivot_table

reindex

对原始dataframe采用新的index。类似join的作用。

与pd.daterange常搭配用。

df.index = pd.to_datetime(df.index)  
time_range = pd.date_range(dt_start, dt_end, freq='150s')
df = df.reindex(time_range)
df.fillna(method='ffill', inplace=True)
df.fillna(method='bfill', inplace=True)

4. in / not in 筛选数据

筛选出某字段中值 in list的df。

错误写法

data = data[data["idc"] in (["NA61","NA62"])]

data = data[data["idc"] not in (["NA61","NA62"])]

正确写法

data = data[data["idc"].isin (["NA61","NA62"])

data = data[~data["idc"].isin (["NA61","NA62"])

5.多列中最大值组成新的一列

df['z']=df[['x','y']].max(axis=1)

6.找出每行最大的第n个值

def sort_value(column, n):

new_column = column.sort_values(ascending = False)

return new_column.iloc[n-1]

def nth_largest(df):

return df.apply(sort_value)

7.两个DataFrame找交集，差集

交集：

intersected_df = pd.merge(df1, df2, how='inner')

差集：

set_diff_df = pd.concat([df2, df1, df1]).drop_duplicates(keep=False)
print(set_diff_df)

三. 数据转换

0. df2str / str2df

def df2str(df):"""1.','连接每行数据，包括columns列。2.'|'聚合为长字符串。"""n = df.shape[0]df = df.astype(str)col_str_list = df.columns.astype(str)whole_str = ','.join(col_str_list)for i in range(n):row = df.iloc[i, :].valuesrow_str = ','.join(row)whole_str = '|'.join([whole_str, row_str])return whole_strdef str2df(whole_str):""""""row_list = whole_str.split('|')cols = row_list[0].split(',')row_data = []for row_str in row_list[1:]:row = row_str.split(',')row_data.append(row)df = pd.DataFrame(data=row_data, columns=cols)return df

1.pivot/pivot_table

pd.pivot_table 后有multiIndex

取消：

pd_pivot.reset_index().rename_axis(None, axis=1)

unpivot:

df_unpivot = pd.melt(df, id_vars='col1', value_vars=['col2', 'col3', ...])

2.join/merge/concat

merge方法主要基于两个dataframe的共同列进行合并；
join方法主要基于两个dataframe的索引进行合并；
concat方法是对series或dataframe进行行拼接或列拼接。

DataFrame数据的合并与拼接（merge、join、concat）

3.多行合并为一行

df = df.groupby(['姓名','年龄'])['爱好'].apply(lambda x: ','.join(x))

注：这个匿名函数相当于聚合函数。

3. apply

一列生成一列

df[col].apply(lambda x: x+1)

多列生成一列（实际上是在行上进行apply)

df.apply(lambda row: row[col1] +  row[col2], axis=1)

4. 拆分一行为多行 (explode)

方法一：

##一、读数据
df=pd.read_excel('一行变多行.xlsx')
#二、把“爱好”字段拆分，分为多列
df_name=df['爱好'].str.split('、',expand=True)
#三、把行转列成列
df_name=df_name.stack()
#四、重置索引，并删除多于的索引
df_name = df_name.reset_index(level=1,drop=True)
#五、与原始数据合并
df_name.name='df_name1'
df_new = df.drop(['爱好'], axis=1).join(df_name)
df_new

方法二：

#一、先将‘爱好’字段拆分
df['爱好']=df['爱好'].map(lambda x:x.split(','))
#二、然后直接调用explode()方法
df_new=df.explode('爱好')

5. groupby agg

groupby之后记着reset_index，会变得显示正常。

pandas.core.groupby.DataFrameGroupBy.agg — pandas 0.23.1 documentation

四. 时间datetime相关

pd.to_datetime()

可以直接对字符串转为datetime格式，而不需要用内置函数datetime.datetime

date_time = pd.to_datetime('2020-06-15')

pd.Timedelta('1D')

可直接与datetime格式相加减，而不需要用内置函数datetime.timedelta

unit:  str, default ‘ns’
Denote the unit of the input, if input is an integer.
Possible values:
• ‘W’, ‘D’, ‘T’, ‘S’, ‘L’, ‘U’, or ‘N’
• ‘days’ or ‘day’
• ‘hours’, ‘hour’, ‘hr’, or ‘h’
• ‘minutes’, ‘minute’, ‘min’, or ‘m’
• ‘seconds’, ‘second’, or ‘sec’
• ‘milliseconds’, ‘millisecond’, ‘millis’, or ‘milli’
• ‘microseconds’, ‘microsecond’, ‘micros’, or ‘micro’
• ‘nanoseconds’, ‘nanosecond’, ‘nanos’, ‘nano’, or ‘ns’.

date_end = data_time + pd.Timedelta(1,'D')

unix_time <-> datetime

'1643558400' -> '2022-01-31 00:00:00'

注意：直接以下边方式，和系统自带datetime会有8个小时的时差。

1. 如果单位为s
df['date'] = pd.to_datetime(df['date'], unit='s')1. 如果单位为ms
df['date'] = pd.to_datetime(df['date'], unit='ms')

系统自带

1. 如果单位为s
df['date'] = df.unix_time.apply(lambda x: datetime.fromtimestamp(int(x))) 1. 如果单位为ms
df['date'] = df.unix_time.apply(lambda x: datetime.fromtimestamp(int(x/1000)))

datetime -> unix_time

'2022-01-31 00:00:00' -> '1643558400'. # 这个是正常的，没误差

df['unix_time'] = df['date_time'].apply(lambda x: pd.to_datetime(x).strftime('%s'))

或者

df['unix_time'] = df['date_time'].apply(lambda x: datetime.strptime(x, '%Y-%m-%d %H:%M:%S').timestamp()*1000)

Timestamp

此外，在pandas中，还有一种Timestamp格式。转化容易出错：

在ODPS中，为 datetime 格式，下载到本地为 Timestamp ：

alarm_time: Timestamp('2023-02-13 14:52:00')# .timestamp()的方式 直接转化
alarm_time.timestamp(): 1676299920   --有误
datetime.fromtimestamp(int(1676299920)): datetime(2023, 2, 13, 22, 52)  --时间+8h# .timestamp()的方式 设置时区
alarm_time.tz_localize('Asia/Shanghai').timestamp(): 1676271120
datetime.fromtimestamp(int(1676271120)): datetime(2023, 2, 13, 14, 52)  --正常
# Pandas中 tz_localize 和 tz_convert函数,前者用于将时间戳转换为本地时间,而后者可以用于任意时区的转换。# .strftime的方式 直接转化
alarm_time.strftime('%s'): '1676271120'   --正常，不过是string
datetime.fromtimestamp('1676271120'): datetime(2023, 2, 13, 14, 52)  --正常

此外：如果对Timestamp格式先求str，然后转为datetime格式，以上两种方式都可正常运行

alarm_time = str(alarm_time)
alarm_time = datetime.strptime(alarm_time, "%Y-%m-%d %H:%M:%S")

pd.date_range()

按指定间隔，生成时间序列

time_range = pd.date_range(start=start_date, end=end_date, freq='5min')

*这里start_date/end_date可以为 string or datetime-like

*这里的time_range是DatetimeIndex格式。

这里经常与df.reindex()搭配使用。

DatetimeIndex to str_list

date_list = time_range.format()
或者
date_list = [datetime.strftime(x,'%F') for x in time_range]
或者
date_list = [x.strftime('%F') for x in time_range]

Sample

df_feat.index = pd.DatetimeIndex(df_feat.index)
df_feat_res = df_feat.resample('5min').mean()

8.rolling

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)

window：也可以省略不写。表示时间窗的大小，注意有两种形式（int or offset）。如果使用int，则数值表示计算统计量的观测值的数量即向前几个数据。如果是offset类型，表示时间窗的大小。offset详解

min_periods：每个窗口最少包含的观测值数量，小于这个值的窗口结果为NA。值可以是int，默认None。offset情况下，默认为1。

center: 把窗口的标签设置为居中。布尔型，默认False，居右

# 滑动聚合
s = [1,2,3,5,6,10,12,14,12,30] 
pd.Series(s).rolling(window=3).mean()

# 如果index是datetime形式，也可以直接滑窗
df_w_sum = df_trian.rolling('7D').sum()

9.resample

重采样。仅对时间序列。

index = pd.date_range('1/1/2000', periods=9, freq='T')
series = pd.Series(range(9), index=index)# 下采样
s.resample('3T').sum() # 分钟
s.resample('H').sum()  # 小时
s.resample('M').sum() 
s.resample('W').mean()# 上采样
s.resample('D').asfreq()

10.fill 插值

可配合resample使用。

ffill 空值取前面的值
bfill 空值取后面的值
interpolate 线性取值

五.绘图plot

df.plot()

使用DataFrame的plot方法绘制图像会按照数据的每一列绘制一条曲线，默认按照列columns的名称在适当的位置展示图例，比matplotlib绘制节省时间，且DataFrame格式的数据更规范，方便向量化及计算。

参数详解：(参考：pandas.DataFrame.plot( )参数详解 - BobPong - 博客园）

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, sharex=None,sharey=False, layout=None, figsize=None, use_index=True, title=None, grid=None,legend=True, style=None, logx=False, logy=False, loglog=False, xticks=None,yticks=None, xlim=None, ylim=None, rot=None, fontsize=None, colormap=None,position=0.5, table=False, yerr=None, xerr=None, stacked=True/False,sort_columns=False, secondary_y=False, mark_right=True, **kwds)

说明

x : label or position, default None #指数据列的标签或位置参数

y : label, position or list of label, positions, default None

kind : str#绘图类型

‘line’ : line plot (default)#折线图

‘bar’ : vertical bar plot#条形图。stacked为True时为堆叠的柱状图

‘barh’ : horizontal bar plot#横向条形图

‘hist’ : histogram#直方图（数值频率分布）

‘box’ : boxplot#箱型图

‘kde’ : Kernel Density Estimation plot#密度图，主要对柱状图添加Kernel 概率密度线

‘density’ : same as ‘kde’

‘area’ : area plot#与x轴所围区域图（面积图）。Stacked=True时，每列必须全部为正或负值，stacked=False时，对数据没有要求

‘pie’ : pie plot#饼图。数值必须为正值，需指定Y轴或者subplots=True

‘scatter’ : scatter plot#散点图。需指定X轴Y轴

‘hexbin’ : hexbin plot#蜂巢图。需指定X轴Y轴

ax : matplotlib axes object, default None#子图(axes, 也可以理解成坐标轴) 要在其上进行绘制的matplotlib subplot对象。如果没有设置，则使用当前matplotlib subplot其中，变量和函数通过改变figure和axes中的元素（例如：title,label,点和线等等）一起描述figure和axes，也就是在画布上绘图。

# ax可以这样直接画两条线
fig, axs = plt.subplots(2, 1)
axs.plot(t, s1, t, s2)

subplots : boolean, default False#是否对列分别作子图

较常用：

layout : tuple (rows, columns) for the layout of subplots#子图的行列布局

figsize : a tuple (width, height) in inches#图片尺寸大小

title : string#图片的标题用字符串 Title to use for the plot

grid : boolean, default None#图片是否有网格

legend : False/True/’reverse’#子图的图例 (默认为True)

style : list or dict#对每列折线图设置线的类型

xticks : sequence#设置x轴刻度值，序列形式（比如列表）

yticks : sequence#设置y轴刻度，序列形式（比如列表）

xlim : float/2-tuple/list#设置坐标轴的范围。数值（最小值），列表或元组（区间范围）

ylim : float/2-tuple/list

rot : int, default None#设置轴标签（轴刻度）的显示旋转度数

fontsize : int, default None#设置轴刻度的字体大小

模版一

fig = plt.figure(figsize=(16, 9), dpi = 80)
ax = fig.add_subplot(1,1,1)# 或
fig, ax = plt.subplots(figsize=(16,9), dpi= 80)    df.plot(ax=ax, grid=True, fontsize=16, ylim=None, legend=True)
plt.tick_params(axis='x', labelsize=16)
plt.tick_params(axis='y', labelsize=16)
plt.xlabel('collect_time', fontsize=16)
plt.ylabel('ylabel', fontsize=16)
plt.legend(loc='upper right', title='location', fontsize='x-large',) #shadow=True,)
plt.savefig('figure0.png', dpi=150)
# plt.show()

模版二（推荐）

1）首先定义画图的画布

2）然后定义子图ax

3）然后加plt的各种设置。

3）用 ax.plot( )函数或者 df.plot(ax = ax)

4）plt.show()

5) plt.close() : close the figure

plt.clf() ： clear the figure

fig = plt.figure(figsize=(16,9), dpi = 80)
ax= fig.add_subplot(行，列，位置标)
df.plot(ax = ax)  # 或ax.plot( )  
plt.show()
plt.clf() # 或 plt.close()

双y轴图

pandas 自带（需在一个dataframe里的两列）：

fig, ax = plt.subplots(figsize=(16,9), dpi= 80)    
df.plot(ax=ax, grid=True, fontsize=16, y=['col1','col2'], secondary_y=['col2'])

pandas 常规（两个series, x轴长度必须相等）：

fig, ax1 = plt.subplots(figsize=(16,9), dpi= 80)    ax1.set_xlabel('Same X for different Y')
ax1.set_ylabel('Y1')
ax1.set_title("Double Y axis")ax1.plot(df1.index, df1.values, color='red')
# df1.plot(ax=ax1, color='red')ax2 = ax1.twinx()  # this is the important function
ax2.set_ylabel('Y2')ax2.plot(df1.index, df2.values, color='blue')
# df2.plot(ax=ax2, color='blue')

多subplot图

（1）

fig = plt.figure(figsize=(16, 9), dpi = 80)
ax1 = fig.add_subplot(2,1,1)
x = pd_cold_mean_new.index
ax1.plot(x, pd_cold_mean_new.values, color='red')
ax1.set_xlabel('time')
ax1.set_ylabel('cold')
ax2 = fig.add_subplot(2,1,2)
ax2.plot(x, pd_it_mean.values, color='blue')
ax2.set_xlabel('time')
ax2.set_ylabel('it')

（2）

如果存在多个子图，直接df.plot() 会画在一个ax上。

如果想画在多个ax上，直接用参数 subplots=True，而且不用指定分为多少个子图

pandas 自带

 df.plot(subplots=True)

六、Excel插入图片

def save_to_excel(file_name,category_name,point_name,df_result,patten = ''):imgsize = (1280*2 / 4, 720*2 / 4)# 创建一个新的工作簿wb = openpyxl.Workbook()ws = wb.activews.column_dimensions['B'].width = imgsize[0] * 0.14# 添加表头ws.append(['device_tag', 'Image','llm_check','check'])# # 添加数据与图片df_result = df_result.sort_values('device_tag')for i,[name, image_path,str_check] in enumerate(df_result.values):cell = ws[f'A{i+2}']cell.value = nameif  image_path:img = Image(image_path)  # 缩放图片img.width, img.height = imgsizews.add_image(img, f'B{i+2}')  # 图片 插入 A1 的位置上ws.row_dimensions[i+2].height = imgsize[1] * 0.78  # 修改列第1行的宽cell = ws[f'C{i+2}']cell.value = str_check# 保存为 Excel 文件wb.save(f'result/{file_name}/{category_name}_{point_name}_{patten}.xlsx')