Pandas进行数据分析

dataframe添加列：df2.drop('新增加的列:',axis=1,inplace=True)
在Pandas中，DataFrame的列是Series对象，而Series对象具有一系列字符串处理方法。要对Series中的字符串进行操作，需要使用.str属性来访问这些字符串方法。删除列中的横线
df2['来源明细'].str.lstrip('-')
转格式：df2['日期'] = pd.to_datetime(df2['日期'])
前13行：df2.iloc[:13,:]

loc和iloc的使用：
第一列和第5列：df2.iloc[:,[0,4]],使用df2.loc[:,[0,4]]则报错
使用loc进行bool条件筛选：df2.loc[df2['图书类型']=='小说',:]
使用名称进行列筛选：df2.loc[:,['图书类型','来源']]

pd.merge()表横向合并：
必须的参数是左表和右表
索引列没有字段名，参数写left_index=True, right_index=True
类似数据库中的左连接右连接内连接和外连接，how='left/right/inner/outer'
指定匹配的字段: on=

pd.dropna()删除空行，会创建一个新的df
修改源数据df = df.dropna()
参数为空时，只要数据有空时就会删除一行。
指定列出现空值继续删除可以用：df.dropna(subset=['支付转化率'])

repeat.drop_duplicates()去重
subset 参数，删除这个字段重复的行，保留了各自不重复的第一行。如果要保留最后一行，再指定参数keep='last'

df.sort_values('字段名', ascending=False)
ascending默认True，升序。无论那种，会将nan值的放在最后边。
筛选前三df.sort_values('客单价', ascending=False).head(3)

inplace=False默认时False，尽量不要设置为True。

df.groupby()进行分组
分组完后，不会有输出。要有输出，需要加上sum(),mean()函数
例如df.groupby('地区').sum()，默认将地区作为索引，如果想要数字为索引，groupby 内传入参数 as_index = False
(sum函数中有参数和没参数输出都是一样的，本来就不应该有参数)
如果只想查看某个字段，可以使用df.groupby('地区')['客单价', ‘利润’].sum()

pd.cut()分组
bins对访客进行分区。labels表示标签类型。right默认为True，表示前开后闭，设置为False，前闭后开。
添加一行新的列，对访客量打上一个级别标签：
df['访客数标签级别'] = pd.cut(df['访客数'], bins=[0,100,1000,10000,100000], right=False, labels=['十','百','千','万'])

获取分组后最大最小值，并保持pd格式。感觉没区别，第一种还更加简单，第二种Tab不出来函数。
score.groupby('姓名', as_index=False)[总成绩'].max()
score.groupby('姓名')['总成绩'].apply(min).reset_index()
pd.merge()合并两张表可以将最大值和最小值放在同一个表里

地区中，排名第三利润的城市：

orderSort = order.sort_values(['省份','近1月销售额'], ascending=False).head(20) # 根据地区和销售额进行排名
def get_third(x):
    if len(x) <= 2:
        return x.iloc[len(x)-1,:]
    else:
        return x.iloc[2,:]
orderSort.groupby('省份')[['城市','近1月销售额']].apply(get_third) # 理解为有多个表，取出表中的城市和销售额字段记为x，将x应用apply函数
1
2
3
4
5
6
7