Anaconda
NumPy
pandas
將pandas的DataFrame數據寫入MySQL數據庫 + sqlalchemy
import pandas as pd
from sqlalchemy import create_engine
將數據寫入mysql的數據庫，但需要先通過sqlalchemy.create_engine建立連接,且字符編碼設置為utf8，否則有些latin字符不能處理
yconnect = create_engine('mysql+mysqldb://root:password@localhost:3306/databasename?charset=utf8')
pd.io.sql.to_sql(thedataframe,'tablename', yconnect, schema='databasename', if_exists='append')
to_sql中，
第一個參數thedataframe是需要導入的pd dataframe,
第二個參數tablename是將導入的數據庫中的表名
第三個參數yconnect是啟動數據庫的接口，pd 1.9以后的版本，除了sqllite，均需要通過sqlalchemy來設置
第四個參數databasename是將導入的數據庫名字
第五個參數if_exists='append'的意思是，如果表tablename存在，則將數據添加到這個表的后面
Pandas基本功能簡介
具備按軸自動或顯式數據對齊功能的數據結構
集成時間序列功能
既能處理時間序列數據也能處理非時間序列數據的數據結構
數學運算和約簡（比如對某個軸求和）可以根據不同的元數據（軸編號）執行
靈活處理缺失數據
合并及其他出現在常見數據庫（例如基于SQL的）中的關系型運算
數據結構
Series：
Series是一種類似于一維數組的對象，它由一組數據（各種NumPy數據類型）以及一組與之相關的數據標簽（即索引）組成。
與list、numpy(array)不同之處是有索引，不需要map->key，便于查找排序等，對索引進行操作，可以替換索引。
DataFrame：
DataFrame是一個表格型的數據結構，它含有一組有序的列，每列可以是不同的值類型（數值、字符串、布爾值等），類似于excel。
DataFrame既有行索引(index)也有列索引(columns)，它可以被看做由Series組成的字典（共用同一個索引）。
訪問行索引方式：加.ix . 例如：pd.ix[‘three’]
索引對象
pandas的索引對象負責管理軸標簽和其他元數據（比如軸名稱等）。構建Series或DataFrame時，所用到的任何數組或其他序列的標簽都會被轉換成一個Index。
Index對象是不可修改的（immutable），因此用戶不能對其進行修改。不可修改性非常重要，因為這樣才能使Index對象在多個數據結構之間安全共享。
一、生成數據表
1、首先導入pandas庫，一般都會用到numpy庫，所以我們先導入備用：
import numpy as np
import pandas as pd
2、導入CSV或者xlsx文件：
df = pd.DataFrame(pd.read_csv(‘name.csv’,header=1))
df = pd.DataFrame(pd.read_excel(‘name.xlsx’))
3、用pandas創建數據表：
df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
"date":pd.date_range('20130102', periods=6),
"city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
"age":[23,44,54,32,34,32],
"category":['100-A','100-B','110-A','110-C','210-A','130-F'],
"price":[1200,np.nan,2133,5433,np.nan,4432]},
columns =['id','date','city','category','age','price'])
二、數據表信息查看
1、維度查看：
df.shape
2、數據表基本信息（維度、列名稱、數據格式、所占空間等）：
df.info()
3、每一列數據的格式：
df.dtypes
4、某一列格式：
df[‘B’].dtype
5、空值：
df.isnull()
6、查看某一列空值：
df.isnull()
7、查看某一列的唯一值：
df[‘B’].unique()
8、查看數據表的值：
df.values
9、查看列名稱：
df.columns
10、查看前10行數據、后10行數據：
df.head() #默認前10行數據
df.tail() #默認后10 行數據
三、數據表清洗
1、用數字0填充空值：
df.fillna(value=0)
2、使用列prince的均值對NA進行填充：
df[‘prince’].fillna(df[‘prince’].mean())
3、清楚city字段的字符空格：
df[‘city’]=df[‘city’].map(str.strip)
4、大小寫轉換：
df[‘city’]=df[‘city’].str.lower()
5、更改數據格式：
df[‘price’].astype(‘int’)
6、更改列名稱：
df.rename(columns={‘category’: ‘category-size’})
7、刪除后出現的重復值：
df[‘city’].drop_duplicates()
8、刪除先出現的重復值：
df[‘city’].drop_duplicates(keep=’last’)
9、數據替換：
df[‘city’].replace(‘sh’, ‘shanghai’)
四、數據預處理
df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],
"gender":['male','female','male','female','male','female','male','female'],
"pay":['Y','N','Y','Y','N','Y','N','Y',],
"m-point":[10,12,20,40,40,40,30,20]})
1、數據表合并
1.1 merge
df_inner=pd.merge(df,df1,how='inner') # 匹配合并，交集
df_left=pd.merge(df,df1,how='left') #
df_right=pd.merge(df,df1,how='right')
df_outer=pd.merge(df,df1,how='outer') #并集
1.2 append
result = df1.append(df2)
1.3 join
result = left.join(right, on='key')
1.4 concat
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
copy=True)
objs︰ 一個序列或系列、 綜合或面板對象的映射。如果字典中傳遞，將作為鍵參數，使用排序的鍵，除非它傳遞，在這種情況下的值將會選擇 （見下文）。任何沒有任何反對將默默地被丟棄，除非他們都沒有在這種情況下將引發 ValueError。
axis: {0，1，…}，默認值為 0。要連接沿軸。
join: {‘內部’、 ‘外’}，默認 ‘外’。如何處理其他 axis(es) 上的索引。聯盟內、 外的交叉口。
ignore_index︰ 布爾值、 默認 False。如果為 True，則不要串聯軸上使用的索引值。由此產生的軸將標記 0，…，n-1。這是有用的如果你串聯串聯軸沒有有意義的索引信息的對象。請注意在聯接中仍然受到尊重的其他軸上的索引值。
join_axes︰ 索引對象的列表。具體的指標，用于其他 n-1 軸而不是執行內部/外部設置邏輯。
keys︰ 序列，默認為無。構建分層索引使用通過的鍵作為最外面的級別。如果多個級別獲得通過，應包含元組。
levels︰ 列表的序列，默認為無。具體水平 （唯一值） 用于構建多重。否則，他們將推斷鑰匙。
names︰ 列表中，默認為無。由此產生的分層索引中的級的名稱。
verify_integrity︰ 布爾值、 默認 False。檢查是否新的串聯的軸包含重復項。這可以是相對于實際數據串聯非常昂貴。
副本︰ 布爾值、 默認 True。如果為 False，請不要，不必要地復制數據。
例子：1.frames = [df1, df2, df3]
2.result = pd.concat(frames)
2、設置索引列
df_inner.set_index(‘id’)
3、按照特定列的值排序：
df_inner.sort_values(by=[‘age’])
4、按照索引列排序：
df_inner.sort_index()
5、如果prince列的值>3000，group列顯示high，否則顯示low：
df_inner[‘group’] = np.where(df_inner[‘price’] > 3000,’high’,’low’)
6、對復合多個條件的數據進行分組標記
df_inner.loc[(df_inner[‘city’] == ‘beijing’) & (df_inner[‘price’] >= 4000), ‘sign’]=1
7、對category字段的值依次進行分列，并創建數據表，索引值為df_inner的索引列，列名稱為category和size
pd.DataFrame((x.split(‘-‘) for x in df_inner[‘category’]),index=df_inner.index,columns=[‘category’,’size’]))
8、將完成分裂后的數據表和原df_inner數據表進行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
五、數據提取
主要用到的三個函數：loc,iloc和ix，loc函數按標簽值進行提取，iloc按位置進行提取，ix可以同時按標簽和位置進行提取。
1、按索引提取單行的數值
df_inner.loc[3]
2、按索引提取區域行數值
df_inner.iloc[0:5]
3、重設索引
df_inner.reset_index()
4、設置日期為索引
df_inner=df_inner.set_index(‘date’)
5、提取4日之前的所有數據
df_inner[:’2013-01-04’]
6、使用iloc按位置區域提取數據
df_inner.iloc[:3,:2] #冒號前后的數字不再是索引的標簽名稱，而是數據所在的位置，從0開始，前三行，前兩列。
7、適應iloc按位置單獨提起數據
df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列
8、使用ix按索引標簽和位置混合提取數據
df_inner.ix[:’2013-01-03’,:4] #2013-01-03號之前，前四列數據
9、判斷city列的值是否為北京
df_inner[‘city’].isin([‘beijing’])
10、判斷city列里是否包含beijing和shanghai，然后將符合條件的數據提取出來
df_inner.loc[df_inner[‘city’].isin([‘beijing’,’shanghai’])]
11、提取前三個字符，并生成數據表
pd.DataFrame(category.str[:3])
六、數據篩選
使用與、或、非三個條件配合大于、小于、等于對數據進行篩選，并進行計數和求和。
1、使用“與”進行篩選
df_inner.loc[(df_inner[‘age’] > 25) & (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]]
2、使用“或”進行篩選
df_inner.loc[(df_inner[‘age’] > 25) | (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘age’])
3、使用“非”條件進行篩選
df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’])
4、對篩選后的數據按city列進行計數
df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’]).city.count()
5、使用query函數進行篩選
df_inner.query(‘city == [“beijing”, “shanghai”]’)
6、對篩選后的結果按prince進行求和
df_inner.query(‘city == [“beijing”, “shanghai”]’).price.sum()
七、數據匯總
主要函數是groupby和pivote_table
1、對所有的列進行計數匯總
df_inner.groupby(‘city’).count()
2、按城市對id字段進行計數
df_inner.groupby(‘city’)[‘id’].count()
3、對兩個字段進行匯總計數
df_inner.groupby([‘city’,’size’])[‘id’].count()
4、對city字段進行匯總，并分別計算prince的合計和均值
df_inner.groupby(‘city’)[‘price’].agg([len,np.sum, np.mean])
八、數據統計
數據采樣，計算標準差，協方差和相關系數
1、簡單的數據采樣
df_inner.sample(n=3)
2、手動設置采樣權重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
3、采樣后不放回
df_inner.sample(n=6, replace=False)
4、采樣后放回
df_inner.sample(n=6, replace=True)
5、 數據表描述性統計
df_inner.describe().round(2).T #round函數設置顯示小數位，T表示轉置
6、計算列的標準差
df_inner[‘price’].std()
7、計算兩個字段間的協方差
df_inner[‘price’].cov(df_inner[‘m-point’])
8、數據表中所有字段間的協方差
df_inner.cov()
9、兩個字段的相關性分析
df_inner[‘price’].corr(df_inner[‘m-point’]) #相關系數在-1到1之間，接近1為正相關，接近-1為負相關，0為不相關
10、數據表的相關性分析
df_inner.corr()
九、數據輸出
分析后的數據可以輸出為xlsx格式和csv格式
1、寫入Excel
df_inner.to_excel(‘excel_to_python.xlsx’, sheet_name=’bluewhale_cc’)
2、寫入到CSV
df_inner.to_csv(‘excel_to_python.csv’)
