pandas 핵심 데이터 구조 --- API
146358 단어 데이터 분석
pandas 소개
Python Data Analysis Library
pandas 는 NumPy 를 기반 으로 한 도구 로 데이터 분석 작업 을 해결 하기 위해 만 들 어 졌 습 니 다.Pandas 는 대량의 라 이브 러 리 와 일부 표준 데이터 모델 을 포함 시 켜 대형 구조 화 데이터 세트 를 효율적으로 조작 하 는 데 필요 한 도 구 를 제공 했다.
pandas 핵심 데이터 구조
데이터 구 조 는 컴퓨터 가 데 이 터 를 저장 하고 조직 하 는 방식 이다.일반적으로 정 성 스 럽 게 선택 한 데이터 구 조 는 더욱 높 은 운행 이나 저장 효율 을 가 져 올 수 있다.데이터 구 조 는 종종 효율 적 인 검색 알고리즘 과 색인 기술 과 관계 가 있다.
Series
시 리 즈 는 1 차원 배열 로 이해 할 수 있 으 며, index 이름 만 변경 할 수 있 습 니 다.길이 가 정 해진 질서 있 는 사전 과 유사 하 며 Index 와 value 가 있 습 니 다.
import pandas as pd
import numpy as np
#
s = pd.Series()
# ndarray
data = np.array(['a','b','c','d'])
s = pd.Series(data)
s = pd.Series(data,index=[100,101,102,103])
#
data = {'a' : 0., 'b' : 1., 'c' : 2.}
s = pd.Series(data)
#
s = pd.Series(5, index=[0, 1, 2, 3])
Series 에 접근 한 데이터:
#
s = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e'])
print(s[0], s[:3], s[-3:])
#
print(s['a'], s[['a','c','d']])
pandas 날짜 처리
# pandas
dates = pd.Series(['2011', '2011-02', '2011-03-01', '2011/04/01',
'2011/05/01 01:01:01', '01 Jun 2011'])
# to_datetime()
dates = pd.to_datetime(dates)
print(dates, dates.dtype, type(dates))
print(dates.dt.day)
# datetime
delta = dates - pd.to_datetime('1970-01-01')
#
print(delta.dt.days)
Series. dt 는 많은 날짜 와 관련 된 작업 을 제공 합 니 다. 다음 과 같 습 니 다.
Series.dt.year The year of the datetime.
Series.dt.month The month as January=1, December=12.
Series.dt.day The days of the datetime.
Series.dt.hour The hours of the datetime.
Series.dt.minute The minutes of the datetime.
Series.dt.second The seconds of the datetime.
Series.dt.microsecond The microseconds of the datetime.
Series.dt.week The week ordinal of the year.
Series.dt.weekofyear The week ordinal of the year.
Series.dt.dayofweek The day of the week with Monday=0, Sunday=6.
Series.dt.weekday The day of the week with Monday=0, Sunday=6.
Series.dt.dayofyear The ordinal day of the year.
Series.dt.quarter The quarter of the date.
Series.dt.is_month_start Indicates whether the date is the first day of the month.
Series.dt.is_month_end Indicates whether the date is the last day of the month.
Series.dt.is_quarter_start Indicator for whether the date is the first day of a quarter.
Series.dt.is_quarter_end Indicator for whether the date is the last day of a quarter.
Series.dt.is_year_start Indicate whether the date is the first day of a year.
Series.dt.is_year_end Indicate whether the date is the last day of the year.
Series.dt.is_leap_year Boolean indicator if the date belongs to a leap year.
Series.dt.days_in_month The number of days in the month.
DateTimeIndex
지정 한 주기 와 주파 수 를 통 해
date.range() 함 수 를 사용 하면 날짜 서열 을 만 들 수 있 습 니 다.기본적으로 범위 의 빈 도 는 하늘 이다.import pandas as pd
#
datelist = pd.date_range('2019/08/21', periods=5)
print(datelist)
#
datelist = pd.date_range('2019/08/21', periods=5,freq='M')
print(datelist)
#
start = pd.datetime(2017, 11, 1)
end = pd.datetime(2017, 11, 5)
dates = pd.date_range(start, end)
print(dates)
bdate_range() 상업 날짜 범 위 를 나타 내 는 데 사용 되 며 토요일 과 일요일 을 포함 하지 않 습 니 다.import pandas as pd
datelist = pd.bdate_range('2011/11/03', periods=5)
print(datelist)
DataFrame
DataFrame 은 표 와 유사 한 데이터 형식 으로 2 차원 배열 로 이해 할 수 있 으 며 색인 은 두 차원 으로 변경 할 수 있 습 니 다.DataFrame 은 다음 과 같은 특징 을 가지 고 있 습 니 다.
import pandas as pd
# DataFrame
df = pd.DataFrame()
print(df)
# DataFrame
data = [1,2,3,4,5]
df = pd.DataFrame(data)
print(df)
data = [['Alex',10],['Bob',12],['Clarke',13]]
df = pd.DataFrame(data,columns=['Name','Age'])
print(df)
data = [['Alex',10],['Bob',12],['Clarke',13]]
df = pd.DataFrame(data,columns=['Name','Age'],dtype=float)
print(df)
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print(df)
# DataFrame
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data, index=['s1','s2','s3','s4'])
print(df)
data = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(data)
print(df)
핵심 데이터 구조 조작
열 접근
DataFrame 의 단일 열 데 이 터 는 Series 입 니 다.DataFrame 의 정의 에 따 르 면 DataFrame 은 태그 가 있 는 2 차원 배열 로 모든 태그 가 열 에 해당 하 는 열 이름 임 을 알 수 있 습 니 다.
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df['one'])
print(df[['one', 'two']])
열 추가
DataFrame 에 열 을 추가 하 는 방법 은 매우 간단 합 니 다. 열 색인 을 새로 만 들 면 됩 니 다.이 색인 에 있 는 데 이 터 를 할당 하면 됩 니 다.
import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data, index=['s1','s2','s3','s4'])
df['score']=pd.Series([90, 80, 70, 60], index=['s1','s2','s3','s4'])
print(df)
열 삭제
어떤 열 데 이 터 를 삭제 하려 면 pandas 가 제공 하 는 방법 pop 을 사용 해 야 합 니 다. pop 방법 은 다음 과 같 습 니 다.
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']),
'three' : pd.Series([10, 20, 30], index=['a', 'b', 'c'])}
df = pd.DataFrame(d)
print("dataframe is:")
print(df)
# ： one
del(df['one'])
print(df)
# pop
df.pop('two')
print(df)
행 방문
DataFrame 의 한 줄 의 데 이 터 를 방문 해 야 하 는 실현 방식 이 라면 배열 의 선택 방식 으로 ":"를 사용 하면 됩 니 다.
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df[2:4])
loc 방법 은 DataFrame 색인 이름 을 위 한 절편 방법 입 니 다.loc 방법 사용 방법 은 다음 과 같 습 니 다.
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df.loc['b'])
print(df.loc[['a', 'b']])
iloc 와 loc 의 차 이 는 iloc 가 받 아야 할 줄 색인 과 열 색인 의 위치 입 니 다.iloc 방법의 사용 방법 은 다음 과 같다.
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df.iloc[2])
print(df.iloc[[2, 3]])
줄 추가
import pandas as pd
df = pd.DataFrame([['zs', 12], ['ls', 4]], columns = ['Name','Age'])
df2 = pd.DataFrame([['ww', 16], ['zl', 8]], columns = ['Name','Age'])
df = df.append(df2)
print(df)
줄 삭제
색인 탭 을 사용 하여 DataFrame 에서 줄 을 삭제 하거나 삭제 합 니 다.탭 이 반복 되면 여러 줄 이 삭 제 됩 니 다.
import pandas as pd
df = pd.DataFrame([['zs', 12], ['ls', 4]], columns = ['Name','Age'])
df2 = pd.DataFrame([['ww', 16], ['zl', 8]], columns = ['Name','Age'])
df = df.append(df2)
# index 0
df = df.drop(0)
print(df)
DataFrame 의 데이터 수정
DataFrame 의 데 이 터 를 변경 합 니 다. 원 리 는 이 부분의 데 이 터 를 추출 하여 새로운 데이터 로 다시 할당 하 는 것 입 니 다.
import pandas as pd
df = pd.DataFrame([['zs', 12], ['ls', 4]], columns = ['Name','Age'])
df2 = pd.DataFrame([['ww', 16], ['zl', 8]], columns = ['Name','Age'])
df = df.append(df2)
df['Name'][0] = 'Tom'
print(df)
DataFrame 상용 속성
번호
속성 또는 방법
묘사 하 다.
1
date_range() 줄/열 탭 (index) 목록 을 되 돌려 줍 니 다.
2
axes 대상 의 데이터 형식
dtype 을 되 돌려 줍 니 다.3
dtype 시리즈 가 비어 있 으 면 되 돌아 갑 니 다
empty.4
True 바 텀 데이터 의 위 치 를 되 돌려 줍 니 다. 기본 정의:
ndim.5
1 기본 데이터 의 요소 수 를 되 돌려 줍 니 다.
6
size 시 리 즈 를
values 로 되 돌려 줍 니 다.7
ndarray 돌아 가기 전
head(n) 줄.8
n 마지막
tail(n) 줄 로 돌아 갑 니 다.인 스 턴 스 코드:
import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data, index=['s1','s2','s3','s4'])
df['score']=pd.Series([90, 80, 70, 60], index=['s1','s2','s3','s4'])
print(df)
print(df.axes)
print(df['Age'].dtype)
print(df.empty)
print(df.ndim)
print(df.size)
print(df.values)
print(df.head(3)) # df
print(df.tail(3)) # df
Jupyter notebook
Jupyter Notebook (이전에 IPython notebook 이 라 고 불 렸 던) 은 40 여 가지 프로 그래 밍 언어 를 실행 할 수 있 는 대화 형 노트북 입 니 다.브 라 우 저 를 인터페이스 로 사용 하여 배경 에 있 는 IPython 서버 에 요청 을 보 내 고 결 과 를 표시 합 니 다.Jupyter Notebook 의 본질은 웹 응용 프로그램 으로 문학 화 된 프로그램 문 서 를 만 들 고 공유 할 수 있 으 며 실시 간 코드, 수학 방정식, 시각 화 와 markdown 을 지원 합 니 다.
IPython 은 python 의 대화 형 셸 로 기본 python 셸 보다 훨씬 좋 습 니 다. 변 수 를 자동 으로 보완 하고 자동 으로 들 여 쓰 며 bash 셸 명령 을 지원 합 니 다. 유용 한 기능 과 함수 가 많이 내장 되 어 있 습 니 다.
ipython 설치
windows: 전 제 는 numpy, matplotlib pandas 가 있 습 니 다.
pip 로 설치
nOS X: App Store 는 애플 개발 도구 인 Xcode 를 다운로드 하여 설치 합 니 다.easy 사용설치 또는 pip 에 IPython 을 설치 하거나 원본 파일 에서 설치 합 니 다.
Jupyter 노트북 설치
pip3 install jupyter
Jupyter 노트북 시작
， :
jupyter notebook
pandas 핵심
pandas 서술 적 통계
수치 형 데이터 의 서술 적 통 계 는 주로 수치 형 데 이 터 를 계산 하 는 완전한 상황, 최소 치, 평균치, 중위 수, 최대 치, 4 분 의 자릿수, 극 차, 표준 차, 분산, 협 방 차 등 을 포함한다.NumPy 라 이브 러 리 에서 자주 사용 되 는 통계학 함수 도 데이터 상자 에 대해 설명 적 통 계 를 할 수 있 습 니 다.
np.min
np.max
np.mean
np.ptp
np.median
np.std
np.var
np.cov
실례:
import pandas as pd
import numpy as np
# DF
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack', 'Lee', 'David', 'Gasper', 'Betina', 'Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
df = pd.DataFrame(d)
print(df)
#
print(df.sum())
print(df.sum(1))
print(df.mean())
print(df.mean(1))
pandas 는 통계 관련 함 수 를 제공 합 니 다:
1
pip install ipython 비공 식 관측 수량
2
count() 모든 값 의 합
3
sum() 모든 값 의 평균치
4
mean() 모든 값 의 중위 수
5
median() 값 의 표준 편차
6
std() 모든 값 의 최소 값
7
min() 모든 값 중 최대 값
8
max() 절대 치
9
abs() 배열 요소 의 곱 하기
10
prod() 누계 합계
11
cumsum() 누적 승적
pandas 는 describe 라 는 방법 도 제공 하여 데이터 상자 의 모든 수치 형 특징의 비 공 값 수, 평균 값, 표준 차 등 을 한꺼번에 얻 을 수 있 습 니 다.
import pandas as pd
import numpy as np
#Create a Dictionary of series
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
#Create a DataFrame
df = pd.DataFrame(d)
print(df.describe())
print(df.describe(include=['object']))
print(df.describe(include=['number']))
pandas 정렬
Pandas 는 라벨 과 실제 값 에 따라 정렬 하 는 두 가지 정렬 방식 이 있 습 니 다.
import pandas as pd
import numpy as np
unsorted_df=pd.DataFrame(np.random.randn(10,2),
index=[1,4,6,2,3,5,9,8,0,7],columns=['col2','col1'])
print(unsorted_df)
줄 탭 으로 정렬
cumprod() 방법 을 사용 하여 전달 sort_index() 매개 변수 와 정렬 순 서 를 통 해 axis 순 서 를 정렬 할 수 있 습 니 다.기본적으로 줄 탭 을 오름차 순 으로 정렬 합 니 다.import pandas as pd
import numpy as np
#
sorted_df=unsorted_df.sort_index()
print (sorted_df)
#
sorted_df = unsorted_df.sort_index(ascending=False)
print (sorted_df)
열 태그 로 정렬
import numpy as np
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
unsorted_df = pd.DataFrame(d)
#
sorted_df=unsorted_df.sort_index(axis=1)
print (sorted_df)
열 값 으로 정렬 하기
색인 정렬 처럼
DataFrame 값 에 따라 정렬 하 는 방법 입 니 다.이것 은 정렬 값 sort_values() 의 열 이름 을 사용 하 는 by 인 자 를 받 아들 입 니 다.import pandas as pd
import numpy as np
d = {'Name':pd.Series(['Tom','James','Ricky','Vin','Steve','Minsu','Jack',
'Lee','David','Gasper','Betina','Andres']),
'Age':pd.Series([25,26,25,23,30,29,23,34,40,30,51,46]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8,3.78,2.98,4.80,4.10,3.65])}
unsorted_df = pd.DataFrame(d)
#
sorted_df = unsorted_df.sort_values(by='Age')
print (sorted_df)
# Age ， Rating
sorted_df = unsorted_df.sort_values(by=['Age', 'Rating'], ascending=[True, False])
print (sorted_df)
pandas 그룹
많은 상황 에서 우 리 는 데 이 터 를 여러 개의 집합 으로 나 누고 모든 부분 집합 에 함 수 를 응용 한다.응용 함수 에서 다음 작업 을 수행 할 수 있 습 니 다:
import pandas as pd
ipl_data = {'Team': ['Riders', 'Riders', 'Devils', 'Devils', 'Kings',
'kings', 'Kings', 'Kings', 'Riders', 'Royals', 'Royals', 'Riders'],
'Rank': [1, 2, 2, 3, 3,4 ,1 ,1,2 , 4,1,2],
'Year': [2014,2015,2014,2015,2014,2015,2016,2017,2016,2014,2015,2017],
'Points':[876,789,863,673,741,812,756,788,694,701,804,690]}
df = pd.DataFrame(ipl_data)
print(df)
데 이 터 를 그룹 으로 나누다
# Year
print (df.groupby('Year'))
#
print (df.groupby('Year').groups)
그룹 반복
groupby 는 교체 가능 한 대상 을 되 돌려 줍 니 다. 순환 을 위해 사용 할 수 있 습 니 다.
grouped = df.groupby('Year')
#
for year,group in grouped:
print (year)
print (group)
그룹 세부 정보 가 져 오기
grouped = df.groupby('Year')
print (grouped.get_group(2014))
패 킷 집합
집합 함 수 는 각 그룹 에 집합 값 을 되 돌려 줍 니 다.그룹 (group by) 대상 을 만 들 면 각 그룹 데이터 에 대해 구 화, 표준 차 이 를 구 하 는 작업 을 수행 할 수 있 습 니 다.
#
grouped = df.groupby('Year')
print (grouped['Points'].agg(np.mean))
# 、 、
grouped = df.groupby('Year')
agg = grouped['Points'].agg([np.sum, np.mean, np.std])
print (agg)
pandas 데이터 시트 관련 작업
Pandas 는 기능 이 전면적 인 고성능 메모리 에서 연결 작업 을 하 며 SQL 등 관계 데이터 베이스 와 매우 유사 합 니 다.Pandas 는 DataFrame 대상 간 모든 표준 데이터베이스 연결 작업 의 입구 로 단독
DataFrame 함 수 를 제공 합 니 다.두 개의 DataFrame 통합:
import pandas as pd
left = pd.DataFrame({
'student_id':[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20],
'student_name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung', 'Billy', 'Brian', 'Bran', 'Bryce', 'Betty', 'Emma', 'Marry', 'Allen', 'Jean', 'Rose', 'David', 'Tom', 'Jack', 'Daniel', 'Andrew'],
'class_id':[1,1,1,2,2,2,3,3,3,4,1,1,1,2,2,2,3,3,3,2],
'gender':['M', 'M', 'F', 'F', 'M', 'M', 'F', 'F', 'M', 'M', 'F', 'F', 'M', 'M', 'F', 'F', 'M', 'M', 'F', 'F'],
'age':[20,21,22,20,21,22,23,20,21,22,20,21,22,23,20,21,22,20,21,22],
'score':[98,74,67,38,65,29,32,34,85,64,52,38,26,89,68,46,32,78,79,87]})
right = pd.DataFrame(
{'class_id':[1,2,3,5],
'class_name': ['ClassA', 'ClassB', 'ClassC', 'ClassE']})
# DataFrame
data = pd.merge(left,right)
print(data)
"how"인 자 를 사용 하여 DataFrame 을 통합 합 니 다.
# DataFrame ( )
rs = pd.merge(left, right, how='left')
print(rs)
다른 합병 방법 은 데이터베이스 와 같 습 니 다:
합병 방법
SQL 등가
묘사 하 다.
merge() left 왼쪽 개체 의 키 사용 하기
LEFT OUTER JOIN right 오른쪽 개체 의 키 사용 하기
RIGHT OUTER JOIN outer 사용 키 의 결합
FULL OUTER JOIN inner 사용 키 의 교 집합
시험:
# DataFrame ( )
rs = pd.merge(left,right,on='subject_id', how='right')
print(rs)
# DataFrame ( )
rs = pd.merge(left,right,on='subject_id', how='outer')
print(rs)
# DataFrame ( )
rs = pd.merge(left,right,on='subject_id', how='inner')
print(rs)
pandas 투시 표 와 교차 표
다음 데이터 가 있 습 니 다:
import pandas as pd
left = pd.DataFrame({
'student_id':[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20],
'student_name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung', 'Billy', 'Brian', 'Bran', 'Bryce', 'Betty', 'Emma', 'Marry', 'Allen', 'Jean', 'Rose', 'David', 'Tom', 'Jack', 'Daniel', 'Andrew'],
'class_id':[1,1,1,2,2,2,3,3,3,4,1,1,1,2,2,2,3,3,3,2],
'gender':['M', 'M', 'F', 'F', 'M', 'M', 'F', 'F', 'M', 'M', 'F', 'F', 'M', 'M', 'F', 'F', 'M', 'M', 'F', 'F'],
'age':[20,21,22,20,21,22,23,20,21,22,20,21,22,23,20,21,22,20,21,22],
'score':[98,74,67,38,65,29,32,34,85,64,52,38,26,89,68,46,32,78,79,87]})
right = pd.DataFrame(
{'class_id':[1,2,3,5],
'class_name': ['ClassA', 'ClassB', 'ClassC', 'ClassE']})
# DataFrame
data = pd.merge(left,right)
print(data)
투시 계
투시 표 (pivot table) 는 각종 스프 레 드 시트 프로그램 과 다른 데이터 분석 소프트웨어 에서 흔히 볼 수 있 는 데이터 집합 도구 이다.이것 은 하나 이상 의 키 에 따라 데 이 터 를 그룹 별로 집합 하고 각 그룹 에 따라 데 이 터 를 집합 합 니 다.
# class_id gender ，
print(data.pivot_table(index=['class_id', 'gender']))
# class_id gender ， score
print(data.pivot_table(index=['class_id', 'gender'], values=['score']))
# class_id gender ， score ， age
print(data.pivot_table(index=['class_id', 'gender'], values=['score'], columns=['age']))
# class_id gender ， score ， age ， 、
print(data.pivot_table(index=['class_id', 'gender'], values=['score'],
columns=['age'], margins=True))
# class_id gender ， score ， age ， 、
print(data.pivot_table(index=['class_id', 'gender'], values=['score'], columns=['age'], margins=True, aggfunc='max'))
교차 표
교차 표 (cross - tabulation, crosstab 로 약칭) 는 그룹 주파 수 를 계산 하 는 특수 투시 표 입 니 다.
# class_id ， gender，
print(pd.crosstab(data.class_id, data.gender, margins=True))
pandas 시각 화
기본 그림: 그림 그리 기
import pandas as pd
import numpy as np
import matplotlib.pyplot as mp
df = pd.DataFrame(np.random.randn(10,4),index=pd.date_range('2018/12/18',
periods=10), columns=list('ABCD'))
df.plot()
mp.show()
plot 방법 은 기본 선 그림 을 제외 한 소수의 그림 스타일 을 허용 합 니 다.이런 방법 들 은
INNER JOIN 의 plot() 키워드 매개 변수 로 할 수 있다.이것들 은 다음 과 같다.kind 또는 bar 는 선형 barh 은 직사 도 hist 산포도 df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot.bar()
# df.plot.bar(stacked=True)
mp.show()
직사 도
df = pd.DataFrame()
df['a'] = pd.Series(np.random.normal(0, 1, 1000)-1)
df['b'] = pd.Series(np.random.normal(0, 1, 1000))
df['c'] = pd.Series(np.random.normal(0, 1, 1000)+1)
print(df)
df.plot.hist(bins=20)
mp.show()
산포도
df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
df.plot.scatter(x='a', y='b')
mp.show()
떡 모양 도
df = pd.DataFrame(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], columns=['x'])
df.plot.pie(subplots=True)
mp.show()
데이터 읽 기와 저장
csv 읽 기 및 저장:
# filepath 。 URL。 URL http，ftp file
# sep 。read_csv “,”，read_table “[Tab]”。
# header int sequence。 。 infer， 。
# names array。 。
# index_col ， sequence 。
# dtype （ key， values）。
# engine c python。 。 c。
# nrows int。 n 。
pd.read_table(
filepath_or_buffer, sep='\t', header='infer', names=None,
index_col=None, dtype=None, engine=None, nrows=None)
pd.read_csv(
filepath_or_buffer, sep=',', header='infer', names=None,
index_col=None, dtype=None, engine=None, nrows=None)
DataFrame.to_csv(excel_writer=None, sheetname=None, header=True, index=True, index_label=None, mode=’w’, encoding=None)
엑셀 읽 기 및 저장:
# io 。
# sheetname excel 。 0。
# header int sequence。 。 infer， 。
# names ， sequence 。
# index_col ， sequence 。
# dtype dict。 。
pandas.read_excel(io, sheetname=0, header=0, index_col=None, names=None, dtype=None)
DataFrame.to_excel(excel_writer=None, sheetname=None, header=True, index=True, index_label=None, mode=’w’, encoding=None)
JSON 읽 기 및 저장:
# json ， DataFrame
pd.read_json('../ratings.json')
이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
형태소 분석은 데스크톱을 구성하는 데 도움이?문자×기계 학습에 흥미를 가져와 개인 범위의 용도를 생각해, 폴더 정리에 사용할 수 있을까 생각해 검토를 시작했습니다. 이번 검토에서는 폴더 구성 & text의 읽기 → mecab × wordcloud를 실시하고 있...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.
좋은 웹페이지 즐겨찾기
