Pandas教程——(二)

本次教程你将学会以下几点：

1. 由numpy创建数据集
2. 导出到txt文件
3. 从txt文件读取
4. 分析数据
5. 展现数据

---

导包

# Import all libraries needed for the tutorial
import pandas as pd
from numpy import random
import matplotlib.pyplot as plt
import sys #only needed to determine Python version number
import matplotlib #only needed to determine Matplotlib version number

# Enable inline plotting
%matplotlib inline

创建数据

使用numpy创建教程一中使用的数据格式，不过这次加大数据量到1000条。

names = ['Bob','Jessica','Mary','John','Mel']
random.seed(20)
random_names = [names[random.randint(low = 0,high = len(names))] for _ in range(1000)]
birth = [random.randint(low = 0,high = 1000) for _ in range(1000)]
BabyDataSet = list(zip(random_names,birth))
df = pd.DataFrame(BabyDataSet,columns=['name','birth'])
print(df.head(5))

      name  birth
0     John    305
1     Mary    783
2      Mel    354
3     Mary    975
4  Jessica    621

random.seed()是生成随机数种子，他的作用是使得但我们再次重复调用生成随机数时，产生的结果是一样的。

下面我们将数据导入到txt文件内。

df.to_csv('test.txt',header=False,index=False)

读取数据

吸取教程一的教训，读取数据时加入参数names，自己指定标头的名称。

df = pd.read_csv('test.txt',names=['name','birth'])
print(df.head())

    name	birth
0	John	305
1	Mary	783
2	Mel	354
3	Mary	975
4	Jessica	621

分析数据

DateFrame对象提供了info()方法来查看df的信息。从下面信息可以看出如下：

1. 这是pandas的DataFrame对象数据
2. 索引范围从0到999，共1000条数据
3. 标头为name的有1000条，类型为object
4. 标头为birth的有1000条，类型为int64
5. 总共有两种类型，各一个，分别是object、int64
6. 数据集大小约为15.7KB

print(df.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 2 columns):
name     1000 non-null object
birth    1000 non-null int64
dtypes: int64(1), object(1)
memory usage: 15.7+ KB

DateFrame对象还提供了unique()方法，用于将指定标头下的值不重复地列出，返回一个array对象。

print(df['name'].unique())

array(['John', 'Mary', 'Mel', 'Jessica', 'Bob'], dtype=object)

描述信息的除了info外，还有一种针对某列的describe()方法。可以获取到信息如下：

1. 总共记录1000条
2. 不重复值有5个
3. 第一条记录的name为Mary
4. 该列标头名为name、类型为object

print(df['name'].describe())

count     1000
unique       5
top       Mary
freq       218
Name: name, dtype: object

通过groupby()方法可以将重复的字段值整合起来，其他的值相加。下面我们将name整合起来，变成只有五条数据。

name = df.groupby('name')
df = name.sum()
print(df)

name         birth          
Bob       91025
Jessica   99770
John      99837
Mary     110296
Mel       93222

展现数据

通过plot.bar()方法，将指定的一列数据作为y值，x值默认为索引值。

df['birth'].plot.bar()