Apprenez à utiliser les fonctions pandas couramment utilisées pour traiter facilement des données à grande échelle

Maîtrisez les fonctions courantes de la bibliothèque pandas et traitez facilement le Big Data. Des exemples de code spécifiques sont nécessaires

Avec l'avènement de l'ère du Big Data, le traitement des données est devenu de plus en plus important, et la bibliothèque Pandas est la plus importante. bibliothèque de traitement de données couramment utilisée dans Python One, ses fonctions puissantes et ses méthodes de traitement flexibles sont appréciées par la majorité des analystes de données et des scientifiques. Cet article présentera certaines fonctions couramment utilisées dans la bibliothèque pandas et fournira des exemples de code spécifiques pour aider les lecteurs à démarrer rapidement et à traiter facilement le Big Data.

1. Lecture et écriture de données

pandas propose une variété de façons de lire des données, la plus couramment utilisée est de lire des fichiers csv. Utilisez la fonction pandas.read_csv() pour lire directement le fichier csv dans un objet DataFrame. pandas.read_csv()函数可以直接将csv文件读取为一个DataFrame对象。

import pandas as pd

# 读取csv文件
data = pd.read_csv('data.csv')

同样地，我们可以使用pandas.DataFrame.to_csv()函数将DataFrame对象写入到csv文件。

# 将DataFrame对象写入csv文件
data.to_csv('result.csv', index=False)

2. 查看数据

在处理大数据时，首先需要了解数据的整体情况。pandas提供了几个常用的函数，可以帮助我们查看数据的前几行、后几行以及整体的统计摘要信息。

• head()函数可以查看DataFrame的前几行，默认显示前5行。

# 查看前5行数据
print(data.head())

• tail()函数可以查看DataFrame的后几行，默认显示后5行。

# 查看后5行数据
print(data.tail())

• describe()函数可以查看DataFrame的统计摘要信息，包括计数、平均值、标准差、最小值、最大值等。

# 查看统计摘要信息
print(data.describe())

3. 数据筛选与过滤

在处理大数据时，我们常常需要根据特定条件对数据进行筛选与过滤。pandas提供了多个常用的函数，可以帮助我们实现这一功能。

• 使用loc[]函数可以通过标签筛选数据。

# 筛选某一列中值大于10的数据
filtered_data = data.loc[data['column'] > 10]

• 使用isin()函数可以根据一个列表中的值进行筛选。

# 筛选某一列中值在列表[1,2,3]中的数据
filtered_data = data[data['column'].isin([1, 2, 3])]

• 使用query()函数可以根据条件表达式进行筛选。

# 筛选某一列中值大于10且小于20的数据
filtered_data = data.query('10 < column < 20')

4. 数据排序与重排

处理大数据时，数据的排序和重排经常是必不可少的操作。pandas提供了多个函数，可以帮助我们实现这一功能。

• 使用sort_values()函数可以按照指定的列对数据进行排序。

# 按照某一列的值对数据进行升序排序
sorted_data = data.sort_values(by='column', ascending=True)

• 使用sort_index()函数可以按照索引对数据进行排序。

# 按照索引对数据进行升序排序
sorted_data = data.sort_index(ascending=True)

5. 数据分组与聚合

在处理大数据时，常常需要根据某些条件进行数据分组，并对每个组进行聚合计算。pandas提供了多个函数，可以帮助我们完成这个任务。

• 使用groupby()函数可以根据某一列进行分组。

# 根据某一列进行分组
grouped_data = data.groupby('column')

• 使用agg()函数可以对分组后的数据进行聚合计算。

# 对分组后的数据进行求和操作
sum_data = grouped_data.agg({'column': 'sum'})

6. 数据合并与连接

在处理大数据时，常常需要将多个数据集合并或连接在一起。pandas提供了多个函数，可以帮助我们实现这一功能。

• 使用merge()函数可以根据指定的列将两个数据集合并在一起。

# 按照某一列进行合并
merged_data = pd.merge(data1, data2, on='column')

• 使用concat()

  # 按行连接两个数据集
  concatenated_data = pd.concat([data1, data2], axis=0)

  De même, nous pouvons utiliser la fonction pandas.DataFrame.to_csv() pour écrire l'objet DataFrame dans un fichier csv. rrreee

  Afficher les données

  🎜🎜Lorsque vous traitez du Big Data, vous devez d'abord comprendre la situation globale des données. Pandas fournit plusieurs fonctions couramment utilisées qui peuvent nous aider à afficher les premières lignes, les dernières lignes et les informations statistiques globales récapitulatives des données. La fonction 🎜
  🎜head() peut afficher les premières lignes de DataFrame, et les 5 premières lignes sont affichées par défaut. La fonction 🎜🎜rrreee
  🎜tail() peut afficher les dernières lignes du DataFrame, et les 5 dernières lignes sont affichées par défaut. La fonction 🎜🎜rrreee
  🎜describe() peut afficher les informations statistiques récapitulatives de DataFrame, y compris le nombre, la moyenne, l'écart type, la valeur minimale, la valeur maximale, etc. 🎜🎜rrreee
  🎜Criblage et filtrage des données🎜🎜🎜Lors du traitement du Big Data, nous devons souvent filtrer et filtrer les données en fonction de conditions spécifiques. Pandas fournit plusieurs fonctions couramment utilisées pour nous aider à réaliser cette fonction. 🎜
  🎜Utilisez la fonction loc[] pour filtrer les données par balises. 🎜🎜rrreee
  🎜Utilisez la fonction isin() pour filtrer en fonction des valeurs d'une liste. 🎜🎜rrreee
  🎜Utilisez la fonction query() pour filtrer en fonction d'expressions conditionnelles. 🎜🎜rrreee
  🎜Tri et réarrangement des données🎜🎜🎜Lorsqu'il s'agit de Big Data, le tri et le réarrangement des données sont souvent des opérations essentielles. Pandas fournit plusieurs fonctions pour nous aider à réaliser cette fonction. 🎜
  🎜Utilisez la fonction sort_values() pour trier les données selon les colonnes spécifiées. 🎜🎜rrreee
  🎜Utilisez la fonction sort_index() pour trier les données par index. 🎜🎜rrreee
  🎜Regroupement et agrégation de données🎜🎜🎜Lors du traitement du big data, il est souvent nécessaire de regrouper les données selon certaines conditions et d'effectuer des calculs d'agrégation sur chaque groupe. Pandas fournit plusieurs fonctions pour nous aider à accomplir cette tâche. 🎜
  🎜Utilisez la fonction groupby() pour regrouper par une certaine colonne. 🎜🎜rrreee
  🎜Utilisez la fonction agg() pour effectuer des calculs d'agrégation sur des données groupées. 🎜🎜rrreee
  🎜Fusion et jonction de données🎜🎜🎜Lorsqu'il s'agit de Big Data, il est souvent nécessaire de fusionner ou de joindre plusieurs ensembles de données. Pandas fournit plusieurs fonctions pour nous aider à réaliser cette fonction. 🎜
  🎜Utilisez la fonction merge() pour fusionner deux ensembles de données en fonction des colonnes spécifiées. 🎜🎜rrreee
  🎜Utilisez la fonction concat() pour joindre plusieurs ensembles de données ensemble en lignes ou en colonnes. 🎜🎜rrreee🎜Ce qui précède présente certaines fonctions couramment utilisées et des exemples de code spécifiques de la bibliothèque pandas. J'espère que cela sera utile aux lecteurs lors du traitement du Big Data. Bien entendu, la bibliothèque pandas a des fonctions plus puissantes et vous pouvez explorer davantage les documents officiels et autres documents lorsqu'il s'agit de scénarios plus complexes. Je souhaite que les lecteurs puissent facilement gérer le Big Data et obtenir de meilleurs résultats d'analyse ! 🎜

  Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!