Python其实很简单第二十一章DataFrame数据处理

　　将Excel中的的数据读入数据框架DataFrame后，可以非常方便的进行各种数据处理。
　　21.1 列间求和
　　求总分（总分=语文+数学+英语）
　　对于上一章所提到的学生成绩表，仅用一个语句即可完成总分计算，并填充。
　　df[＂总分＂]=df[＂语文＂]+df[＂数学＂]+df[＂英语＂]
　　完整代码如下：
　　from pandas import read_excel
　　file=＂d:/student.xlsx＂ #见第18章表18-1
　　df=read_excel(file,sheet_name=0,converters={＂学号＂:str})
　　df[＂总分＂]=df[＂语文＂]+df[＂数学＂]+df[＂英语＂]
　　print(df.head()) #df.head()的作用是仅显示5行记录。
　　运行结果如下：
　　序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
　　0 1 070101 王博宇 NaN NaN 84 71 93 248 NaN
　　1 2 070102 陈冠涛 NaN NaN 89 89 89 267 NaN
　　2 3 070103 李文博 NaN NaN 89 72 76 237 NaN
　　3 4 070204 姜海燕 NaN NaN 89 89 89 267 NaN
　　4 5 070205 林若溪 NaN NaN 91 95 83 269 NaN
　　21.2替换
　　既可以将对满足条件的行和列的数据替换，也可以对整个集合的数据按照条件进行替换。
　　df[＂总分＂].replace(310,＂x＂,inplace=True)
　　将总分列的数值＂310＂替换为＂x＂。inplace=True表示改变原数据。
　　df.replace(76,0,inplace=True)
　　将整个DataFrame中的数值＂76＂替换为＂0＂。
　　df.replace([98,76,99],0,inplace=True)
　　将整个DataFrame中的数值＂98,76,99＂一次替换为＂0＂。
　　21.2排序
　　既可以将某一列作为关键字段排序，也可以将几个列分别作为主、次关键字段进行排序。排序既可以按升序排序，也可以按降序排序。
　　函数sort_values()的语法格式如下：
　　df.sort_values(by=[＂col1＂,＂col2＂,......,＂coln＂],ascending=False)
　　其中，coln表示列名，也可以是列名的列表；ascending表示排序方式，值为True表示升序，可以省缺，值为False表示降序。
　　如：
　　df=df.sort_values(by=[＂总分＂],ascending=False)
　　表示按照＂总分＂从高到低排序。
　　df=df.sort_values(by=[＂总分＂,＂语文＂],ascending=False)
　　表示按照＂总分＂从高到低排序，若＂总分＂相同，再按照＂语文＂成绩从高到低排序。
　　21.3 字段截取
　　函数slice()可以从某列中截取字符串。格式如下：
　　slice(start,stop)
　　其中，start表示开始位置；stop表示结束位置
　　例：
　　df[＂年级＂]=df[＂学号＂].str.slice(0,2)
　　通过此语句可以截取学号字段的第1、2个字符，并赋值给年级字段。
　　21.4 记录抽取
　　可以抽取满足条件的记录。
　　例：抽取总分>300的记录。
　　df[df.总分>300]
　　抽取总分在300到310之间（包括300和310）的记录。
　　df[df.总分.between(306,310)]
　　抽取学号中包含＂0803＂的记录。这样可以非常方便的抽取某个班的信息。
　　df[df.学号.str.contains(＂0803＂,na=False)]
　　此处的na=False，含义是如遇到NaN这样的数据，直接做不匹配处理。
　　21.5修改记录
　　1、整列替换
　　我们在前面已经给整列填充过数据，填充时原来的数据就被覆盖了。
　　即如下语句：
　　df[＂总分＂]=df[＂语文＂]+df[＂数学＂]+df[＂英语＂]
　　2、个别修改
　　如将值‘99’替换为值‘100’，可用如下语句：
　　df.replace(＂99＂,＂100＂)
　　将指定列的值替，如将语文列和英语列的值‘99’替换为值‘100’，可用如下语句：
　　df.replace({＂语文＂:99,＂英语＂:99},100)
　　可用如下程序去验证：
　　from pandas import read_excel
　　file=＂d:/student.xlsx＂
　　df=read_excel(file,sheet_name=0,converters={＂学号＂:str})
　　print(df[(df.语文==99) |(df.英语==99)])
　　df=df.replace({＂语文＂:99,＂英语＂:99},100)
　　print(df[(df.语文==99) |(df.英语==99)])
　　运行结果为：
　　序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
　　28 29 090802 丁能通 09 NaN 119 120 99 338 NaN
　　29 30 090203 沈丹妮 09 NaN 109 108 99 316 NaN
　　Empty DataFrame
　　Columns: [序号, 学号, 姓名, 年级, 班级, 语文, 数学, 英语, 总分, 名次]
　　Index: []
　　可以看出，第一个print()语句输出的结果中满足条件＂语文或英语为99分＂的有两条记录，替换语句执行以后，df中再没有满足条件＂语文或英语为99分＂的记录了。
　　21.6记录合并
　　函数concat()的格式如下：
　　concat([dataFrame1,dataFrame2,......]，ignore_index=True)
　　其中，dataFrame1等表示要合并的DataFrame数据集合；ignore_index=True表示合并之后的重新建立索引。其返回值也是DataFrame类型。
　　concat()函数和append()函数的功能非常相似。
　　例：
　　import pandas #导入pandas模块
　　from pandas import read_excel #导入read_execel
　　file=＂d:/student.xlsx＂ #变量file表示文件路径，注意＂/＂的用法 数据见第18章表18-1
　　df=read_excel(file,sheet_name=0,converters={＂学号＂:str})
　　# 将Excel文件导入到DataFrame变量中
　　df=df[:5] #截取df的前5个记录
　　print(df) #输出df
　　df1=df[:3] #截取df的前3个记录存入df1中
　　df2=df[3:5] #截取df的最后2个记录存入df2中
　　df3=pandas.concat([df2,df1]) #将df2与df1合并存入df3中
　　print(df3) #输出df3
　　运行结果如下：
　　序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
　　0 1 070101 王博宇 NaN NaN 84 71 93 NaN NaN
　　1 2 070102 陈冠涛 NaN NaN 89 89 89 NaN NaN
　　2 3 070103 李文博 NaN NaN 89 72 76 NaN NaN
　　3 4 070204 姜海燕 NaN NaN 89 89 89 NaN NaN
　　4 5 070205 林若溪 NaN NaN 91 95 83 NaN NaN
　　序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
　　3 4 070204 姜海燕 NaN NaN 89 89 89 NaN NaN
　　4 5 070205 林若溪 NaN NaN 91 95 83 NaN NaN
　　0 1 070101 王博宇 NaN NaN 84 71 93 NaN NaN
　　1 2 070102 陈冠涛 NaN NaN 89 89 89 NaN NaN
　　2 3 070103 李文博 NaN NaN 89 72 76 NaN NaN
　　由于合并时是将df1合并到df2中，可以看出，索引仍然保持原来的状态。
　　21.7统计次数
　　可以用如下方法统计出某个值在某行或者某个范围出现的次数。
　　from pandas import read_excel
　　file=＂d:/student.xlsx＂
　　df=read_excel(file,sheet_name=0,converters={＂学号＂:str})
　　df=df[:5]
　　print(df)
　　print(df[＂语文＂].value_counts())
　　输出结果如下：
　　序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
　　0 1 070101 王博宇 NaN NaN 84 71 93 NaN NaN
　　1 2 070102 陈冠涛 NaN NaN 89 89 89 NaN NaN
　　2 3 070103 李文博 NaN NaN 89 72 76 NaN NaN
　　3 4 070204 姜海燕 NaN NaN 89 89 89 NaN NaN
　　4 5 070205 林若溪 NaN NaN 91 95 83 NaN NaN
　　89 3
　　84 1
　　91 1
　　Name: 语文, dtype: int64
　　可以看出，通过value_counts()函数可以统计出列中各值出现的次数。
　　value_counts()函数的参数还有 ：
　　ascending，当ascending=True时升序排列，当ascending=False时升序排列（此时该参数可省缺）；
　　normalize，当normalize=True时，显示的不再是各值出现的次数，而是占比。
　　将上例中的语句print(df[＂语文＂].value_counts())改为：
　　print(df[＂语文＂].value_counts(ascending=True,normalize=True))
　　则输出结果变成了：
　　91 0.2
　　84 0.2
　　89 0.6
　　Name: 语文, dtype: float64
　　21.8按值查找
　　print(df[＂语文＂].isin([84,91]))
　　它的作用是查找‘语文’列中值和isin所指的列表中元素一致的记录，如果找到结果为True，否则为False。
　　输出结果：
　　0 True
　　1 False
　　2 False
　　3 False
　　4 True
　　Name: 语文, dtype: bool
　　21.9数据分区
　　根据某个分区标准，将数据按照所属区域进行划分，并用相应的标签表示，可以用cut()方法来实现。
　　语法格式如下：
　　cut(series, bins, right=True, labels=NULL)
　　其中：
　　series表示需要分组的数据；
　　bins表示分组的依据，是一个列表，其元素为划分分区的边界值，如[0,72,96,120]，就是划分3个分区，即0~72、72~96、96~120，默认的是＂左包右不包＂；
　　right表示分组时右边是否闭合；
　　labels表示分组的自定义标签，也可以不重新定义。
　　下面对上述学生成绩表中的语文成绩进行分组，并增加一个新的列＂语文等级＂。
　　import pandas as pd
　　from pandas import read_excel #导入read_execel
　　file=＂d:/student.xlsx＂
　　df=read_excel(file,sheet_name=0,converters={＂学号＂:str})
　　df[＂年级＂]=df[＂学号＂].str.slice(0,2)
　　df[＂班级＂]=df[＂学号＂].str.slice(0,4)
　　df.总分=df.语文+df.数学+df.英语
　　bins=[0,72,96,max(df.语文)+1] #
　　lab=[＂不及格＂,＂及格＂,＂优秀＂]
　　grade=pd.cut(df.语文,bins,right=False,labels=lab)
　　df[＂语文等级＂]=grade
　　print(df.head())
　　print(＂语文成绩分等级统计结果:＂)
　　print(df[＂语文等级＂].value_counts())
　　运行结果如下：
　　序号 学号 姓名 年级 班级 语文 数学 英语 总分 语文等级
　　0 1 070101 王博宇 07 0701 84 71 93 248 及格
　　1 2 070102 陈冠涛 07 0701 89 89 89 267 及格
　　2 3 070103 李文博 07 0701 89 72 76 237 及格
　　3 4 070204 姜海燕 07 0702 89 89 89 267 及格
　　4 5 070205 林若溪 07 0702 91 95 83 269 及格
　　语文成绩分等级统计结果:
　　及格 17
　　优秀 10
　　不及格 4
　　Name: 语文等级, dtype: int64