导入数据、数据概览
导入所需要的库
进群:960410445 即可获取书十套PDF!
import pandas as pd import numpy as np import requests from bs4 import BeautifulSoup import re %matplotlib inline
- Panads库 处理我们的数据
- numpy库 执行数值的操作和转换
- requests库 来从网站获取HTML数据
- Python(re) 的正则表达式来更改在处理数据时可能出现的某些字符串
- %matplotlib inline 在Jupyter notebook做图时使用的, 如果不适用这句 魔法命令 图形就会另外打开一个窗口, 使用这句命令 就会让作图出现在 jupyter notebook的浏览器中
爬取数据
r = requests.get( 'https://en.wikipedia.org/wiki/List_of_countries_by_GDP_(nominal)_per_capita' ) gdptable = r.text soup = BeautifulSoup (gdptable, 'lxml' ) table = soup.find( 'table' , attrs = { "class" : "wikitable sortable" }) theads=[] for tx in table.findAll( 'th' ): theads.append(tx.text) data =[] for rows in table.findAll( 'tr' ): row={} i= 0 for cell in rows.findAll( 'td' ): row[theads[i]]=re.sub( '\xa0' , '' ,cell.text) i+= 1 if len(row)!= 0 : data.append(row) print (data)
输出的结果
key-value列表
国家排名、国家的名称、人均GDP(以美元表示)
字典转换为dataframe
gdp = pd. DataFrame (data)
查看前5行
gdp.head()
替换列名
重命名列
#只修改其中一列 gdp = gdp.rename(columns = { 'US$\n' : 'money' }) #修改多个列名 gdp.columns = [ 'Country' , 'Rank' , 'money' ] gdp.head()
删除列
del gdp[ 'Rank' ]
转换数据类型
#删除逗号和换行符 gdp[ 'money' ] = gdp[ 'money' ].apply( lambda x: re.sub( ',' , '' ,x)) gdp[ 'money' ] = gdp[ 'money' ].apply( lambda x: re.sub( '\n' , '' ,x)) #将money转换为数值型 gdp[ 'money' ] = gdp[ 'money' ].apply(pd.to_numeric) gdp.head( 3 )
计算均值
#计算均值 gdp[ 'money' ].mean()
选择数据
#1、人均GDP大于5w gdp5w = gdp[gdp[ 'money' ] > 50000 ] #2、提取以‘S’开头的国家 gdps = gdp[gdp[ 'Country' ].str.startswith( 'S' )] len(gdps)#得到一共有 25 个国家 #3、选择以S开头的国家且人均GDP大于5w的国家 gdps5w = gdp[(gdp[ 'money' ] > 50000 ) & (gdp[ 'Country' ].str.startswith( 'S' ))] #4、现在选择人均GDP大于5w或者以S开头的国家 gdps_or_gdp5w = gdp[(gdp.money > 50000 ) | (gdp. Country .str.startswith( 'S' ))]
求和
#计算人均GDP超过5万的总和 gdp5w.money.sum()
直方图
#直方图 gdp5w.money.hist()
连接数据
countrycsv = pd.read_csv( "D:\\data\\PythonData\\Country.csv" ) df = pd.merge(gdp,countrycsv,how = 'inner' ,left_on = 'Country' ,right_on = 'TableName' ) countrycsv.head()
groupby分组
#将国家和人均GDP按其所在地区进行分组 gdpregion = df.groupby([ 'Region' ]).mean() gdpregion
因为groupby操作创建的是一个可被操作的临时对象,不会创建永久接口来构建聚合结果,因此我们使用pivot_table透视表进行分组
pivot_table透视表
gdppivot = df.pivot_table(index = [ 'Region' ], margins = True , aggfunc = np.mean) gdppivot
删除不需要的列
gdppivot.drop({ 'LatestIndustrialData' , 'LatestTradeData' , 'LatestWaterWithdrawalData' },axis = 1 , inplace = True ) gdppivot
拓展部分:pandas.merge
原文链接:
https://mp.weixin.qq.com/s?__biz=MzIzMzQ3MDQ1Mw==&mid=2247484131&idx=1&sn=638f242383d8b7a75d5556f4777eaf44&chksm=e8846279dff3eb6f4b7ec772252f7c2a1dfe8ea3c2a50320d2a5d1183384186e208819f212f9&mpshare=1&scene=23&srcid=0112Uz99mMmUG2tksj1Zo6bc#rd
参数列表
merge函数的参数
连接方法
pd.merge()方法
创建两个DataFrame
inner(内连接):连接两边都有的值
outer(外连接):左连接和右连接的并集,左侧DataFrame取全部数据,右侧DataFrame匹配左侧DataFrame并用NaN填充缺失值。
默认下是inner连接,即inner 代表交集;outer 代表并集;left 和 right 分别为取一边。
#创建DataFrame df1 = pd. DataFrame ({ 'key' :list( 'bbaca' ), 'data1' :range( 5 )}) df1 df2 = pd. DataFrame ({ 'key' :[ 'a' , 'b' , 'd' ], 'data2' :range( 3 )}) df2
#内连接 pd.merge(df1,df2) #缺省时参数how是内连接,并按照相同的字段key进行合并,推荐使用下面这种方式 #pd.merge(df1,df2,on = 'key')
#外连接 pd.merge(df1,df2,how = 'outer' )
#左连接 pd.merge(df1,df2,how = 'left' )
#右连接 pd.merge(df1,df2,how = 'right' )
pd.merge()索引连接
#索引 #df1使用data1当做连接关键字,df2使用索引当做连接关键字 pd.merge(df1,df2,left_on = 'data1' ,right_index = True )
上面可以发现两个DataFrame中都有key列,merge合并之后,pandas会字段在后面加上(_x,_y)。我们可以使用suffixes进行设置。
pd.merge(df1,df2,left_on = 'data1' ,right_index = True , suffixes = ( '_df1' , '_df2' ))
suffixes=(‘_x’,’_y’) 指的是当左右对象中存在除连接键外的同名列时,结果的区分方式,可以各加一个小尾巴。