开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> Python知识库 -> pandas数据处理操作大全 -> 正文阅读

[Python知识库]pandas数据处理操作大全

1 创建读取数据

# 1 数据读取和预处理
df = pd.read_csv(r"F:\gongsi\WorkList\1工作文档\时空聚类数据集\洛杉矶犯罪数据集\Crime_Data_from_2020_to_Present.csv")
df_quNAN = df[df['LAT']>0]                                         # 去0值
date_y2020 = df_quNAN[df_quNAN["DATE OCC"].str.contains("/2020")]  # 2020年数据
date_y2020 = df_quNAN[df_quNAN["DATE OCC"].str.contains("/2020")]       # 取出2020年的数据
date_y2020month = date_y2020[date_y2020["DATE OCC"].str.startswith('01')]   # 取出1月份的数据   (18145, 28)
kongjian_y2020month = date_y2020month.loc[:,['LAT','LON']]             # 只获取3列的数据  (18145, 3)
kongjian_y2020month['cluster'] = cluster.labels_

# 字段名和索引的实现
kongjian_y2020month.columns = ['latitude', 'longitude']   # 因为空间聚类算法用到'latitude', 'longitude'属性
kongjian_y2020month.index = range(len(kongjian_y2020month))

2 查看数据

（1）查看列
date_y2020.columns
（2）date_y2020.infos()
（3）df.describe()
（4）df.head(10)
（5）df.shape
（6）df[‘LAT’].dtypes # 查看某一列的类型
（7）date_y2020month[‘Crm Cd’].value_counts().keys
（ 8）查看值分布

kongjian_y2020month['cluster'] = cluster.labels_
kongjian_y2020month['cluster'].value_counts().values
kongjian_y2020month['cluster'].value_counts()

在这里插入图片描述

（9）查看每个值的分布

for item in date_y2020month['Premis Cd'].value_counts().keys():
    print(item)
    plt.figure(figsize=(12, 9), dpi=80)  # 绘图
    plt.scatter(date_y2020month[date_y2020month['Premis Cd'] == item]['LON'].values.tolist(), 
                date_y2020month[date_y2020month['Premis Cd'] == item]['LAT'].values.tolist())
    plt.show()

（10）查看以6开头的值的分布

list(date_y2020jan1[(date_y2020jan1['Crm Cd'] / 100).astype(int) == 6]['Crm Cd Desc'].values)

（11）查看每种类型的值的个数
在这里插入图片描述
(12)查看最大最小值唯一值

print(df["date_time"].min())
df["month"].unique()

（13）查看空值分布

kongjian_y2020jan.isnull().sum([kongjian_y2020jan.isnull().sum()>0]

（14）柱状图查看

在这里插入图片描述
（15）统计数据查看

3 获取指定行列数据

3.1 查询选择

https://blog.csdn.net/weixin_29696999/article/details/112663789
pandas读取行列数据的所有方法
https://www.cnblogs.com/wynlfd/p/14024947.html

一共3种：
用loc和iloc可以解决所有问题了
(1) 获取指定行名和列名用loc
(2) 获取指定列的所有行用df[[‘省份’, ‘总人数’]],不推荐用它
df[‘省份’]) #按列名取列
df.省份) # 按列名取列
(3) 根据位置索引用iloc

3.2 根据条件筛选

在这里插入图片描述

https://www.pythonf.cn/read/157986

Pandas提取含有指定字符串的行或列
https://blog.csdn.net/nixiang_888/article/details/109371043?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control

3.3 数据格式转换

y2020jan['Premis Cd'] = (y2020jan['Premis Cd']/100).astype(int)

3.4 数据统计

x_label = y2020jan1[y2020jan1['cluster_num']==3].groupby('AREA').size().keys().values
y_label = y2020jan1[y2020jan1['cluster_num']==3].groupby('AREA').size().values
plt.bar(x_label,y_label)
plt.show()

4 时间数据

这个最好
https://blog.csdn.net/weixin_41261833/article/details/104839119

https://www.cnblogs.com/shao-shuai/p/9839011.html

https://www.cnblogs.com/zhangyafei/p/10513893.html

https://blog.csdn.net/weixin_39637285/article/details/111534198?utm_medium=distribute.pc_relevant.none-task-blog-2_defaultbaidujs_baidulandingword~default-4.control&spm=1001.2101.3001.4242

4.1 提取年月日时间

df["date_"] = pd.to_datetime(df['date'])          # 1 日期转换为时间格式
print(df["date_"].value_counts().values)                 # 2 查看每天的数据
df["date_time"] = pd.to_datetime(df['date'] + ' ' + df['time'])        # 3 将日期列和时间列的字符串合并，并转为datetime格式
df["date_time_beijing"] =  df["date_time"] +datetime.timedelta(hours=8)      # 4 将时间加上8小时
df["year"] = df['date_time_beijing'].apply(lambda x:x.year)           # 5 获取年份
df["month"] = df['date_time_beijing'].apply(lambda x:x.month)         # 6 获取月份
df["day"] = df['date_time_beijing'].apply(lambda x:x.day)         
print("最小时间：",df["date_time_beijing"].min())                           # 7查看时间范围最大最小
print(df["date_time_beijing"].max()) 
df["weekday"] = df['date_time_beijing'].apply(lambda x:x.dayofweek)    # 8 获取星期，0代表星期1，1代表星期2
df["hour"] =  df['date_time_beijing'].apply(lambda x:x.hour)           # 9 获取小时
df_min = df.iloc[::12, :]               # 10 1分钟取一条
apple = apple.set_index("Date")  # 将时间设为索引

4.2 提取时间time,不要date

# 这种提取时间的方式不对，不知道为什么，只能用下面的方式
df["time"] = df['date_time_beijing'].apply(lambda x:x.time)

在这里插入图片描述
字符串和datetime之间的转换https://blog.csdn.net/xiaomeng29/article/details/91366762

在这里插入图片描述

5 数据操作（加减乘除）

在这里插入图片描述

归一化

max_min_scaler = lambda x : (x-numpy.min(x))/(numpy.max(x)-numpy.min(x))    # 9 对连续变量进行归一化
kkk = y2020jan[['Vict Age']].apply(max_min_scaler)

类型转换

y2020jan['Crm Cd'] = y2020jan['Crm Cd'].astype(str)            # 10 进行类型转换，转为one hot编码，先转换为object才行，否则不会转换
y2020jan['Premis Cd'] = y2020jan['Premis Cd'].astype(int)

将一列数对应改成其它名称，先变成字典，再一一对应

y2020jan_result = y2020jan['Vict Descent'].unique()           # 9 Vict Descent变成数字类型
y2020jan_result = y2020jan_result.tolist()
list_vict = list(range(len(y2020jan_result)))
Vict_Descent_dict = dict(zip(y2020jan_result,list_vict))
Vict_Descent_dict
y2020jan['Vict Descent'] = y2020jan['Vict Descent'].map(Vict_Descent_dict)   # 9 Vict Descent变成数字类型

在这里插入图片描述

除以100只保留百位数字

y2020jan['Crm Cd'] = (y2020jan['Crm Cd']/100).astype(int)                     # 10 只保留首位数字代码  
y2020jan['Premis Cd'] = (y2020jan['Premis Cd']/100).astype(int)
y2020jan['Weapon Used Cd'] = (y2020jan['Weapon Used Cd']/100).astype(int)
y2020jan

在这里插入图片描述

6 评价指标

print("calinski_harabasz_score：",calinski_harabasz_score(kongjian_y2020month[['LON', 'LAT']],cluster.labels_,metric=customer_metric))
print("silhouette_score：", silhouette_score(kongjian_y2020month[['LAT','LON']], cluster.labels_,metric=customer_metric))

7 可视化探索

plt.figure(figsize=(12, 9), dpi=80)  # 绘图
plt.scatter(kongjian_y2020month['LON'].values.tolist(), kongjian_y2020month['LAT'].values.tolist(),c=cluster.labels_)
plt.title('SPACE-DBSCAN: 2020-01:eps=500,min_samples=%d' % item)
plt.xlabel('longitude(W)')
plt.ylabel('latitude(N)')
plt.savefig("F:/gongsi/WorkList/6canshu/2dbscan_min/SpaceDbscan202001min%d.png" % item, dpi=300)
plt.show()
plt.cla()

进行图例的划分
fig, ax1 = plt.subplots(figsize=(12, 9), dpi=80)
ax1.scatter(y2020jan_k0['LAT'].values.tolist(),y2020jan_k0['LON'].values.tolist(), c = 'red',label = 'class1')
ax1.scatter(y2020jan_k1['LAT'].values.tolist(),y2020jan_k1['LON'].values.tolist(), c = 'purple',label = 'class2')
ax1.scatter(y2020jan_k2['LAT'].values.tolist(),y2020jan_k2['LON'].values.tolist(), c = 'blue',label = 'class3')
ax1.scatter(y2020jan_k3['LAT'].values.tolist(),y2020jan_k3['LON'].values.tolist(), c = 'pink',label = 'class4')
ax1.scatter(y2020jan_k4['LAT'].values.tolist(),y2020jan_k4['LON'].values.tolist(), c = 'green',label = 'class5')
ax1.scatter(y2020jan_k5['LAT'].values.tolist(),y2020jan_k5['LON'].values.tolist(), c = 'yellow',label = 'class6')

plt.legend()

plt.show()

显示中文
https://blog.csdn.net/asialee_bird/article/details/81027488

from matplotlib.font_manager import FontProperties #字体管理器
#设置汉字格式
font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=15)
fig, ax1 = plt.subplots(figsize=(12, 9), dpi=80)
ax1.scatter(zaoshengdian['LON'].values.tolist(),zaoshengdian['LAT'].values.tolist(), c = 'red',)
ax1.scatter(redian['LON'].values.tolist(),redian['LAT'].values.tolist(), c = 'purple',label = '高犯罪率地区',)
plt.legend(prop=font)
plt.title('洛杉矶2020年1月份犯罪热点区域',fontproperties=font)
plt.xlabel('longitude(W)')
plt.ylabel('latitude(N)')
plt.show()

加载地图

import folium
latitude = 34.0677
longitude = -118.2398
san_map = folium.Map(location=[latitude, longitude], zoom_start=12)

from geopy.distance import great_circle
import pandas as pd
from sklearn.cluster import DBSCAN

# 1 数据读取和预处理
df = pd.read_csv(r"F:\gongsi\WorkList\1工作文档\时空聚类数据集\洛杉矶犯罪数据集\Crime_Data_from_2020_to_Present.csv")
df_quNAN = df[df['LAT']>0]                                         # 去0值
date_y2020 = df_quNAN[df_quNAN["DATE OCC"].str.contains("/2020")]  # 2020年数据
date_y2020month = date_y2020[date_y2020["DATE OCC"].str.startswith('12')]   # 取出1月份的数据   (18145, 28)
kongjian_y2020month = date_y2020month.loc[:,['LAT','LON']]             # 只获取3列的数据  (18145, 3)
def customer_metric(x ,y):
    """
    计算空间距离
    :param x: 一个点
    :param y: 另一个点
    :return: 返回距离
    """
    return great_circle(x,y).meters

dbscan = DBSCAN(eps=500, min_samples=60, metric=customer_metric)  # 实例
# 必须是维度和经度
cluster = dbscan.fit(kongjian_y2020month[['LAT', 'LON']])
kongjian_y2020month['cluster'] = cluster.labels_

redian = kongjian_y2020month[kongjian_y2020month['cluster']!=-1] 
zaoshengdian =  kongjian_y2020month[kongjian_y2020month['cluster']==-1]

data = redian.iloc[:, :2]
incidents = folium.map.FeatureGroup()
for lat, lng, in zip(data.LAT, data.LON):
    incidents.add_child(
        folium.CircleMarker(
            [lat, lng],
            radius=4, # define how big you want the circle markers to be
            color='yellow',
            fill=True,
            fill_color='red',
            fill_opacity=0.4
        )
    )

# Add incidents to map
san_map = folium.Map(location=[latitude, longitude], zoom_start=12)
san_map.add_child(incidents)

8 模型构建

9 其它

9.1 自定义距离

def customer_metric(x ,y):
    """
    计算空间距离
    :param x: 一个点
    :param y: 另一个点
    :return: 返回距离
    """
    return great_circle(x,y).meters

dbscan = DBSCAN(eps=500, min_samples=30, metric=customer_metric)  # 实例

探索距离

from scipy.spatial.distance import pdist
x = np.array([[ 0, 2, 3, 4],
[ 2, 0, 7, 8],
[ 3, 7, 0, 12],
[ 4, 8, 12, 0]])
distance = pdist(x, metric=‘euclidean’) # 求出来两两向量的距离
low, mid, up = np.percentile(distance, [25, 50, 75]) # 对距离求解分位数
eps = mid + 1.5*(up- low) # 选择盒图的上界作为邻域半径的选择
eps

9.2 设置参数

案例：

from geopy.distance import great_circle
import pandas as pd
from sklearn.cluster import DBSCAN
from sklearn import datasets
import numpy as np
import random
import matplotlib.pyplot as plt
import time

# 聚类评价指标
from sklearn.metrics import calinski_harabasz_score,silhouette_score
# score = calinski_harabasz_score(kongjian_y2020jan_sample[['latitude','longitude']], kongjian_y2020jan_sample['clusters'])
begin = time.time()

# 1 数据读取和预处理
df = pd.read_csv(r"F:\gongsi\WorkList\1工作文档\时空聚类数据集\洛杉矶犯罪数据集\Crime_Data_from_2020_to_Present.csv")
df_quNAN = df[df['LAT']>0]                                         # 去0值
date_y2020 = df_quNAN[df_quNAN["DATE OCC"].str.contains("/2020")]  # 2020年数据
date_y2020month = date_y2020[date_y2020["DATE OCC"].str.startswith('01')]   # 取出1月份的数据   (18145, 28)
kongjian_y2020month = date_y2020month.loc[:,['LAT','LON']]             # 只获取3列的数据  (18145, 3)

def customer_metric(x ,y):
    """
    计算空间距离
    :param x: 一个点
    :param y: 另一个点
    :return: 返回距离
    """
    return great_circle(x,y).meters

dbscan = DBSCAN(eps=500, min_samples=60, metric=customer_metric)  # 实例
# 必须是维度和经度
cluster = dbscan.fit(kongjian_y2020month[['LAT', 'LON']])
kongjian_y2020month['cluster'] = cluster.labels_
kongjian_y2020month.describe()

redian = kongjian_y2020month[kongjian_y2020month['cluster']!=-1] 
zaoshengdian =  kongjian_y2020month[kongjian_y2020month['cluster']==-1] 

from matplotlib.font_manager import FontProperties #字体管理器
#设置汉字格式
font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=15)
fig, ax1 = plt.subplots(figsize=(12, 9), dpi=80)
ax1.scatter(zaoshengdian['LON'].values.tolist(),zaoshengdian['LAT'].values.tolist(), c='purple')
ax1.scatter(redian['LON'].values.tolist(),redian['LAT'].values.tolist(), c = 'r',label = '高犯罪率区域',)
plt.legend(prop=font)
plt.title('洛杉矶2020年1月份犯罪热点区域',fontproperties=font)
plt.xlabel('longitude(W)')
plt.ylabel('latitude(N)')
plt.show()