各位用户为了找寻关于使用python在本地电脑上快速处理数据的资料费劲了很多周折。这里教程网为您整理了关于使用python在本地电脑上快速处理数据的相关资料，仅供查阅，以下为您介绍关于使用python在本地电脑上快速处理数据的详细内容

大数据一般是在“云”上玩的，但“云”都是要钱的，而且数据上上下下的也比较麻烦。所以，在本地电脑上快速处理数据的技能还是要的。

pandas

在比赛中学到的一个工具，本地可以在亿级别的数据上进行聚合等操作。内部的数据包括： • Series：一维数组，每个元素有一个标签 • DataFrame：二维表格，可以看做Series的集合 • Panel：三维数据

数据的初始化

我们可以通过构造函数来初始化，从下面的代码中可以想象得到数据是样子：

? 1 2 3 4 5 6 7 8 9 10 11 12 13 from pandas import Series, DataFrame   s = Series(data=[1, 2, 3], index=['a', 'b', 'c'])   df = DataFrame(   data=[     [1, 2, 3],     [4, 5, 6],     [7, 8, 9]   ],   index=['i1', 'i2', 'i3'],   columns=['c1', 'c2', 'c3'] )

如果源数据是格式比较好的CSV（或者是自己加工生成的中间数据），可以直接读取： df = pandas.read_csv("../volume.csv", header=0)

数据的更新

更新结构

在定义完成之后可以对行、列进行增减（增减数据、修改结构）： • 增加列： • df.insert(3, 'new_column', [4, 7, 10]) • df['c4'] = [4, 7, 10]

• 删除列 • df.pop('c1') • df = df.drop('c1', axis=1)

• 增加行：一般不要动态的增加行，据说新能不高 • df.loc['i4'] = [10, 11, 12] • df.loc['i4'] = {'c1': 10, 'c2': 11, 'c3': 12}

• 删除行： • df = df.drop('i1', axis=0)

更新数据

我们可以精确修改单个位置的值： • df['c1']['i1'] = 77 • df.ix[1, 2] = 66

合并数据

数据很多时候分布在不同的DataFrame中，要使用需要将他们进行合并，第一种方式是concat（基础方法）：

? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 import pandas as pd   df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],           'B': ['B0', 'B1', 'B2', 'B3'],           'C': ['C0', 'C1', 'C2', 'C3'],           'D': ['D0', 'D1', 'D2', 'D3']},           index=[0, 1, 2, 3])   df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],           'B': ['B4', 'B5', 'B6', 'B7'],           'C': ['C4', 'C5', 'C6', 'C7'],           'D': ['D4', 'D5', 'D6', 'D7']},           index=[4, 5, 6, 7])   result = pd.concat([df1, df2])

合并完的结果为：

? 1 2 3 4 5 6 7 8 9   A  B  C  D 0 A0 B0 C0 D0 1 A1 B1 C1 D1 2 A2 B2 C2 D2 3 A3 B3 C3 D3 4 A4 B4 C4 D4 5 A5 B5 C5 D5 6 A6 B6 C6 D6 7 A7 B7 C7 D7

其参数含义如下： • objs ：合并的数据（Series、DataFrame） • axis ：合并轴方向，行(0)、列(1) • join ：关联类型（inner、outer） • join_axes ：结果行，eg: pd.concat([df1, df2], axis=1, join_axes=[pd.Int64Index([1, 2, 3])]) • ignore_index ：是否忽略objs中传入的索引 • keys ：来自不同表的index，每个表一个（ignore_index=True时不管用） • levels ：不同层次的索引 • names ：不同层次的索引的名字 • verify_integrity ：检查是否包含重复项（有一定的代价） • copy ：是否赋值数据

另一个相对简化点的操作是append（简化版，好像没啥特别的）： result = df1.append(df2)

接着来看重点方法merge（将两个表的数据进行融合）：

? 1 2 3 4 5 6 7 8 9 10 11 12 13 import pandas as pd   left = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],            'A': ['A0', 'A1', 'A2', 'A3'],            'B': ['B0', 'B1', 'B2', 'B3']})   right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],            'C': ['C0', 'C1', 'C2', 'C3'],            'D': ['D0', 'D1', 'D2', 'D3']})   result = pd.merge(left, right, on='key')   print(result)

结果为（注意观察与concat不一样的地方）： 

? 1 2 3 4 5   A  B key  C  D 0 A0 B0 K0 C0 D0 1 A1 B1 K1 C1 D1 2 A2 B2 K2 C2 D2 3 A3 B3 K3 C3 D3

方法的参数有： • left、right ：将要进行关联的两个表 • how ：关联方式（left、right、inner、outer） • on ：实现关联的列，不传应该是找相同列名 • left_on、right_on ：分别为left、right的关联列，在列名不同时使用 • left_index、right_index ：是否用索引来关联 • sort ：排序 • suffixes ：后缀 • copy ：是否复制数据

对应的简化版本为join方法：

? 1 2 3 4 5 6 7 8 9 10 11 12 13 import pandas as pd   left = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],            'B': ['B0', 'B1', 'B2', 'B3']},           index=['K0', 'K1', 'K2', 'K3'])   right = pd.DataFrame({'C': ['C0', 'C1', 'C2', 'C3'],            'D': ['D0', 'D1', 'D2', 'D3']},            index=['K0', 'K1', 'K2', 'K3'])   result = left.join(right)   print(result)

输出为：

? 1 2 3 4 5    A  B  C  D K0 A0 B0 C0 D0 K1 A1 B1 C1 D1 K2 A2 B2 C2 D2 K3 A3 B3 C3 D3

数据的查询和分析

基本查询

精确查看单个位置数据的方法： • df['c1']['i1'] • df.loc['i1']['c1'] （先行后列） • df.iloc[1] （下标操作） • df.ix['i1'][1] 或 df.ix[0, 2] （随意使用下标或名称）

通过切片的操作批量取出数据： • df.loc['i1':'i2', ['c1', 'c2']] • df.iloc[1:3, [1, 2]] • df.ix[1:3, 0:2]

查看某行或某列： • 行： df.loc['i1'] • 列： df['c1']

分组

分组（GroupBy）是最最基本的一个分析手段，看个例子：

? 1 2 3 4 5 6 7 8 9 10 11 import pandas as pd import numpy as np   df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],           'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],           'C': np.random.randn(8),           'D': np.random.randn(8)})   result = df.groupby(['A'])   print(result.get_group('foo'))

其他分组形式： • df.groupby('A') • df.groupby(['A', 'B']) • df.groupby(group_func, axis=1) • df.groupby(level=0) • df.groupby([pd.Grouper(level=0), 'A'])

可以对各组进行遍历：

? 1 2 3 for name, group in result:   print(name)   print(group)

对分组的结果可以过滤：

df.groupby('A').B.filter(lambda x : len(x) > 1)

进一步对各个分组进行计算（结果太直观，就不写了）： • df.groupby(['A', 'B']).sum() • df.groupby(['A', 'B']).sum().reset_index() • df.groupby(['A', 'B']).aggregate(np.sum) • df.groupby(['A', 'B']).agg(np.sum) • df.groupby(['A', 'B']).agg([np.sum, np.mean]) • df.groupby(['A', 'B']).agg([np.sum, np.mean]).rename(columns={'sum': 's', 'mean': 'm'}) • df.groupby(['A', 'B']).agg({'C': np.sum, 'D': np.mean}) • df.groupby(['A', 'B']).agg({'C': 'sum', 'D': 'mean'})

利用transform（类似的还有apply）可以对各个分组分别计算：

? 1 2 3 4 5 6 7 8 9 import pandas as pd import numpy as np   df = pd.DataFrame(data={   'A': [1, 1, 3],   'B': [4, 5, 6],   'C': [7, np.nan, 9]})   print(df.groupby('A')['B'].transform(lambda x : x - x.mean()))

输出结果为：

? 1 2 3 4 0  -0.5 1  0.5 2  0.0 Name: B, dtype: float64

类似的，可以在分组上使用窗口函数： • rolling • resample • expanding

条件过滤

用一些常用的构造方式，可以有类似SQL的开发效率��： • tips[tips['time'] == 'Dinner'].head(5) • tips[(tips['time'] == 'Dinner') & (tips['tip'] > 5.00)] • tips[(tips['size'] >= 5) | (tips['total_bill'] > 45)] • frame[frame['col2'].isnull()] • frame[frame['col1'].notnull()]

最后，如果想图形化看在PyCharm里面需要搞个 plt.show() （其他的IDE并不清楚）。

numpy

比较早接触的numpy，总体上来看处理数据比自带类型方便些： • np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]]) • np.array((5, 6, 7, 8))

主要集中在数组、矩阵的处理上！是很多工具的基础。