【Python从入门到进阶】61、Pandas中DataFrame对象的操作（二）

接上篇《60、Pandas中DataFrame对象的操作（一）》
上一篇我们讲解了DataFrame对象的简介、基本操作及数据清洗相关的内容。本篇我们来继续讲解DataFrame对象的统计分析、可视化以及数据导出与保存相关内容。

一、DataFrame的统计分析

在数据分析和处理中，Pandas的DataFrame提供了强大的统计分析功能，帮助我们深入理解数据的分布、趋势和特征。以下将详细介绍描述性统计、分组聚合以及数据透视表等关键功能。

1、描述性统计

描述性统计是数据分析的第一步，它通过计算一系列统计量来概括数据的中心趋势、离散程度和分布形态。在Pandas中，我们可以轻松地对DataFrame中的数值列进行描述性统计分析。

●计算均值（Mean）：均值是所有观测值的算术平均值，能够反映数据的中心位置。使用.mean()方法计算DataFrame中所有数值列的均值，或者通过指定列名来计算特定列的均值。
●计算中位数（Median）：中位数是将一组数据从小到大排列后，位于中间位置的数。当数据中存在极端值时，中位数比均值更能反映数据的中心趋势。使用.median()方法计算中位数。
●计算众数（Mode）：众数是数据集中出现次数最多的数。Pandas的DataFrame没有直接的.mode()方法来计算众数，但可以使用scipy.stats.mode或pandas.Series.mode()（对于Series）来实现。对于DataFrame，通常需要先选择一列，然后应用此方法。
●计算标准差（Standard Deviation）：标准差是衡量数据离散程度的一种指标，表示数据点与均值的平均距离。使用.std()方法计算标准差。

# 示例代码  
import pandas as pd
import numpy as np# 创建一个包含不同类型数据的表
data = {'编号': [1, 2, 3, 4, 5, 6],'姓名': ['张三', '李四', '王五', '赵六', '孙七', '李雷'],'年龄': [25, 30, 28, 22, 35, 25],'薪资': [50000, 60000, 70000, 80000, 40000, 50000],'入职日期': ['2020-01-01', '2021-02-15', '2022-03-01', '2021-04-15', '2020-05-01', '2020-01-01'],  # 日期时间字符串'类别': ['A', 'B', 'A', 'C', 'C', 'A']  # 分类数据
}# 将数据字典转换为DataFrame
df = pd.DataFrame(data)print("薪资列均值：", df['薪资'].mean())
print("年龄中位数：", df['年龄'].median())
# 对于众数，需要先选择一列
mode_val = df['类别'].mode()[0]
print("类别众数：", mode_val)
print("薪资标准差", df['薪资'].std())

测试结果：

2、分组聚合

分组聚合是数据分析中常用的技术，它允许我们将数据按照一个或多个键进行分组，然后对每个组应用聚合函数来计算统计量。

●使用groupby()方法进行分组：groupby()方法根据一个或多个列的值将数据分成多个组。分组后，可以使用聚合函数对每组数据进行操作。
●聚合函数：Pandas提供了多种聚合函数，如sum()（求和）、mean()（均值）、count()（计数）、max()（最大值）、min()（最小值）等。这些函数可以直接应用于groupby()的结果上。

# 分组求和
grouped_sum = df.groupby('类别').sum()
print("分组求和（薪资为例）:")
print(grouped_sum[['薪资']])# 分组计算均值，仅对数值列操作
numeric_cols = ['年龄', '薪资']  # 指定要计算的数值列
grouped_mean = df.groupby('类别')[numeric_cols].mean()print("分组计算均值（薪资和年龄为例）:")
print(grouped_mean)

测试结果：

3、数据透视表

数据透视表是一种强大的数据分析工具，它能够以表格的形式展示数据的分组汇总信息，便于进行数据的比较和分析。使用pivot_table()方法创建数据透视表：pivot_table()方法能够根据一个或多个键对数据进行分组，并对每个组应用聚合函数来计算统计量。与groupby()相比，pivot_table()提供了更灵活的布局选项，如指定行索引、列索引和值。

# 示例代码  
# 创建一个示例DataFrame
data2 = {'产品': ['苹果', '香蕉', '苹果', '橙子', '香蕉', '苹果', '橙子', '香蕉'],'地区': ['北方', '南方', '北方', '北方', '南方', '南方', '南方', '北方'],'销售量': [50, 60, 70, 80, 90, 100, 110, 120],'销售额': [250, 300, 350, 400, 450, 500, 550, 600]
}df = pd.DataFrame(data2)# 打印原始DataFrame
print("原始DataFrame:")
print(df)# 创建数据透视表
# 索引为'产品'，列为'地区'，聚合函数为sum（对销售量和销售额进行求和）
pivot_table = pd.pivot_table(df, values=['销售量', '销售额'], index=['产品'], columns=['地区'], aggfunc='sum')# 打印数据透视表
print("\n数据透视表:")
print(pivot_table)

测试效果：

在上面的代码中，values参数指定了要汇总的列，index参数指定了行索引列，columns参数指定了列索引列，aggfunc参数指定了聚合函数。通过这种方式，我们可以轻松地创建出复杂的数据透视表，以满足不同的数据分析需求。

二、DataFrame的可视化

在数据分析和数据科学领域，数据可视化是理解数据分布、趋势和关系的关键步骤。Pandas库虽然主要聚焦于数据处理，但它与强大的可视化库（如Matplotlib和Seaborn）的无缝集成，使得从数据处理到数据可视化的流程变得极为顺畅。以下将详细介绍如何使用Pandas结合Matplotlib和Seaborn库进行DataFrame的可视化。

1、整合Matplotlib进行绘图

Matplotlib是Python中最基础且广泛使用的绘图库之一，它提供了大量的绘图功能，能够生成出版级别的图表。Pandas的DataFrame和Series对象可以直接与Matplotlib集成，方便地将数据转换为图形。

（1）绘制柱状图

柱状图是展示分类数据（如不同类别的销售量）的一种直观方式。

import pandas as pd
import matplotlib.pyplot as plt# 示例数据
data = {'产品': ['苹果', '香蕉', '橙子'], '销售量': [100, 150, 120]}
df = pd.DataFrame(data)# 设置Matplotlib支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置为黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像时负号'-'显示为方块的问题# 绘制柱状图
df.plot(kind='bar', x='产品', y='销售量')
plt.title('产品销售量')
plt.xlabel('产品')
plt.ylabel('销售量')
plt.show()

测试效果：

（2）绘制折线图

折线图常用于展示时间序列数据或连续变量的变化趋势。

# 假设我们有时间序列数据  
data = {'日期': ['2023-01', '2023-02', '2023-03'], '销售额': [200, 250, 300]}  
df = pd.DataFrame(data)  
df['日期'] = pd.to_datetime(df['日期'])  # 确保日期是datetime类型  # 绘制折线图  
df.plot(kind='line', x='日期', y='销售额')  
plt.title('销售额变化趋势')  
plt.xlabel('日期')  
plt.ylabel('销售额')  
plt.xticks(rotation=45)  # 旋转x轴标签以便阅读  
plt.show()

测试效果：

（3）绘制饼图

饼图用于展示各部分在整体中的比例。

# 使用之前的销售数据  
df.plot(kind='pie', y='销售量', labels=df['产品'], autopct='%1.1f%%')  
plt.title('产品销售量比例')  
plt.ylabel('')  # 饼图通常不需要y轴标签  
plt.show()

测试效果：

2、使用Seaborn库进行更高级的可视化

Seaborn是基于Matplotlib的高级绘图库，它提供了更多的绘图功能和更美观的默认样式，与Pandas的集成也非常方便。
Seaborn能够自动处理Pandas DataFrame的索引和列名，使得绘图过程更加简洁。同时，Seaborn提供了多种类型的图表，如散点图、箱型图、热力图等，以及用于统计分析和数据探索的功能。

（1）散点图

散点图用于展示两个变量之间的关系。

import seaborn as sns  # 假设我们有两个变量  
data = {'体重': [50, 60, 70, 80, 90], '身高': [160, 170, 180, 190, 200]}  
df = pd.DataFrame(data)  # 绘制散点图  
sns.scatterplot(x='身高', y='体重', data=df)  
plt.title('身高与体重的关系')  
plt.show()

测试结果：

（2）箱型图

箱型图用于展示数据的分布，包括中位数、四分位数、异常值等。

# 使用之前的销售数据  
sns.boxplot(x='产品', y='销售量', data=df)  
plt.title('产品销售量的分布情况')  
plt.show()

测试结果：

（3）热力图

热力图用于展示矩阵数据中的数值大小，常用于展示相关性矩阵或频率矩阵。

# 绘制热力图
# 创建数据集
data = {'助攻数': [4, 5, 5, 6, 7, 8, 8, 10],'篮板数': [12, 14, 13, 7, 8, 8, 9, 13],'得分': [22, 24, 26, 26, 29, 32, 20, 14]}
df = pd.DataFrame(data)# 计算相关矩阵
corr_matrix = df.corr()# 显示结果，保留三位小数
print(corr_matrix.round(3))# 绘制热力图
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.show()

测试结果：

通过以上示例，我们可以看到Pandas结合Matplotlib和Seaborn库能够轻松实现DataFrame的可视化，无论是基础的图表类型还是更高级的数据可视化需求，都能轻松展示。

三、DataFrame的导出与保存

1、导出为CSV文件

CSV（Comma-Separated Values）是一种常用的文本文件格式，用于存储表格数据，包括数字、文本等。Pandas提供了to_csv()方法，可以方便地将DataFrame导出为CSV文件。●基本用法：

import pandas as pd# 创建一个包含不同类型数据的表
data = {'编号': [1, 2, 3, 4, 5, 6],'姓名': ['张三', '李四', '王五', '赵六', '孙七', '李雷'],'年龄': [25, 30, 28, 22, 35, 25],'薪资': [50000, 60000, 70000, 80000, 40000, 50000],'入职日期': ['2020-01-01', '2021-02-15', '2022-03-01', '2021-04-15', '2020-05-01', '2020-01-01'],  # 日期时间字符串'类别': ['A', 'B', 'A', 'C', 'C', 'A']  # 分类数据
}# 将数据字典转换为DataFrame
df = pd.DataFrame(data)df.to_csv('data.csv', index=False)  # index=False表示不保存行索引

●高级选项：

sep：指定字段分隔符，默认为逗号,。
encoding：指定文件的编码格式，如utf-8。
columns：指定要导出的列，通过列名列表实现。
header：是否写入列名作为文件头部，默认为True。

效果：

2、导出为Excel文件

Excel文件因其良好的兼容性和用户友好的界面，在数据分析领域广受欢迎。Pandas通过to_excel()方法支持将DataFrame导出为Excel文件，但需要注意的是，这要求安装了openpyxl或xlwt库作为引擎。

●安装必要的库（如果尚未安装）：

pip install openpyxl

●基本用法：

df.to_excel('data.xlsx', index=False, engine='openpyxl')

●高级选项：

sheet_name：指定工作表名，默认为'Sheet1'。
startrow和startcol：指定开始写入的行和列（从0开始计数）。
float_format：浮点数的格式化字符串，如'%.2f'表示保留两位小数。

测试效果：

3、导出为其他格式（可选）

Pandas不仅限于导出为CSV和Excel文件，还支持多种其他格式，如SQL数据库、JSON文件等，这为数据分析师提供了极大的灵活性。

●导出到SQL数据库：
使用to_sql()方法可以将DataFrame直接保存到SQL数据库中。这需要先安装数据库连接库（如sqlalchemy和相应的数据库驱动）。

from sqlalchemy import create_engine  # 创建数据库连接引擎  
engine = create_engine('sqlite:///mydatabase.db')  # 将DataFrame保存到SQL表  
df.to_sql('tablename', con=engine, if_exists='replace', index=False)

●导出为JSON文件：
JSON格式因其轻量级和易于阅读的特性，在Web开发中广泛应用。Pandas的to_json()方法可以将DataFrame转换为JSON格式的字符串或文件。

# 导出为JSON字符串
json_str = df.to_json(orient='records')# 或直接写入文件
df.to_json('data.json', orient='records', lines=True)

orient参数控制JSON对象的结构，常见的选项有'split', 'records', 'index', 'columns', 'values', 和 'table'。

测试效果：

至此，关于DataFrame对象的统计分析、可视化以及数据导出与保存相关内容已介绍完毕，下一篇我们来讲解DataFrame对象的案例实践。

转载请注明出处：https://guangzai.blog.csdn.net/article/details/140753857