Python爬虫数据分析三剑客：Numpy、pandas、Matplotlib

一 Numpy

二 pandas

pandas简介

pandas是建立在Numpy基础上的高效数据分析处理库，是Python的重要数据分析库。
pandas提供了众多的高级函数，极大地简化了数据处理的流程，尤其是被广泛地应用于金融领域的数据分析。

pandas主要包括的是：

• 带有标签的数据结构，主要包括序列（Series）和数据框（DataFrame）等
• 允许简单索引和多级索引
• 支持从Excel、CSV等文本格式中文导入数据，以Pytables/HDF5格式高效地读／写数据。
• 整合了对数据集的集合和转换功能
• 生成特定类型的数据

pandas的导入：

python">import pandas as pd
from pandas import Series,DataFrame
import numpy as np

pandas中的Series

Series是一种类似与一维数组的对象，由下面两个部分组成：

• values：一组数据（ndarray类型）

• index：相关的数据索引标签

1）Series的创建

两种创建方式：

(1) 由列表或numpy数组创建

​ 默认索引为0到N-1的整数型索引

• 还可以通过设置index参数指定索引

python">#使用列表创建   Series是序列
Series(data=[1,2,3,4,5,6])

#结果
0    1
1    2
2    3
3    4
4    5
5    6
dtype: int64

python">#通过numpy创建Series
Series(data=np.random.randint(1,40,size=(5,)),index=['a','d','f','g','t'],name='bobo')

(2) 由字典创建:不能在使用index.但是依然存在默认索引

​ 注意：数据源必须为一维数据

python">dic = {
    '语文':150,
    '数学':150,
    '英语':150,
    '理综':150
}
s = Series(data=dic)

#查看时

s

2）Series的索引和切片

可以使用中括号取单个索引（此时返回的是元素类型），或者中括号里一个列表取多个索引（此时返回的是一个Series类型）。

(1) 显式索引：

- 使用index中的元素作为索引值
- 使用s.loc[]（推荐）:注意，loc中括号中放置的一定是显示索引

注意，此时是闭区间

(2) 隐式索引：

- 使用整数作为索引值
- 使用.iloc[]（推荐）:iloc中的中括号中必须放置隐式索引

注意，此时是半开区间

列如：

切片：隐式索引切片和显示索引切片

• 显示索引切片:index和loc
• 隐式索引切片：整数索引值和iloc

3）Series的基本概念

可以把Series看成一个定长的有序字典

向Series增加一行：相当于给字典增加一组键值对

可以通过shape，size，index,values等得到series的属性

可以使用s.head(),tail()分别查看前n个和后n个值

对Series元素进行去重（使用unique）

两个Series进行相加

• 当索引没有对应的值时，可能出现缺失数据显示NaN（not a number）的情况
• 使得两个Series进行相加:索引与之对应的元素会进行算数运算,不对应的就补空

可以使用pd.isnull()，pd.notnull()，或s.isnull(),notnull()函数检测缺失数据

4）Series的运算

(1) + - * /

(2) add() sub() mul() div() : s1.add(s2,fill_value=0)

(3) Series之间的运算

• 在运算中自动对齐不同索引的数据
• 如果索引不对应，则补NaN

pandas中的DataFrame

DataFrame是一个【表格型】的数据结构。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引，也有列索引。

• 行索引：index
• 列索引：columns
• 值：values

1）DataFrame的创建

最常用的方法是传递一个字典来创建。DataFrame以字典的键作为每一【列】的名称，以字典的值（一个数组）作为每一列。

此外，DataFrame会自动加上每一行的索引。

使用字典创建的DataFrame后，则columns参数将不可被使用。

同Series一样，若传入的列与字典的键不匹配，则相应的值为NaN。

DataFrame的创建方式：

• 使用ndarray创建DataFrame

• 使用ndarray创建DataFrame：创建一个表格用于展示张三，李四，语文，数学，英语的成绩

  python">dic = {
      '张三':[77,88,99],
      '李四':[67,68,69]
  }
  df = DataFrame(data=dic,index=['语文','数学','英语'])
  df

  DataFrame属性：values、columns、index、shape

2）DataFrame的索引

(1) 对列进行索引

- 通过类似字典的方式  df['q']
- 通过属性的方式     df.q

可以将DataFrame的列获取为一个Series。返回的Series拥有原DataFrame相同的索引，且name属性也已经设置好了，就是相应的列名。

修改索引

python">#修改列索引
df.columns = ['zhangsan','lisi']
df

(2) 对行进行索引

- 使用.loc[]加index来进行行索引
- 使用.iloc[]加整数来进行行索引

同样返回一个Series，index为原来的columns。

(3) 对元素索引的方法

- 使用列索引
- 使用行索引(iloc[3,1] or loc['C','q']) 行索引在前，列索引在后

切片：

【注意】 直接用中括号时：

• 索引表示的是列索引
• 切片表示的是行切片

3）DataFrame的运算

（1） DataFrame之间的运算

同Series一样：

• 在运算中自动对齐不同索引的数据
• 如果索引不对应，则补NaN

处理丢失数据

有两种丢失数据：

• None
• np.nan(NaN)

1. None

None是Python自带的，其类型为python object。因此，None不能参与到任何计算中。

2. np.nan（NaN）

np.nan是浮点类型，能参与到计算中。但计算的结果总是NaN。

3. pandas中的None与NaN

1) pandas中None与np.nan都视作np.nan

python">#创建DataFrame
df = DataFrame(data=np.random.randint(10,50,size=(8,8)))
df

python">df.iloc[1,3]=None
df.iloc[2,2]=None
df.iloc[4,2]=None
df.iloc[6,7]=np.nan

2) pandas处理空值操作

• isnull()

• notnull()

• dropna(): 过滤丢失数据

• fillna(): 填充丢失数据

python">#一行中要是都有值  也就是 不是空的为True  
#一行 中只要有一个为none 为空则为False
df.notnull().all(axis=1) #1代表行    notnull(all)  isnull(any)


df.loc[df.notnull().all(axis=1)]   #去掉行有值为空的行

df.dropna() 可以选择过滤的是行还是列（默认为行）:axis中0表示行，1表示的列

python">df.dropna(axis=0)  #删除一行中有空值的行

3) 填充函数 Series/DataFrame

• fillna():value和method参数

  可以选择前向填充还是后向填充

  python">df.fillna(method='ffill',axis=1) #向前填充 就是根据前条数据来填充空数据

  method 控制填充的方式 bfill（向后填充） ffill（向前填充）

1. 创建多层列索引

1) 隐式构造

最常见的方法是给DataFrame构造函数的index或者columns参数传递两个或更多的数组

2) 显示构造pd.MultiIndex.from_

• 使用数组
• 使用product

python">import numpy as np
import pandas as pd
from pandas import Series,DataFrame

col=pd.MultiIndex.from_product([['qizhong','qimo'],
                                ['chinese','math']])

#创建DF对象
df = DataFrame(data=np.random.randint(60,120,size=(2,4)),index=['tom','jay'],
         columns=col)
df

二 pandas的拼接操作

pandas的拼接分为两种：

• 级联：pd.concat, pd.append
• 合并：pd.merge, pd.join

1. 使用pd.concat()级联

python">pandas使用pd.concat函数，与np.concatenate函数类似，只是多了一些参数：

objs
axis=0
keys
join='outer' / 'inner':表示的是级联的方式，outer会将所有的项进行级联（忽略匹配和不匹配），而inner只会将匹配的项级联到一起，不匹配的不级联
ignore_index=False

1)匹配级联

python">df1 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','b','c'],columns=['A','B','C'])
df2 = DataFrame(data=np.random.randint(0,100,size=(3,3)),index=['a','d','c'],columns=['A','d','C'])
pd.concat((df1,df1),axis=0,join='inner')

2) 不匹配级联

不匹配指的是级联的维度的索引不一致。例如纵向级联时列索引不一致，横向级联时行索引不一致

有2种连接方式：

• 外连接：补NaN（默认模式）

• 内连接：只连接匹配的项

3) 使用df.append()函数添加

由于在后面级联的使用非常普遍，因此有一个函数append专门用于在后面添加

2. 使用pd.merge()合并

merge与concat的区别在于，merge需要依据某一共同的列来进行合并

使用pd.merge()合并时，会自动根据两者相同column名称的那一列，作为key来进行合并。

注意每一列元素的顺序不要求一致

参数：

• how：out取并集 inner取交集

• on：当有多列相同的时候，可以使用on来指定使用那一列进行合并，on的值为一个列表

1) 一对一合并

将df1与df2合并

python">df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
                'group':['Accounting','Engineering','Engineering'],
                })
df1


df2 = DataFrame({'employee':['Lisa','Bob','Jake'],
                'hire_date':[2004,2008,2012],
                })
df2


pd.merge(df1,df2,how='outer')

2) 多对一合并

df3 = DataFrame({
    'employee':['Lisa','Jake'],
    'group':['Accounting','Engineering'],
    'hire_date':[2004,2016]})
df3


df4 = DataFrame({'group':['Accounting','Engineering','Engineering'],
                       'supervisor':['Carly','Guido','Steve']
                })
df4


pd.merge(df3,df4,how='outer')

3)多对多合并

python">df5 = DataFrame({'employee':['Bob','Jake','Lisa'],
                 'group':['Accounting','Engineering','Engineering']})
df5

df6 = DataFrame({'group':['Engineering','Engineering','HR'],
                'supervisor':['Carly','Guido','Steve']
                })
df6
pd.merge(df5,df6,how='outer')

4) key的规范化

• 当列冲突时，即有多个列名称相同时，需要使用on=来指定哪一个列作为key，配合suffixes指定冲突列名
• 当两张表没有可进行连接的列时，可使用left_on和right_on手动指定merge中左右两边的哪一列列作为连接的列

python">df1 = DataFrame({'employee':['Jack',"Summer","Steve"],
                 'group':['Accounting','Finance','Marketing']})

df2 = DataFrame({'employee':['Jack','Bob',"Jake"],
                 'hire_date':[2003,2009,2012],
                'group':['Accounting','sell','ceo']})

5) 内合并与外合并:out取并集 inner取交集

• 内合并：只保留两者都有的key（默认模式）

• 外合并 how='outer'：补NaN

三 Matplotlib

python库">Matplotlib是一个主要用于绘制二维图形的Python库

-能够绘制出高质量的图形，并且图形里面的镶嵌的文本必需足够美观

-能够和Tex文档一起输出

-能够嵌入到GUI(图形用户界面)应用程序中

Matplotlib中的基本图表包括的元素

• x轴和y轴 axis
  水平和垂直的轴线

• x轴和y轴刻度 tick
  刻度标示坐标轴的分隔，包括最小刻度和最大刻度

• x轴和y轴刻度标签 tick label
  表示特定坐标轴的值

• 绘图区域（坐标系） axes
  实际绘图的区域

• 坐标系标题 title
  实际绘图的区域

• 轴标签 xlabel ylabel
  实际绘图的区域

matplotlib的导入：

python">import matplotlib.pyplot as plt

包含单条曲线的图

• 注意：y,x轴的值必须为数字

简单的列子：

python">x=[1,2,3,4,5]
y=[2,4,6,8,10]
plt.plot(x,y)

• 绘制抛物线

  python">x = np.linspace(-np.pi,np.pi,num=20)
  y = x**2
  plt.plot(x,y)

• 绘制正弦曲线图

  python">x
  y = np.sin(x)
  plt.plot(x,y)

包含多个曲线的图

1、连续调用多次plot函数

python">plt.plot(x,y)
plt.plot(x+2,y+3)

2、也可以在一个plot函数中传入多对X,Y值，在一个图中绘制多个曲线

python">plt.plot(x,y,x+1,y-2)

将多个曲线图绘制在一个table区域中：对象形式创建表图

• a=plt.subplot（row,col,loc） 创建曲线图
• a.plot(x,y) 绘制曲线图

python">ax1 = plt.subplot(221)
ax1.plot(x,y)

ax2 = plt.subplot(2,2,2)
ax2.plot(x,y)

ax3 = plt.subplot(2,2,3)
ax3.plot(x,y)

ax4 = plt.subplot(2,2,4)
ax4.plot(x,y)

网格线 plt.gride(XXX)

参数：

- axis
- color:支持十六进制颜色
- linestyle: --  -.  :
- alpha

python">plt.plot(x,y)
plt.grid(axis='both',c='blue')

绘制一个正弦曲线图，并设置网格

python">plt.plot(x,y,c='red',alpha=0.7)

坐标轴界限

axis方法:设置x，y轴刻度值的范围

plt.axis([xmin,xmax,ymin,ymax])

python">plt.plot(x,y)
plt.axis([-6,6,-2,2])
#plt.axis('off')
plt.axis('off')
关闭坐标轴