大家好，欢迎来到IT知识分享网。

导读：Pandas 是一个强大的分析结构化数据的工具集，它的使用基础是 Numpy（提供高性能的矩阵运算），用于数据挖掘和数据分析，同时也提供数据清洗功能。

本文收集了 Python 数据分析库 Pandas 及相关工具的日常使用方法，备查，持续更新中。

作者：李庆辉

来源：华章科技

缩写说明：

• df：任意的 Pandas DataFrame 对象
• s：任意的 Pandas Series 对象
• 注：有些属性方法 df 和 s 都可以使用

推荐资源：

• pandas 在线教程
• https://www.gairuo.com/p/pandas-tutorial
• 书籍 《深入浅出Pandas：利用Python进行数据处理与分析》

01 环境搭建

# https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
# https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
# https://docs.conda.io/en/latest/miniconda.html
# excel 处理相关包 xlrd / openpyxl / xlsxwriter
# 解析网页包 requests / lxml / html5lib / BeautifulSoup4
# 计算包：scipy
pip install jupyter pandas matplotlib
# 国外网络慢，可指定国内源快速下载安装
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

Conda 多 Python 版本环境：

# 创建新环境，<环境名称>, python 版本 conda create -n py39 python=3.9 # 删除环境 conda remove -n py39 --all # 进入、激活环境 conda activate py39 # 退出环境 conda deactivate # 查看所有虚拟环境及当前环境 conda info -e

02 Jupyter Notebook 快捷键

启动 Jupyter Notebook：jupyter notebook

快捷键及功能：

• <tab>：代码提示
• Shift+ Enter：执行本行并定位到新增的行
• Shift+Tab(1-3次)：查看函数方法说明
• D, D：双击 D 删除本行
• A / B：向上 / 下增加一行
• M / Y：Markdown / 代码模式

03 导入库包

import pandas as pd # 最新为 1.4.1 版本 (2022-02-12) import numpy as np import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline

04 导入数据

# 从 CSV 文件导入数据
pd.read_csv('file.csv', name=['列名','列名2'])
# 从限定分隔符的文本文件导入数据
pd.read_table(filename, header=0)
# Excel 导入，指定 sheet 和表头
pd.read_excel('file.xlsx', sheet_name=' 表1', header=0)
# 从 SQL 表/库导入数据
pd.read_sql(query, connection_object)
# 从 JSON 格式的字符串导入数据
pd.read_json(json_string)
# 解析 URL、字符串或者 HTML 文件，抽取其中的 tables 表格
pd.read_html(url)
# 从你的粘贴板获取内容，并传给 read_table()
pd.read_clipboard()
# 从字典对象导入数据，Key 是列名，Value是数据
pd.DataFrame(dict)
# 导入字符串
from io import StringIO
pd.read_csv(StringIO(web_data.text))

05 导出输出数据

# 导出数据到CSV文件
df.to_csv('filename.csv')
# 导出数据到Excel文件
df.to_excel('filename.xlsx', index=True)
# 导出数据到 SQL 表
df.to_sql(table_name, connection_object)
# 以Json格式导出数据到文本文件
df.to_json(filename)
# 其他
df.to_html() # 显示 HTML 代码
df.to_markdown() # 显示 markdown 代码
df.to_string() # 显示格式化字符
df.to_latex(index=False) # LaTeX tabular, longtable
df.to_dict('split') # 字典, 格式 list/series/records/index
df.to_clipboard(sep=',', index=False) # 存入系统剪贴板

# 将两个表格输出到一个excel文件里面,导出到多个 sheet
writer=pd.ExcelWriter('new.xlsx')
df_1.to_excel(writer,sheet_name='第一个', index=False)
df_2.to_excel(writer,sheet_name='第二个', index=False)
writer.save() # 必须运行writer.save()，不然不能输出到本地

# 写法2
with pd.ExcelWriter('new.xlsx') as writer:
df1.to_excel(writer, sheet_name='第一个')
df2.to_excel(writer, sheet_name='第二个')
# 用 xlsxwriter 导出支持合并单元格、颜色、图表等定制功能
# https://xlsxwriter.readthedocs.io/working_with_pandas.html

06 创建测试对象

# 创建20行5列的随机数组成的 DataFrame 对象 pd.DataFrame(np.random.rand(20,5)) # 从可迭代对象 my_list 创建一个 Series 对象 pd.Series(my_list) # 增加一个日期索引 df.index = pd.date_range('1900/1/30', periods=df.shape[0]) # 创建随机数据集 df = pd.util.testing.makeDataFrame() # 创建随机日期索引数据集 df = pd.util.testing.makePeriodFrame() df = pd.util.testing.makeTimeDataFrame() # 创建随机混合类型数据集 df = pd.util.testing.makeMixedDataFrame()

07 查看、检查、统计、属性

df.head(n) # 查看 DataFrame 对象的前n行 df.tail(n) # 查看 DataFrame 对象的最后n行 df.sample(n) # 查看 n 个样本，随机 df.shape # 查看行数和列数 df.info() # 查看索引、数据类型和内存信息 df.describe() # 查看数值型列的汇总统计 df.dtypes # 查看各字段类型 df.axes # 显示数据行和列名 df.mean() # 返回所有列的均值 df.mean(1) # 返回所有行的均值，下同 df.corr() # 返回列与列之间的相关系数 df.count() # 返回每一列中的非空值的个数 df.max() # 返回每一列的最大值 df.min() # 返回每一列的最小值 df.median() # 返回每一列的中位数 df.std() # 返回每一列的标准差 df.var() # 方差 s.mode() # 众数 s.prod() # 连乘 s.cumprod() # 累积连乘,累乘 df.cumsum(axis=0) # 累积连加,累加 s.nunique() # 去重数量，不同值的量 df.idxmax() # 每列最大的值的索引名 df.idxmin() # 最小 df.columns # 显示所有列名 df.team.unique() # 显示列中的不重复值 # 查看 Series 对象的唯一值和计数, 计数占比: normalize=True s.value_counts(dropna=False) # 查看 DataFrame 对象中每一列的唯一值和计数 df.apply(pd.Series.value_counts) df.duplicated() # 重复行 df.drop_duplicates() # 删除重复行 # set_option、reset_option、describe_option 设置显示要求 pd.get_option() # 设置行列最大显示数量，None 为不限制 pd.options.display.max_rows = None pd.options.display.max_columns = None df.col.argmin() # 最大值[最小值 .argmax()] 所在位置的自动索引 df.col.idxmin() # 最大值[最小值 .idxmax()] 所在位置的定义索引 # 累计统计 ds.cumsum() # 前边所有值之和 ds.cumprod() # 前边所有值之积 ds.cummax() # 前边所有值的最大值 ds.cummin() # 前边所有值的最小值 # 窗口计算(滚动计算) ds.rolling(x).sum() #依次计算相邻x个元素的和 ds.rolling(x).mean() #依次计算相邻x个元素的算术平均 ds.rolling(x).var() #依次计算相邻x个元素的方差 ds.rolling(x).std() #依次计算相邻x个元素的标准差 ds.rolling(x).min() #依次计算相邻x个元素的最小值 ds.rolling(x).max() #依次计算相邻x个元素的最大值

08 数据清理

df.columns = ['a','b','c'] # 重命名列名 df.columns = df.columns.str.replace(' ', '_') # 列名空格换下划线 df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555 # 替换数据 df['pf'] = df.site_id.map({2: '小程序', 7:'M 站'}) # 将枚举换成名称 pd.isnull() # 检查DataFrame对象中的空值，并返回一个 Boolean 数组 pd.notnull() # 检查DataFrame对象中的非空值，并返回一个 Boolean 数组 df.drop(['name'], axis=1) # 删除列 df.drop([0, 10], axis=0) # 删除行 del df['name'] # 删除列 df.dropna() # 删除所有包含空值的行 df.dropna(axis=1) # 删除所有包含空值的列 df.dropna(axis=1,thresh=n) # 删除所有小于 n 个非空值的行 df.fillna(x) # 用x替换DataFrame对象中所有的空值 df.fillna(value={'prov':'未知'}) # 指定列的空值替换为指定内容 s.astype(float) # 将Series中的数据类型更改为 float 类型 df.index.astype('datetime64[ns]') # 转化为时间格式 s.replace(1, 'one') # 用 ‘one’ 代替所有等于 1 的值 s.replace([1, 3],['one','three']) # 用'one'代替 1，用 'three' 代替 3 df.rename(columns=lambda x: x + 1) # 批量更改列名 df.rename(columns={'old_name': 'new_name'}) # 选择性更改列名 df.set_index('column_one') # 更改索引列 df.rename(index=lambda x: x + 1) # 批量重命名索引 # 重新命名表头名称 df.columns = ['UID', '当前待打款金额', '认证姓名'] df['是否设置提现账号'] = df['状态'] # 复制一列 df.loc[:, ::-1] # 列顺序反转 df.loc[::-1] # 行顺序反转, 下方为重新定义索引 df.loc[::-1].reset_index(drop=True)

09 数据处理：Filter、Sort

# 保留小数位，四舍六入五成双 df.round(2) # 全部 df.round({'A': 1, 'C': 2}) # 指定列 df['Name'] = df.Name # 取列名的两个方法 df[df.index == 'Jude'] # 按索引查询要用 .index df[df[col] > 0.5] # 选择col列的值大于0.5的行 # 多条件查询 df[(df['team'] == 'A') & ( df['Q1'] > 80) & df.utype.isin(['老客', '老访客'])] # 筛选为空的内容 df[df.order.isnull()] # 类似 SQL where in df[df.team.isin('A','B')] df[(df.team=='B') & (df.Q1 == 17)] df[~(df['team'] == 'A') | ( df['Q1'] > 80)] # 非，或 df[df.Name.str.contains('张')] # 包含字符 df.sort_values(col1) # 按照列col1排序数据，默认升序排列 df.col1.sort_values() # 同上, -> s df.sort_values(col2, ascending=False) # 按照列 col1 降序排列数据 # 先按列col1升序排列，后按col2降序排列数据 df.sort_values([col1,col2], ascending=[True,False]) df2 = pd.get_dummies(df, prefix='t_') # 将枚举的那些列带枚举转到列上 s.set_index().plot() # 多索引处理 dd.set_index(['utype', 'site_id', 'p_day'], inplace=True) dd.sort_index(inplace=True) # 按索引排序 dd.loc['新访客', 2, '2019-06-22'].plot.barh() # loc 中按顺序指定索引内容 # 前100行, 不能指定行，如：df[100] df[:100] # 只取指定行 df1 = df.loc[0:, ['设计师ID', '姓名']] # 将ages平分成5个区间并指定 labels ages = np.array([1,5,10,40,36,12,58,62,77,89,100,18,20,25,30,32]) pd.cut(ages, [0,5,20,30,50,100], labels=[u"婴儿",u"青年",u"中年",u"壮年",u"老年"]) daily_index.difference(df_work_day.index) # 取出差别 # 格式化 df.index.name # 索引的名称 str df.columns.tolist() df.values.tolist() df.总人口.values.tolist() data.apply(np.mean) # 对 DataFrame 中的每一列应用函数 np.mean data.apply(np.max,axis=1) # 对 DataFrame 中的每一行应用函数 np.max df.insert(1, 'three', 12, allow_duplicates=False) # 插入列 (位置、列名、[值]) df.pop('class') # 删除列 # 增加一行 df.append(pd.DataFrame({'one':2, 'two':3, 'three': 4.4}, index=['f']), sort=True) # 指定新列 iris.assign(sepal_ratio=iris['SepalWidth'] / iris['SepalLength']).head() df.assign(rate=lambda df: df.orders/df.uv) # shift 函数是对数据进行平移动的操作 df['增幅'] = df['国内生产总值'] - df['国内生产总值'].shift(-1) df.tshift(1) # 时间移动，按周期 # 和上相同，diff 函数是用来将数据进行移动之后与原数据差 # 异数据，等于 df.shift()-df df['增幅'] = df['国内生产总值'].diff(-1) # 留存数据，因为最大一般为数据池 df.apply(lambda x: x/x.max(), axis=1) # 取 best 列中值为列名的值写到 name 行上 df['value'] = df.lookup(df['name'], df['best']) s.where(s > 1, 10) # 满足条件下数据替换（10，空为 NaN） s.mask(s > 0) # 留下满足条件的，其他的默认为 NaN # 所有值加 1 (加减乘除等) df + 1 / df.add(1) # 管道方法，链式调用函数，f(df)=df.pipe(f) def gb(df, by): result = df.copy() result = result.groupby(by).sum() return result # 调用 df.pipe(gb, by='team') # 窗口计算 '2s' 为两秒 df.rolling(2).sum() # 在窗口结果基础上的窗口计算 df.expanding(2).sum() # 超出（大于、小于）的值替换成对应值 df.clip(-4, 6) # AB 两列想加增加 C 列 df['C'] = df.eval('A+B') # 和上相同效果 df.eval('C = A + B', inplace=True) # 数列的变化百分比 s.pct_change(periods=2) # 分位数, 可实现时间的中间点 df.quantile(.5) # 排名 average, min,max,first，dense, 默认 average s.rank() # 数据爆炸，将本列的类列表数据和其他列的数据展开铺开 df.explode('A') # 枚举更新 status = {0:'未执行', 1:'执行中', 2:'执行完毕', 3:'执行异常'} df['taskStatus'] = df['taskStatus'].apply(status.get) df.assign(金额=0) # 新增字段 df.loc[('bar', 'two'), 'A'] # 多索引查询 df.query('i0 == "b" & i1 == "b"') # 多索引查询方法 2 # 取多索引中指定级别的所有不重复值 df.index.get_level_values(2).unique() # 去掉为零小数，12.00 -> 12 df.astype('str').applymap(lambda x: x.replace('.00', '')) # 插入数据，在第三列加入「两倍」列 df.insert(3, '两倍', df['值']*2) # 枚举转换 df['gender'] = df.gender.map({'male':'男', 'female':'女'}) # 增加本行之和列 df['Col_sum'] = df.apply(lambda x: x.sum(), axis=1) # 对指定行进行加和 col_list= list(df)[2:] # 取请假范围日期 df['总天数'] = df[col_list].sum(axis=1) # 计算总请假天数 # 对列求和，汇总 df.loc['col_sum'] = df.apply(lambda x: x.sum()) # 按指定的列表顺序显示 df.reindex(order_list) # 按指定的多列排序 df.reindex(['col_1', 'col_5'], axis="columns")

10 数据选取

df[col] # 根据列名，并以Series的形式返回列
df[[col1, col2]] # 以DataFrame形式返回多列
df.loc[df['team'] == 'B',['name']] # 按条件查询，只显示name 列
s.iloc[0] # 按位置选取数据
s.loc['index_one'] # 按索引选取数据
df.loc[0,'A':'B'] # A到 B 字段的第一行 
df.loc[2018:1990, '第一产业增加值':'第三产业增加值']
df.loc[0,['A','B']] # d.loc[位置切片, 字段]
df.iloc[0,:] # 返回第一行, iloc 只能是数字
df.iloc[0,0] # 返回第一列的第一个元素
dc.query('site_id > 8 and utype=="老客"').head() # 可以 and or / & |
# 迭代器及使用
for idx,row in df.iterrows(): row['id']
# 迭代器对每个元素进行处理
df.loc[i,'链接'] = f'http://www.gairuo.com/p/{slug}.html'
for i in df.Name:print(i) # 迭代一个列
# 按列迭代，[列名, 列中的数据序列 S（索引名 值)]
for label, content in df.items():print(label, content)
# 按行迭代，迭代出整行包括索引的类似列表的内容，可row[2]取
for row in df.itertuples():print(row)
df.at[2018, '总人口'] # 按行列索引名取一个指定的单个元素
df.iat[1, 2] # 索引和列的编号取单个元素
s.nlargest(5).nsmallest(2) # 最大和最小的前几个值
df.nlargest(3, ['population', 'GDP'])
df.take([0, 3]) # 指定多个行列位置的内容
# 按行列截取掉部分内容，支持日期索引标签
ds.truncate(before=2, after=4)
# 将 dataframe 转成 series
df.iloc[:,0]
float(str(val).rstrip('%')) # 百分数转数字
df.reset_index(inplace=True) # 取消索引

11 数据处理 GroupBy 透视

df.groupby(col) # 返回一个按列col进行分组的Groupby对象 df.groupby([col1,col2]) # 返回一个按多列进行分组的Groupby对象 df.groupby(col1)[col2] # 返回按列col1进行分组后，列col2的均值 # 创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表 df.pivot_table(index=col1, values=[col2,col3], aggfunc=max, as_index=False) # 同上 df.pivot_table(index=['site_id', 'utype'], values=['uv_all', 'regist_num'], aggfunc=['max', 'mean']) df.groupby(col1).agg(np.mean) # 返回按列col1分组的所有列的均值 # 按列将其他列转行 pd.melt(df, id_vars=["day"], var_name='city', value_name='temperature') # 交叉表是用于统计分组频率的特殊透视表 pd.crosstab(df.Nationality,df.Handedness) # groupby 后排序，分组 agg 内的元素取固定个数 ( df[(df.p_day >= '')] .groupby(['p_day', 'name']) .agg({'uv':sum}) .sort_values(['p_day','uv'], ascending=[False, False]) .groupby(level=0).head(5) # 每天取5个页面 .unstack() .plot() ) # 合并查询经第一个看（max, min, last, size:数量） df.groupby('结算类型').first() # 合并明细并分组统计加总（'max', `mean`, `median`, # `prod`, `sum`, `std`,`var`, 'nunique'）,'nunique'为去重的列表 df1 = df.groupby(by='设计师ID').agg({'结算金额':sum}) df.groupby(by=df.pf).ip.nunique() # groupby distinct, 分组+去重数 df.groupby(by=df.pf).ip.value_counts() # groupby 分组+去重的值及数量 df.groupby('name').agg(['sum', 'median', 'count'])

12 数据合并

# 合并拼接行 # 将df2中的行添加到df1的尾部 df1.append(df2) # 指定列合并成一个新表新列 ndf = (df['提名1'] .append(df['提名2'], ignore_index=True) .append(df['提名3'], ignore_index=True)) ndf = pd.DataFrame(ndf, columns=(['姓名'])) # 将df2中的列添加到df1的尾部 df.concat([df1, df2], axis=1) # 合并文件的各行 df1 = pd.read_csv('111.csv', sep='\t') df2 = pd.read_csv('222.csv', sep='\t') excel_list = [df1, df2] # result = pd.concat(excel_list).fillna('')[:].astype('str') result = pd.concat(excel_list)[] result.to_excel('333.xlsx', index=False) # 合并指定目录下所有的 excel (csv) 文件 import glob files = glob.glob("data/cs/*.xls") dflist = [] for i in files: dflist.append(pd.read_excel(i, usecols=['ID', '时间', '名称'])) df = pd.concat(dflist) # 合并增加列 # 对df1的列和df2的列执行SQL形式的join df1.join(df2,on=col1,how='inner') # 用 key 合并两个表 df_all = pd.merge(df_sku, df_spu, how='left', left_on=df_sku['product_id'], right_on=df_spu['p.product_id'])

13 时间处理 时间序列

# 时间索引
df.index = pd.DatetimeIndex(df.index)
# 时间只保留日期
df['date'] = df['time'].dt.date
# 将指定字段格式化为时间类型
df["date"] = pd.to_datetime(df['时间'])
# 转化为北京时间
df['time'] = df['time'].dt.tz_convert('Asia/Shanghai')
# 转为指定格式，可能会失去秒以后的精度
df['time'] = df['time'].dt.strftime("%Y-%m-%d %H:%M:%S")
dc.index = pd.to_datetime(dc.index, format='%Y%m%d', errors='ignore')
# 时间，参与运算
pd.DateOffset(days=2)
# 当前时间
pd.Timestamp.now()
pd.to_datetime('today')
# 判断时间是否当天
pd.datetime.today().year == df.start_work.dt.year
df.time.astype('datetime64[ns]').dt.date == pd.to_datetime('today')
# 定义个天数
import datetime
days = lambda x: datetime.timedelta(days=x)
days(2)
# 同上，直接用 pd 包装的
pd.Timedelta(days=2)
# unix 时间戳
pd.to_datetime(ted.film_date, unit='ms')
# 按月（YMDHminS）采集合计数据
df.set_index('date').resample('M')['quantity'].sum()
df.set_index('date').groupby('name')['ext price'].resample("M").sum()
# 按天汇总，index 是 datetime 时间类型
df.groupby(by=df.index.date).agg({'uu':'count'})
# 按周汇总
df.groupby(by=df.index.weekday).uu.count()
# 按月进行汇总
df.groupby(['name', pd.Grouper(key='date', freq='M')])['ext price'].sum()
# 按月进行汇总
df.groupby(pd.Grouper(key='day', freq='1M')).sum()
# 按照年度，且截止到12月最后一天统计 ext price 的 sum 值
df.groupby(['name', pd.Grouper(key='date', freq='A-DEC')])['ext price'].sum()
# 按月的平均重新采样
df['Close'].resample('M').mean()
# https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#offset-aliases
# 取时间范围，并取工作日
rng = pd.date_range(start="6/1/2016",end="6/30/2016",freq='B')
# 重新定时数据频度，按一定补充方法
df.asfreq('D', method='pad')
# 时区，df.tz_convert('Europe/Berlin')
df.time.tz_localize(tz='Asia/Shanghai')
# 转北京时间
df['Time'] = df['Time'].dt.tz_localize('UTC').dt.tz_convert('Asia/Shanghai')
# 查看所有时区
from pytz import all_timezones
print (all_timezones)
# 时长，多久，两个时间间隔时间，时差
df['duration'] = pd.to_datetime(df['end']) - pd.to_datetime(df['begin'])
# 指定时间进行对比
df.Time.astype('datetime64[ns]') < pd.to_datetime('2019-12-11 20:00:00', format='%Y-%m-%d %H:%M:%S')

14 常用备忘

# 解决科学计数法问题 df = pd.read_csv('111.csv', sep='\t').fillna('')[:].astype('str') # 和订单量相关性最大到小显示 dd.corr().total_order_num.sort_values(ascending=False) # 解析列表、json 字符串 import ast ast.literal_eval("[{'id': 7, 'name': 'Funny'}]") # Series apply method applies a function to # every element in a Series and returns a Series ted.ratings.apply(str_to_list).head() # lambda is a shorter alternative ted.ratings.apply(lambda x: ast.literal_eval(x)) # an even shorter alternative is to apply the # function directly (without lambda) ted.ratings.apply(ast.literal_eval) # 索引 index 使用 apply() df.index.to_series().apply()

15 样式显示

# https://pbpython.com/styling-pandas.html
df['per_cost'] = df['per_cost'].map('{:,.2f}%'.format) # 显示%比形式
# 指定列表（值大于0）加背景色
df.style.applymap(lambda x: 'background-color: grey' if x>0 else '',
subset=pd.IndexSlice[:, ['B', 'C']])

# 最大值最小值加背景色
df.style.highlight_max(color='lightgreen').highlight_min(color='#cd4f39')
df.style.format('{:.2%}', subset=pd.IndexSlice[:, ['B']]) # 显示百分号

# 指定各列的样式
format_dict = {'sum':'${0:,.0f}',
'date': '{:%Y-%m}',
'pct_of_total': '{:.2%}'
'c': str.upper}

# 一次性样式设置
(df.style.format(format_dict) # 多种样式形式
.hide_index()
# 指定列按颜色深度表示值大小, cmap 为 matplotlib colormap
.background_gradient(subset=['sum_num'], cmap='BuGn')
# 表格内作横向 bar 代表值大小
.bar(color='#FFA07A', vmin=100_000, subset=['sum'], align='zero')
# 表格内作横向 bar 代表值大小
.bar(color='lightgreen', vmin=0, subset=['pct_of_total'], align='zero')
# 下降（小于0）为红色, 上升为绿色
.bar(color=['#ffe4e4','#bbf9ce'], vmin=0, vmax=1, subset=['增长率'], align='zero')
# 给样式表格起个名字
.set_caption('2018 Sales Performance')
.hide_index())

# 按条件给整行加背景色（样式）
def background_color(row):
if row.pv_num >= 10000:
return ['background-color: red'] * len(row)
elif row.pv_num >= 100:
return ['background-color: yellow'] * len(row)
return [''] * len(row)
# 使用
df.style.apply(background_color, axis=1)

16 表格中的直方图，sparkline 图形

import sparklines
import numpy as np
def sparkline_str(x):
bins=np.histogram(x)[0]
sl = ''.join(sparklines.sparklines(bins))
return sl
sparkline_str.__name__ = "sparkline"
# 画出趋势图，保留两位小数
df.groupby('name')['quantity', 'ext price'].agg(['mean', sparkline_str]).round(2)

# sparkline 图形
# https://hugoworld.wordpress.com/2019/01/26/sparklines-in-jupyter-notebooks-ipython-and-pandas/
def sparkline(data, figsize=(4, 0.25), **kwargs):
"""
creates a sparkline
"""

# Turn off the max column width so the images won't be truncated
pd.set_option('display.max_colwidth', -1)

# Turning off the max column will display all the data
# if gathering into sets / array we might want to restrict to a few items
pd.set_option('display.max_seq_items', 3)

#Monkey patch the dataframe so the sparklines are displayed
pd.DataFrame._repr_html_ = lambda self: self.to_html(escape=False)

from matplotlib import pyplot as plt
import base64
from io import BytesIO

data = list(data)

*_, ax = plt.subplots(1, 1, figsize=figsize, **kwargs)
ax.plot(data)
ax.fill_between(range(len(data)), data, len(data)*[min(data)], alpha=0.1)
ax.set_axis_off()

img = BytesIO()
plt.savefig(img)
plt.close()
return '<img src="data:image/png;base64, {}" />'.format(base64.b64encode(img.getvalue()).decode())

# 使用
df.groupby('name')['quantity', 'ext price'].agg(['mean', sparkline])
df.apply(sparkline, axis=1) # 仅支持横向数据画线，可做 T 转置

17 可视化

kind : str

• ‘line’ : line plot (default)
• ‘bar’ : vertical bar plot
• ‘barh’ : horizontal bar plot
• ‘hist’ : histogram
• ‘box’ : boxplot
• ‘kde’ : Kernel Density Estimation plot
• ‘density’ : same as ‘kde’
• ‘area’ : area plot
• ‘pie’ : pie plot

常用方法：

df88.plot.bar(y='rate', figsize=(20, 10)) # 图形大小，单位英寸
df_1[df_1.p_day > '2019-06-01'].plot.bar(x='p_day', y=['total_order_num','order_user'], figsize=(16, 6)) # 柱状图
# 每条线一个站点，各站点的 home_remain, stack的意思是堆叠，堆积
# unstack 即“不要堆叠”
(df[(df.p_day >= '2019-05-1') & (df.utype == '老客')].groupby(['p_day', 'site_id'])['home_remain'].sum().unstack().plot.line())
# 折线图，多条, x 轴默认为 index
dd.plot.line(x='p_day', y=['uv_all', 'home_remain'])
dd.loc['新访客', 2].plot.scatter(x='order_user', y='paid_order_user') # 散点图
dd.plot.bar(color='blue') # 柱状图, barh 为横向柱状图
sns.heatmap(dd.corr()) # 相关性可视化
# 刻度从0开始，指定范围 ylim=(0,100), x 轴相同
s.plot.line(ylim=0)

# 折线颜色 https://matplotlib.org/examples/color/named_colors.html
# 样式( '-','--','-.',':' )
# 折线标记 https://matplotlib.org/api/markers_api.html
# grid=True 显示刻度 etc: https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html
s.plot.line(color='green', linestyle='-', marker='o')

# 两个图绘在一起
[df['数量'].plot.kde(), df['数量'].plot.hist()]

# 对表中的数据按颜色可视化
import seaborn as sns
cm = sns.light_palette("green", as_cmap=True)
df.style.background_gradient(cmap=cm, axis=1)

# 将数据转化为二维数组
[i for i in zip([i.strftime('%Y-%m-%d') for i in s.index.to_list()], s.to_list())]

# 和 plot 用法一样 https://hvplot.pyviz.org/user_guide/Plotting.html
import hvplot.pandas

# 打印 Sqlite 建表语句
print(pd.io.sql.get_schema(fdf, 'table_name'))

18 Jupyter notebooks 问题

# jupyter notebooks plt 图表配置 import matplotlib.pyplot as plt plt.rcParams['figure.figsize'] = (15.0, 8.0) # 固定显示大小 plt.rcParams['font.family'] = ['sans-serif'] # 显示中文问题 plt.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文问题 # 输出单行全部变量 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity = 'all' # jupyter notebooks 页面自适应宽度 from IPython.core.display import display, HTML display(HTML("<style>.container { width:100% !important; }</style>")) # 背景白色 <style>#notebook_panel {background: #ffffff;}</style> # jupyter notebooks 嵌入页面内容 from IPython.display import IFrame IFrame('https://arxiv.org/pdf/1406.2661.pdf', width=800, height=450) # Markdown 一个 cell 不支持多张粘贴图片 # 一个文件打印打开只显示一张图片问题解决 # /site-packages/notebook/static/notebook/js/main.min.js var key 处 # 33502、33504 行 key = utils.uuid().slice(2,6)+encodeURIandParens(blob.name); key = utils.uuid().slice(2,6)+Object.keys(that.attachments).length; # https://github.com/ihnorton/notebook/commit/55687c2dc08817dacb6f19f8cc0103bab1 # 多行输出 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity = 'all' #默认为'last' # 执行 shell 命令: ! <命令语句> # 在线可视化工具 https://plot.ly/create

19 Slideshow 幻灯片

安装 RISE 库：pip install RISE

• [Alt+r] 播放/退出播放
• 「,」逗号隐藏左侧两个大操作按钮，「t」总览 ppt，「/」黑屏
• Slide：主页面，通过按左右方向键进行切换。
• Sub-Slide：副页面，通过按上下方向键进行切换。全屏
• Fragment：一开始是隐藏的，按空格键或方向键后显示，实现动态效果。在一个页面
• Skip：在幻灯片中不显示的单元。
• Notes：作为演讲者的备忘笔记，也不在幻灯片中显示。

关于作者：李庆辉，数据产品专家，某电商公司数据产品团队负责人，擅长通过数据治理、数据分析、数据化运营提升公司的数据应用水平。

精通Python数据科学及Python Web开发，曾独立开发公司的自动化数据分析平台，参与教育部“1+X”数据分析（Python）职业技能等级标准评审。

中国人工智能学会会员，企业数字化、数据产品和数据分析讲师，在个人网站“盖若”上编写的技术和产品教程广受欢迎。

延伸阅读

《深入浅出Pandas》

推荐语：这是一本全面覆盖了Pandas使用者的普遍需求和痛点的著作，基于实用、易学的原则，从功能、使用、原理等多个维度对Pandas做了全方位的详细讲解，既是初学者系统学习Pandas难得的入门书，又是有经验的Python工程师案头必不可少的查询手册。