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

一、 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：

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

#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
#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

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

  '''遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！'''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

#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

  '''遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！'''
#创建DataFrame
df = DataFrame(data=np.random.randint(10,50,size=(8,8)))
df
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

#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

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

  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

  '''遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！'''
import numpy as np
import pandas as pd
from pandas import Series,DataFramecol=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

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

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

df1 = DataFrame({'employee':['Bob','Jake','Lisa'],'group':['Accounting','Engineering','Engineering'],})
df1df2 = DataFrame({'employee':['Lisa','Bob','Jake'],'hire_date':[2004,2008,2012],})
df2pd.merge(df1,df2,how='outer')

2) 多对一合并

df3 = DataFrame({'employee':['Lisa','Jake'],'group':['Accounting','Engineering'],'hire_date':[2004,2016]})
df3df4 = DataFrame({'group':['Accounting','Engineering','Engineering'],'supervisor':['Carly','Guido','Steve']})
df4pd.merge(df3,df4,how='outer')

3)多对多合并

df5 = DataFrame({'employee':['Bob','Jake','Lisa'],'group':['Accounting','Engineering','Engineering']})
df5df6 = 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

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

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：

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：

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

[外链图片转存失败(img-zZwBHmc5-1566546593187)(file:///C:/Users/MLH/AppData/Roaming/Typora/typora-user-images/1551965523571.png)]

绘制抛物线

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

绘制正弦曲线图
```
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

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

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

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

绘制一个正弦曲线图，并设置网格

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])

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