本文测试使用Pandas使用的是Spyder，python3.6版本，已经安装好pandas包。测试数据已放云盘：链接：/s/1zozpY2BUTIvEJKf238leZg 密码：44zg。如需按照numpy，可以百度搜索如何安装。

1数据标准化

将数据按比例缩放，使之落入到特定区间，一般我们使用0-1标准化。公式如下：

X∗=x−minmax−min X ∗ = x − m i n m a x − m i n

#导包import pandas;from pandas import read_csvdf=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data13.csv")scale=(df.score-df.score.min())/(df.score.max()-df.score.min())

数据计算前后对比

2 数据分组

根据数据分析对象的特征，按照一定数值指标，把数据分析对象划分为不同的区间部分来进行研究，以揭示其内在的联系和规律性。这里我们可以使用cut函数,cut(series,bins,right=True,labels=NULL)，其中：

series：需要分组的数据

bins：分组的划分数组

right：分组的时候，右边是否闭合

labels：分组的自定义标签，可以不自定义

#导包import pandas;from pandas import read_csvdf=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data14.csv",sep="|")bins=[min(df.cost)-1,20,40,60,80,100,max(df.cost)+1]labels=['20以下','20到40','40到60','60到80','80到100','100以上']result=pandas.cut(df.cost,bins=bins,right=False,labels=labels)

数据处理前后对比：

将对应的数据进行了标注。

3 日期转换

将字符型的日期格式的数据，转换成日期型数据的过程，使用date=to_datetime(dateString,format)

#导包from pandas import read_csvfrom pandas import to_datetimedf=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data15.csv",encoding='utf8')df_dt=to_datetime(df.注册时间,format="%Y/%m/%d")

数据处理前后对照

4日期格式化

将日期型的数据，按照给定的格式，转为字符型的数据。日期格式化函数：apply(lambda x:处理逻辑)，datetime.strftime(x,format) ，这里的format与时间转化相同。

#导包from pandas import read_csvfrom pandas import to_datetimefrom datetime import datetimedf=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data16.csv",encoding='utf8')df_dt=to_datetime(df.注册时间,format="%Y/%m/%d")df_dt_str=df_dt.apply(lambda x: datetime.strftime(x,"%d-%m-%Y"))

时间转换前后对比

5日期抽取

从日期格式里，抽取出需要的部分属性。使用的发函数：datetime列.dt.property

#导包from pandas import read_csvfrom pandas import to_datetimedf=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data17.csv",encoding='utf8')df_dt=to_datetime(df.注册时间,format="%Y/%m/%d")s_y=df_dt.dt.years_s=df_dt.dt.seconds_m=df_dt.dt.minutes_h=df_dt.dt.hours_d=df_dt.dt.days_M=df_dt.dt.months_w=df_dt.dt.weekday

原始数据，转换数据对比

如果觉得《pandas 中DataFrame使用:数据标准化 数据分组 日期转换 日期格式化 日期抽取》对你有帮助，请点赞、收藏，并留下你的观点哦！