【日有精进】今天认真学python了吗

3.20 保存和读取pickle文件

• 何为pickle：pickle是一种python对象文件，可以将多个任何类型的python数据打包放到一个pickle文件中。优点是方便快速访问，且对不同机器兼容。
• 操作pickle文件：需要import pickle库，一般使用pickle.dump()保存，pickle.load()读取。今天处理了一个含有dataframe的pickle文件，以下是读取代码。

import pickle
import pandas as pd
def load_obj(name):
    if ".pkl" not in name:
        name += ".pkl"
    with open(name, "rb") as f:
        return pickle.load(f)

if __name__ == "__main__":
    f = load_obj("pickle文件名.pkl")
    keys = list(f.keys()) #先保存pickle文件的键名，f.keys()的内容为dict_keys([key1,key2,...])，此处转换为列表保存到keys中
    print(f[keys[-1]]) #查看最后一个key对应的数据

【注】我刚要读取放在pickle里的dataframe时，遇到报错'Dataframe' object has no attribute '_data'。面向Stack Overflow编程后发现，根据网友BodoB的说法，可能是pandas库版本过低。"pip list"往cmd命令行里一敲，果然，pandas居然还停留在0.9.0版本。接下来就是传统的"pip help"-查看卸载命令、"pip uninstall pandas"、"pip install pandas"。再一看，哦豁，居然升级到1.1.5版本了，现在可以正常读取pickle里的dataframe格式数据了。

3.27 包含sequence、dataframe等的复杂.mat文件处理

• 用loadmat()读取.mat文件：返回类型暂时不清楚（应该和保存时有关吧），如果是dataframe，则照旧先看.keys()都包含什么，一般前几个键名都相同，之后可以自行添加：
  • 　　dict_keys(['__header__', '__version__', '__globals__', 'xxx', 'yyy', 'zzz'])

• ndarray的dtype属性：numpy库的数据类型ndarray有很多属性（如T, data, dtype, flags, flat, imag, real, size等），其中一个关键属性是dtype。对一个ndarray对象A，可以运行print(A.dtype.names)查看都有什么自定义数据变量类型，.dtype.names返回值为一个字符串元组。假设存在变量"example1"，则进而可以通过A["exampple1"]访问该变量下的值

• 顺便吐槽一下matlab的序列化时间格式（不过matlab一共有三种时间格式，其他两种还挺友好的）真是反人类，可读性不行，最大的用处可能是计算两个日期之间相差的天数。而且貌似只有matlab有现成的函数可以转化这种格式。长了个教训，类似72xxxx、73xxxx的数字，就有可能是matlab时间格式T_T

3.29 pandas 的Series和DataFrame排序

• 排序函数主要包括.sort_index(), .sort_values()以及专门计算排名的.rank()，前两种可以通过设置参数inplace=True（默认为False，排序后返回新拷贝）直接改变原对象。以下主要介绍.rank()函数
• rank函数真的很妙，很方便计算非正态分布数据的排名，以便计算spearman correlation
• 参数顺序与默认取值：rank(axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False)
• axis参数（指定对列/行排名）：0（按每列内排序），1（按每行内排序）
• method参数（指定排名方法）
  • average（在某一个值上，若存在多条数据，则该多条数据排名取相同值，取样本中相邻的两个排名均值）
  • first（在某一个值上，若存在多条数据，则该多条数据排名不同，按出现在样本中的先后顺序排名）
  • max（在某一个值上，若存在多条数据，则该多条数据排名取相同值，取这些数据在样本中排名的最大值）
  • min（在某一个值上，若存在多条数据，则该多条数据排名取相同值，取这些数据在样本中排名的最小值）
  • dense（与min类似，但每组相同数据的排名在组与组之间会间隔1）
• numeric_only参数（指定排序对象类型，可选参数）：True（仅对数值型数据排序）或None
• ascending参数（指定升降序）：True（按升序由小到大），False（按降序由大到小）
• na_option（指定Nan值的排名方式）
• pct（是否计算数据的百分比排名）

4.2 对dataframe直接切片索引

• 假设df是pandas.DataFrame类型的数据，k是整数下标，注意df[k]会索引为列名为k的那一列，如果列名columns中没有k，则直接报错KeyError
• 要得到DataFrame格式的切片，则索引df[ [col_name1, col_name2, ... ] ]，即在中括号里加需要提取的列的列名
• 特别地，如果要取连续的多列，可以先将列名转换为连续的整数（例如0, 1, 2, ... , k），再索引df[ [i for i in range(k+1) ] ]即可

4.6 pandas索引返回视图或拷贝

　　这个点比较可怕……

• 对pandas的数据类型进行不同方式的索引，返回值为copy（拷贝）或view（视图）
• 对拷贝数据修改不会改变原数据，对视图数据修改会改变原数据，某些情况会引发警告
• 避免对pandas.DataFrame进行链式的下标索引，这种行为会被python解释器分解为多步进行索引，返回拷贝或视图不确定（是否另外复制数据由数据切片的大小、机器内存多少决定）
• 应使用.loc函数一次索引多级目录，因为.loc函数能保证返回值为拷贝（当然若.loc的参数含有下标，则返回拷贝或视图也不确定）
• 另外，numpy中的数组切片是视图，需要显示.copy才能创建拷贝

参考资料：pandas官方文档对返回值类型的解释、lyyolo的博客python--NumPy/Pandas 数据赋值时的视图和副本问题 

• 对dataframe数据用 corrwith函数计算相关性更好，对ndarray数据直接用corr函数

https://vimsky.com/examples/usage/python-pandas-dataframe-corrwith.html

【待补充】python的@装饰器用法与私有函数

5.26 dateutil.relativedelta函数与datetime库的配合使用

import datetime
from dateutil.relativedelta import relativedelta

if __name__ == '__main__':
    print(datetime.date.today() - relativedelta(years = 20, months=7,days =17))
    #中间的加减号，和relativedelta参数的正负都很灵活，适用于日期计数

---------