pandas入门

一、pandas数据结构

pandas有两个主要数据结构：Series，DataFrame

import numpy as np
from pandas import Series, DataFrame

1、Series

Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签（即索引）组成。

Series的字符串表现形式为：索引在左边，值在右边。

①用数组生成Series

②指定Series的index

③使用字典生成Series

④使用字典生成Series，并额外指定index，不匹配部分为NaN

⑤Series相加，相同索引部分相加

⑥指定Series及其索引的名字

⑦替换index

#!/usr/bin/evn python 
# -*- coding: utf-8 -*- 
import pandas as pd
from pandas import Series

print ('①用数组生成Series')
obj = Series([4, 7, -5, 3])
print(obj)
print(obj.values)
print(obj.index)
print('=='*20)

print('②指定Series的index')
obj2 = Series([4, 7, -5, 3], index = ['d', 'b', 'a', 'c'])
print(obj2)
print(obj2.index)
print(obj2['a'])
obj2['d'] = 6
print(obj2[['c', 'a', 'd']])
print(obj2[obj2 > 0])  # 找出大于0的元素
print('b' in obj2) # 判断索引是否存在
print('e' in obj2)
print('=='*20)

print('③使用字典生成Series')
sdata = {'Ohio':45000, 'Texas':71000, 'Oregon':16000, 'Utah':5000}
obj3 = Series(sdata)
print(obj3)
print('=='*20)

print('④使用字典生成Series，并额外指定index，不匹配部分为NaN。')
states = ['California', 'Ohio', 'Oregon', 'Texas']
obj4 = Series(sdata, index = states)
print(obj4)
print('=='*20)

print('⑤Series相加，相同索引部分相加。')
print(obj3 + obj4)
print('=='*20)

print('⑥指定Series及其索引的名字')
obj4.name = 'population'
obj4.index.name = 'state'
print(obj4)
print('=='*20)
#
print('⑦替换index')
obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan']
print(obj)

2、DataFrame

DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。

①用字典生成DataFrame，key为列的名字

②指定索引，在列中指定不存在的列，默认数据用NaN

③用Series指定要修改的索引及其对应的值，没有指定的默认数据用NaN

④赋值给新列,删除列

⑤DataFrame转置

⑥指定索引顺序，以及使用切片初始化数据

⑦指定索引和列的名称

#!/usr/bin/evn python
# -*- coding: utf-8 -*-

import numpy as np
from pandas import Series, DataFrame

print('①用字典生成DataFrame，key为列的名字。')
data = {'state':['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
         'year':[2000, 2001, 2002, 2001, 2002],
         'pop':[1.5, 1.7, 3.6, 2.4, 2.9]}
print(DataFrame(data))
print(DataFrame(data, columns = ['year', 'state', 'pop'])) # 指定列顺序

print('②指定索引，在列中指定不存在的列，默认数据用NaN。')
frame2 = DataFrame(data,
                    columns = ['year', 'state', 'pop', 'debt'],
                    index = ['one', 'two', 'three', 'four', 'five'])
print(frame2)
print(frame2['state'])
print(frame2.year)
print(frame2.ix['three'])
frame2['debt'] = 16.5 # 修改一整列
print(frame2)
frame2.debt = np.arange(5)  # 用numpy数组修改元素
print(frame2)

print('③用Series指定要修改的索引及其对应的值，没有指定的默认数据用NaN。')
val = Series([-1.2, -1.5, -1.7], index = ['two', 'four', 'five'])
frame2['debt'] = val
print(frame2)

print('④赋值给新列')
frame2['eastern'] = (frame2.state == 'Ohio')  # 如果state等于Ohio为True
print(frame2)
print(frame2.columns)

print('⑤DataFrame转置')
pop = {'Nevada':{2001:2.4, 2002:2.9},
        'Ohio':{2000:1.5, 2001:1.7, 2002:3.6}}
frame3 = DataFrame(pop)
print(frame3)
print(frame3.T)

print('⑥指定索引顺序，以及使用切片初始化数据。')
print(DataFrame(pop, index = [2001, 2002, 2003]))
print(frame3['Ohio'][:-1])
print(frame3['Nevada'][:2])
pdata = {'Ohio':frame3['Ohio'][:-1], 'Nevada':frame3['Nevada'][:2]}
print(DataFrame(pdata))

print('⑦指定索引和列的名称')
frame3.index.name = 'year'
frame3.columns.name = 'state'
print(frame3)
print(frame3.values)
print(frame2.values)

可以输入给DataFrame构造器的数据

3、索引对象

pandas的索引对象负责管理轴标签和其他元数据（比如轴名称等）。构建Series或DataFrame时，所用到的任何数组或其他序列的标签都会被转换成一个Index：

①获取index

②使用Index对象

③判断列和索引是否存在

#!/usr/bin/evn python 
# -*- coding: utf-8 -*- 

import numpy as np
import pandas as pd
import sys
from pandas import Series, DataFrame, Index

print('①获取index')
obj = Series(range(3), index = ['a', 'b', 'c'])
index = obj.index
print(index[1:])
try:
    index[1] = 'd'  # index对象read only
except:
    print(sys.exc_info()[0])

print('②使用Index对象')
index = Index(np.arange(3))
obj2 = Series([1.5, -2.5, 0], index = index)
print(obj2)
print(obj2.index is index)

print('③判断列和索引是否存在')
pop = {'Nevada':{20001:2.4, 2002:2.9},
        'Ohio':{2000:1.5, 2001:1.7, 2002:3.6}}
frame3 = DataFrame(pop)
print('Ohio' in frame3.columns)
print('2003' in frame3.index)

二、基本功能

1、重新索引

pandas对象的一个重要方法是reindex，其作用是创建一个适应新索引的新对象。

对于DataFrame，reindex可以修改（行）索引、列，或两个都修改。如果仅传入一个序列，则会重新索引行。

①重新指定索引及顺序

②重新指定索引并指定元素填充方法

③对DataFrame重新指定索引

④重新指定columns,使用columns关键字即可重新索引列

⑤对DataFrame重新指定索引（reindex，ix）并指定填元素充方法

#!/usr/bin/evn python
# -*- coding: utf-8 -*-

import numpy as np
from pandas import DataFrame, Series

print('①重新指定索引及顺序')
obj = Series([4.5, 7.2, -5.3, 3.6], index = ['d', 'b', 'a', 'c'])
print(obj)
obj2 = obj.reindex(['a', 'b', 'd', 'c', 'e'])
print(obj2)
print(obj.reindex(['a', 'b', 'd', 'c', 'e'], fill_value = 0))  # 指定不存在元素的默认值

print('②重新指定索引并指定元素填充方法')
obj3 = Series(['blue', 'purple', 'yellow'], index = [0, 2, 4])
print(obj3)
print(obj3.reindex(range(6), method = 'ffill')) #ffill可以实现前向值填充

print('③对DataFrame重新指定索引')
frame = DataFrame(np.arange(9).reshape(3, 3),
                  index = ['a', 'c', 'd'],
                  columns = ['Ohio', 'Texas', 'California'])
print(frame)
frame2 = frame.reindex(['a', 'b', 'c', 'd'])
print(frame2)

print('④重新指定column')
states = ['Texas', 'Utah', 'California']
print(frame.reindex(columns = states))

print('⑤对DataFrame重新指定索引并指定填元素充方法')
print(frame.reindex(index = ['a', 'b', 'c', 'd'],
                    method = 'ffill',
                    columns = states))
print(frame.ix[['a', 'b', 'd', 'c'], states])

reindex函数的参数

2、丢弃指定轴上的对象

方法很简单，只要有一个索引数组或者列表即可，drop方法返回的是一个在指定轴上删除了指定值的新对象。

①Series根据索引删除元素

②DataFrame删除元素，可指定索引或列

#!/usr/bin/evn python
# -*- coding: utf-8 -*-

import numpy as np
from pandas import Series, DataFrame

print('①Series根据索引删除元素')
obj = Series(np.arange(5.), index = ['a', 'b', 'c', 'd', 'e'])
new_obj = obj.drop('c')
print(new_obj)
print(obj.drop(['d', 'c']))

print('②DataFrame删除元素，可指定索引或列。')
data = DataFrame(np.arange(16).reshape((4, 4)),
                  index = ['Ohio', 'Colorado', 'Utah', 'New York'],
                  columns = ['one', 'two', 'three', 'four'])
print(data)
print(data.drop(['Colorado', 'Ohio']))
print(data.drop('two', axis = 1))
print(data.drop(['two', 'four'], axis = 1))

3、索引、选取和过滤

• Series索引（obj[...]）的工作方式类似于NumPy数组的索引，只不过Series的索引值不只是整数。

• 利用标签的切片运算与普通的Python切片运算不同，其末端是包含的（inclusive）。

• 对DataFrame进行索引其实就是获取一个或多个列。
• 为了在DataFrame的行上进行标签索引，引入了专门的索引字段ix。

①Series的索引，默认数字索引可以工作

②Series的数组切片

③DataFrame的索引

④根据条件选择

#!/usr/bin/evn python
# -*- coding: utf-8 -*-

import numpy as np
from pandas import Series, DataFrame

print('①Series的索引，默认数字索引可以工作。')
obj = Series(np.arange(4.), index = ['a', 'b', 'c', 'd'])
print(obj)
print(obj['b'])
print(obj[3])
print(obj[[1, 3]])
print(obj[obj < 2])

print('②Series的数组切片')
print(obj['b':'c'])  # 闭区间,这一点和python不同
obj['b':'c'] = 5
print(obj)


print('③DataFrame的索引')
data = DataFrame(np.arange(16).reshape((4, 4)),
                  index = ['Ohio', 'Colorado', 'Utah', 'New York'],
                  columns = ['one', 'two', 'three', 'four'])
print(data)
print(data['two']) # 打印列
print(data[['three', 'one']])
print(data[:2])
print(data.ix['Colorado', ['two', 'three']]) # 指定索引和列
print(data.ix[['Colorado', 'Utah'], [3, 0, 1]])
print(data.ix[2])  # 打印第2行（从0开始）
print(data.ix[:'Utah', 'two']) # 从开始到Utah，第2列。

print('④根据条件选择')
print(data[data.three > 5])
print(data < 5)  # 打印True或者False
data[data < 5] = 0
print(data)

DataFrame的索引选项

4、算术运算和数据对齐

• 对不同的索引对象进行算术运算
• 自动数据对齐在不重叠的索引处引入了NA值，缺失值会在算术运算过程中传播
• 对于DataFrame，对齐操作会同时发生在行和列上
• fill_value参数
• DataFrame和Series之间的运算

①Series的加法

②DataFrame加法，索引和列都必须匹配

③数据填充

④DataFrame与Series之间的操作

#!/usr/bin/evn python
# -*- coding: utf-8 -*-

import numpy as np
from pandas import Series, DataFrame

print('①Series的加法')
s1 = Series([7.3, -2.5, 3.4, 1.5], index = ['a', 'c', 'd', 'e'])
s2 = Series([-2.1, 3.6, -1.5, 4, 3.1], index = ['a', 'c', 'e', 'f', 'g'])
print(s1)
print(s2)
print(s1 + s2)

print('②DataFrame加法，索引和列都必须匹配。')
df1 = DataFrame(np.arange(9.).reshape((3, 3)),
                columns = list('bcd'),
                index = ['Ohio', 'Texas', 'Colorado'])
df2 = DataFrame(np.arange(12).reshape((4, 3)),
                columns = list('bde'),
                index = ['Utah', 'Ohio', 'Texas', 'Oregon'])
print(df1)
print(df2)
print(df1 + df2)


print('③数据填充')
df1 = DataFrame(np.arange(12.).reshape((3, 4)), columns = list('abcd'))
df2 = DataFrame(np.arange(20.).reshape((4, 5)), columns = list('abcde'))
print(df1)
print(df2)
print(df1.add(df2, fill_value = 0))
print(df1.reindex(columns = df2.columns, fill_value = 0))


print('④DataFrame与Series之间的操作')
arr = np.arange(12.).reshape((3, 4))
print(arr)
print(arr[0])
print(arr - arr[0])
frame = DataFrame(np.arange(12).reshape((4, 3)),
                  columns = list('bde'),
                  index = ['Utah', 'Ohio', 'Texas', 'Oregon'])
series = frame.ix[0]
print(frame)
print(series)
print(frame - series)
series2 = Series(range(3), index = list('bef'))
print(frame + series2)
series3 = frame['d']
print(frame.sub(series3, axis = 0))  # 按列减