Pandas模块：表计算与数据分析

Pandas模块：表计算与数据分析

目录

Pandas之Series

Pandas之DataFrame

---

一、pandas简单介绍

1、pandas是一个强大的Python数据分析的工具包。
2、pandas是基于NumPy构建的。

3、pandas的主要功能

• 具备对其功能的数据结构DataFrame、Series
• 集成时间序列功能
• 提供丰富的数学运算和操作
• 灵活处理缺失数据

4、安装方法：pip install pandas
5、引用方法：import pandas as pd

二、Series

Series是一种类似于一位数组的对象，由一组数据和一组与之相关的数据标签（索引）组成。

创建方式：
    pd.Series([4,7,-5,3]) 
    pd.Series([4,7,-5,3],index=['a','b','c','d'])               
    pd.Series({'a':1, 'b':2})             
    pd.Series(0, index=['a','b','c','d’])

三、Series特性

Series支持数组的特性：

• 从ndarray创建Series：Series(arr)
• 与标量运算：sr*2
• 两个Series运算：sr1+sr2
• 索引：sr[0], sr[[1,2,4]]
• 切片：sr[0:2]（切片依然是视图形式）
• 通用函数：np.abs(sr)
• 布尔值过滤：sr[sr>0]

统计函数：

• mean() #求平均数
• sum() #求和
• cumsum() #累加

Series支持字典的特性（标签）：

• 从字典创建Series：Series(dic),
• in运算：’a’ in sr、for x in sr
• 键索引：sr['a'], sr[['a', 'b', 'd']]
• 键切片：sr['a':'c']
• 其他函数：get('a', default=0)等

In [12]: s = pd.Series(0,index=['a','b','c','d'])

In [13]: s.a
Out[13]: 0

In [14]: v = pd.Series({'a':1,'b':2})

In [15]: v.a
Out[15]: 1

In [16]: v.b
Out[16]: 2

In [17]: v[0]
Out[17]: 1

In [18]: s*2
Out[18]:
a    0
b    0
c    0
d    0
dtype: int64

In [19]: v*2
Out[19]:
a    2
b    4
dtype: int64

四、整数索引

整数索引的pandas对象往往会使新手抓狂。
例：

• sr = np.Series(np.arange(4.))
• sr[-1]

如果索引是整数类型，则根据整数进行数据操作时总是面向标签的。

• loc属性 以标签解释
• iloc属性 以下标解释

五、pandas：Series数据对齐

pandas在运算时，会按索引进行对齐然后计算。如果存在不同的索引，则结果的索引是两个操作数索引的并集。

    例：
    sr1 = pd.Series([12,23,34], index=['c','a','d'])
    sr2 = pd.Series([11,20,10], index=['d','c','a',])
    sr1+sr2
    sr3 = pd.Series([11,20,10,14], index=['d','c','a','b'])
    sr1+sr3

    如何在两个Series对象相加时将缺失值设为0？
    sr1.add(sr2, fill_value=0)
    灵活的算术方法：add, sub, div, mul

六、pandas：Series缺失数据

1、缺失数据：使用NaN（Not a Number）来表示缺失数据。其值等于np.nan。内置的None值也会被当做NaN处理。
2、处理缺失数据的相关方法：

• dropna() 过滤掉值为NaN的行
• fillna() 填充缺失数据
• isnull() 返回布尔数组，缺失值对应为True
• notnull() 返回布尔数组，缺失值对应为False

3、过滤缺失数据：sr.dropna() 或 sr[data.notnull()]
4、填充缺失数据：fillna(0)

七、pandas：DataFrame

DataFrame是一个表格型的数据结构，含有一组有序的列。
DataFrame可以被看做是由Series组成的字典，并且共用一个索引。

创建方式：

• pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
• pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']), 'two':pd.Series([1,2,3,4],index=['b','a','c','d'])})
• ……

csv文件读取与写入：

• df.read_csv('E:算法day110 Numpy、Pandas模块601318.csv')
• df.to_csv()

八、pandas：DataFrame查看数据

查看数据常用属性及方法：
        index                    获取索引
        T                        转置
        columns                    获取列索引
        values                    获取值数组
        describe()                获取快速统计

    DataFrame各列name属性：列名
    rename(columns={})

九、pandas：DataFrame索引和切片

1、DataFrame有行索引和列索引。
2、DataFrame同样可以通过标签和位置两种方法进行索引和切片。

3、DataFrame使用索引切片：

• 方法1：两个中括号，先取列再取行。 df['A'][0]
• 方法2（推荐）：使用loc/iloc属性，一个中括号，逗号隔开，先取行再取列。

loc属性：解释为标签
iloc属性：解释为下标
向DataFrame对象中写入值时只使用方法2
行/列索引部分可以是常规索引、切片、布尔值索引、花式索引任意搭配。（注意：两部分都是花式索引时结果可能与预料的不同）

通过标签获取：
    df['A']
    df[['A', 'B']]
    df['A'][0]
    df[0:10][['A', 'C']]
    df.loc[:,['A','B']]  #行是所有的行，列取是A和B的
    df.loc[:,'A':'C']
    df.loc[0,'A']
    df.loc[0:10,['A','C']]
    
通过位置获取：
    df.iloc[3]
    df.iloc[3,3]
    df.iloc[0:3,4:6]
    df.iloc[1:5,:]
    df.iloc[[1,2,4],[0,3]]、
    
通过布尔值过滤：

　　df[df['A']>0]
　　df[df['A'].isin([1,3,5])]
　　df[df<0] = 0

十、pandas：DataFrame数据对齐与缺失数据

DataFrame对象在运算时，同样会进行数据对齐，行索引与列索引分别对齐。
结果的行索引与列索引分别为两个操作数的行索引与列索引的并集。

DataFrame处理缺失数据的相关方法：

• dropna(axis=0,where=‘any’,…) 过滤掉值为NaN的行
• fillna() 填充缺失数据
• isnull() 返回布尔数组，缺失值对应为True
• notnull() 返回布尔数组，缺失值对应为False

十一、pandas：其他常用方法

- mean        #求平均值
- sum         #求和
- sort_index  #按行或列索引排序
- sort_values  #按值排序
- apply(func,axis=0)  #axis=0指的是逐行，axis=1指的是逐列。
        df.apply(lamada x:x.mean())  #按列求平均
        df.apply(lamada x:x['high']+x["low"])/2,axis=1)  #按列求平均（最高价和最低价的平均）
        df.apply(lamada x:x['high']+x["low"])/2,axis=1)  #按列求平均（最高价和最低价的平均）
- applymap(func) #将函数应用在DataFrame各个元素上
- map(func) #将函数应用在Series各个元素上

十二、pandas：时间对象处理

时间序列类型：
    时间戳：特定时刻
    固定时期：如2017年7月
    时间间隔：起始时间-结束时间
Python标准库：datetime
    datetime.datetime.timedelta  # 表示 时间间隔
    dt.strftime() #f：format吧时间对象格式化成字符串
    strptime()  #吧字符串解析成时间对象p：parse
    灵活处理时间对象：dateutil包
        dateutil.parser.parse('2018/1/29') 
    成组处理时间对象：pandas
        pd.to_datetime(['2001-01-01', '2002-02-02'])

产生时间对象数组：date_range

• start 开始时间
• end 结束时间
• periods 时间长度
• freq 时间频率，默认为'D'，可选H(our),W(eek),B(usiness),S(emi-)M(onth),(min)T(es), S(econd), A(year),…

十三、pandas：时间序列

1、时间序列就是以时间对象为索引的Series或DataFrame。

2、datetime对象作为索引时是存储在DatetimeIndex对象中的。

3、时间序列特殊功能：

• 传入“年”或“年月”作为切片方式
• 传入日期范围作为切片方式
• 丰富的函数支持：resample(), strftime(), ……
• 批量转换为datetime对象：to_pydatetime()

十四、pandas：从文件读取

1、时间序列就是以时间对象作为索引

• 读取文件：从文件名、URL、文件对象中加载数据
• read_csv 默认分隔符为csv
• read_table 默认分隔符为
• read_excel 读取excel文件

2、读取文件函数主要参数：

• sep 指定分隔符，可用正则表达式如's+'
• header=None 指定文件无列名
• name 指定列名
• index_col 指定某列作为索引
• skip_row 指定跳过某些行
• na_values 指定某些字符串表示缺失值
• parse_dates 指定某些列是否被解析为日期，布尔值或列表

df = pd.read_csv("601318.csv")   #默认以,为分隔符
    - pd.read_csv("601318.csv",sep='s+')  #匹配空格，支持正则表达式
    - pd.read_table("601318.csv",sep=',')  #和df = pd.read_csv("601318.csv")   一样
    - pd.read_excle("601318.xlsx")  #读Excel文件
    sep：指定分隔符
    header = NOne,就会吧默认的表名去除 了
    df.rename(column={0:'a',1:"b"})  #修改列名
    pd.read_csv(index_col=0)  #第0列
    如果想让时间成为索引
        pd.read_csv(index_col='date')  #时间列
    pd.read_csv(index_col='date',parse_datas=True)  #时间列
    parse_datas转换为时间对象，设为true是吧所有能转的都转
    pd.read_csv(index_col='date',parse_datas=['date'])   #知识吧date的那一列转换成时间对象
        
    na_values=['None']  #吧表里面为None的转换成NaN，是吧字符串转换成缺失值
    na_rep()  #是吧缺失值nan转换成字符串

    cols #指定输出的列，传入列表

十五、pandas：写入到文件

1、写入到文件：

• to_csv

2、写入文件函数的主要参数：

• sep
• na_rep 指定缺失值转换的字符串，默认为空字符串
• header=False 不输出列名一行
• index=False 不输出行索引一列
• cols 指定输出的列，传入列表

3、其他文件类型：json, XML, HTML, 数据库
4、pandas转换为二进制文件格式（pickle）:

• save
• load

十六、pandas:数据分组与聚合

分组
   df = pd.DateFrame({
       'data1':np.random.uniform(10,20,5),
       'data2':np.random.uniform(-10,10,5),
       'key1':list("sbbsb")
       'key2':
   })
   df.groupby('key1').mean()  #做平均
   df.groupby('key1').sum()  #做平均
   df.groupby(['key1','key2']).mean()  #做平均  支持分层索引，按多列分组
   
   df.groupby(len).mean()  #传一个函数的时候，x是每一个行的索引
   df.groupby(lambda x:len(x)).mean()  #传一个函数的时候，x是每一个行的索引
   
   df.groupby.groups()  #取得多有的组
   df.groupby.get_group()  #取得一个组
   
聚合
    df.groupby('key1').max()[['data1','data2']]   #去掉key2的data1，data2，花式索引
    df.groupby('key1').max()[['data1','data2']]- df.groupby('key1').min()[['data1','data2']]  #去掉key2
   
   df.groupby('key1').agg(lamada x:x.max()-x.min())
   
   既想看最大也可看最小
    df.groupby('key1').agg([np.max,np.min])
    不同的列不一样的聚合
    df.groupby('key1').agg({'data1':'min','data2':'max'})  #键是列名，值是
    
    a=_219  #219行的代码
    a.resample('3D'),mean()  #3D 3天，3M就是三周
    
数据合并
    - 数据拼接
        df = df.copy()
        pd.concat([df,df2,df3],ignore_index=True)  #不用之前的索引，
        pd.concat([df,df2,df3],axis=1)  #列
        pd.concat([df,df2,df3],keys=['a','b','c'])  #不用之前的索引，
        df2.appeng(df3)
    - 数据连接
    如果不指定on，默认是行索引进行join
    pd.merge(df,df3,on='key1')
    pd.merge(df,df3,on='['key1','key2'])