python pandas怎么用

Posted 2023-05-17

参考技术A 本篇博文主要介绍数据分析包pandas的使用，主要参考资料来自pandas官网，掌握以下内容可以帮助data scientist快速理解pandas日常的数据分析操作，读者可以自己定义一些数据，跟着练习一下，pandas确实挺强大的，比自己一点点的去写numpy要省事许多，可以为大家省下不少时间精力将工作重点放在算法或者业务的深入理解方面，内容so young so naive,但是仔细读来也可以have some fun！
In [4]:
import pandas as pdimport numpy as npimport matplotlib.pyplot as plt

In [5]:
s=pd.Series([1,3,5,np.nan,6,8]) #产生一个序列

In [6]:
s

Out[6]:
0 1
1 3
2 5
3 NaN
4 6
5 8
dtype: float64

In [7]:
dates=pd.date_range('20160501',periods=6)

In [8]:
dates

Out[8]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2016-05-01, ..., 2016-05-06]
Length: 6, Freq: D, Timezone: None

In [10]:
df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=list('ABCD'))

In [11]:
df

Out[11]:

A
B
C
D

2016-05-01
0.695733 0.070252 0.131565 -0.897799

2016-05-02
-0.279032 1.430353 0.246015 1.247282

2016-05-03
-0.727831 -0.422250 0.435165 0.089780

2016-05-04
-0.899446 -0.372851 0.811766 -1.071206

2016-05-05
-1.250048 -0.019416 1.248958 -0.900567

2016-05-06
0.605871 -1.975671 0.202865 -1.491969

In [12]:
df2=pd.DataFrame('A':1,
'B':pd.Timestamp('20160501'),
'C':pd.Series(1,index=list(range(4)),dtype='float32'),
'D':np.array([3]*4,dtype='int32'),
'E':pd.Categorical(["test","train","test","train"]),
'F':'foo')

In [13]:
df2

Out[13]:

A
B
C
D
E
F

0
1 2016-05-01 1 3 test foo

1
1 2016-05-01 1 3 train foo

2
1 2016-05-01 1 3 test foo

3
1 2016-05-01 1 3 train foo

In [14]:
df2.dtypes

怎么用python进行数据

参考技术A

pandas是本书后续内容的首选库。pandas可以满足以下需求：

具备按轴自动或显式数据对齐功能的数据结构。这可以防止许多由于数据未对齐以及来自不同数据源（索引方式不同）的数据而导致的常见错误。.

集成时间序列功能

既能处理时间序列数据也能处理非时间序列数据的数据结构

数学运算和简约（比如对某个轴求和）可以根据不同的元数据（轴编号）执行

灵活处理缺失数据

合并及其他出现在常见数据库（例如基于SQL的）中的关系型运算

1、pandas数据结构介绍

两个数据结构：Series和DataFrame。Series是一种类似于以为NumPy数组的对象，它由一组数据（各种NumPy数据类型）和与之相关的一组数据标签（即索引）组成的。可以用index和values分别规定索引和值。如果不规定索引，会自动创建 0 到 N-1 索引。



#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#Series可以设置index，有点像字典，用index索引obj = Series([1,2,3],index=['a','b','c'])#print obj['a']#也就是说，可以用字典直接创建Seriesdic = dict(key = ['a','b','c'],value = [1,2,3])
dic = Series(dic)#下面注意可以利用一个字符串更新键值key1 = ['a','b','c','d']#注意下面的语句可以将 Series 对象中的值提取出来，不过要知道的字典是不能这么做提取的dic1 = Series(obj,index = key1)#print dic#print dic1#isnull 和  notnull 是用来检测缺失数据#print pd.isnull(dic1)#Series很重要的功能就是按照键值自动对齐功能dic2 = Series([10,20,30,40],index = ['a','b','c','e'])#print dic1 + dic2#name属性,可以起名字dic1.name = 's1'dic1.index.name = 'key1'#Series 的索引可以就地修改dic1.index = ['x','y','z','w']


DataFrame是一种表格型结构，含有一组有序的列，每一列可以是不同的数据类型。既有行索引，又有列索引，可以被看做由Series组成的字典（使用共同的索引）。跟其他类似的数据结构（比如R中的data.frame），DataFrame面向行和列的操作基本是平衡的。其实，DataFrame中的数据是以一个或者多个二维块存放的（不是列表、字典或者其他）。

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#构建DataFrame可以直接传入等长的列表或Series组成的字典#不等长会产生错误data = 'a':[1,2,3],        'c':[4,5,6],        'b':[7,8,9]
#注意是按照列的名字进行列排序frame = DataFrame(data)#print frame#指定列之后就会按照指定的进行排序frame = DataFrame(data,columns=['a','c','b'])print frame#可以有空列,index是说行名frame1 = DataFrame(data,columns = ['a','b','c','d'],index = ['one','two','three'])print frame1#用字典方式取列数据print frame['a']print frame.b#列数据的修改直接选出来重新赋值即可#行，可以用行名或者行数来进行选取print frame1.ix['two']#为列赋值，如果是Series，规定了index后可以精确赋值frame1['d'] = Series([100,200,300],index = ['two','one','three'])print frame1#删除列用del 函数del frame1['d']#警告：通过列名选出来的是Series的视图，并不是副本，可用Series copy方法得到副本


另一种常见的结构是嵌套字典，即字典的字典，这样的结构会默认为外键为列，内列为行。

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#内层字典的键值会被合并、排序以形成最终的索引pop = 'Nevada':2001:2.4,2002:2.9,       'Ohio':2000:1.5,2001:1.7,2002:3.6
frame3 = DataFrame(pop)#rint frame3#Dataframe也有行和列有name属性，DataFrame有value属性frame3.index.name = 'year'frame3.columns.name = 'state'print frame3print frame3.values


下面列出了DataFrame构造函数能够接受的各种数据。

索引对象

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#pandas索引对象负责管理轴标签和其他元数据，构建Series和DataFrame时，所用到的任何数组或其他序列的标签都被转换为Indexobj = Series(range(3),index = ['a','b','c'])
index = obj.index#print index#索引对象是无法修改的,这非常重要，因为这样才会使得Index对象在多个数据结构之间安全共享index1 = pd.Index(np.arange(3))
obj2 = Series([1.5,-2.5,0],index = index1)print obj2.index is index1#除了长得像数组，Index的功能也类似一个固定大小的集合print 'Ohio' in frame3.columnsprint 2003 in frame3.index


pandas中的Index是一个类，pandas中主要的Index对象（什么时候用到）。

下面是Index的方法与属性，值得注意的是：index并不是数组。

2、基本功能

下面介绍基本的Series 和 DataFrame 数据处理手段。首先是索引：

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#Series有一个reindex函数，可以将索引重排，以致元素顺序发生变化obj = Series([1,2,3,4],index=['a','b','c','d'])#注意这里的reindex并不改变obj的值，得到的是一个“副本”#fill_value 显然是填充空的index的值#print obj.reindex(['a','c','d','b','e'],fill_value = 0)#print objobj2 = Series(['red','blue'],index=[0,4])#method = ffill，意味着前向值填充obj3 = obj2.reindex(range(6),method='ffill')#print obj3#DataFrame 的reindex可以修改行、列或者两个都改frame = DataFrame(np.arange(9).reshape((3,3)),index = ['a','c','d'],columns = ['Ohio','Texas','California'])#只是传入一列数，是对行进行reindex,因为...frame的行参数叫index...(我这么猜的)frame2 = frame.reindex(['a','b','c','d'])#print frame2#当传入原来没有的index是，当然返回的是空NaN#frame3 = frame.reindex(['e'])#print frame3states = ['Texas','Utah','California']#这是对行、列重排#注意：这里的method是对index 也就是行进行的填充，列是不能填充的（不管method的位置如何）frame4 = frame.reindex(index = ['a','b','c','d'],columns=states,method = 'ffill')#print frame4#使用ix的标签索引功能，重新索引变得比较简洁print frame.ix[['a','d','c','b'],states]


丢弃指定轴上的项



#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#drop函数可以丢弃轴上的列、行值obj = Series(np.arange(3.),index = ['a','b','c'])#原Series并不丢弃obj.drop('b')#print obj#注意下面，行可以随意丢弃，列需要加axis = 1print frame.drop(['a'])print frame.drop(['Ohio'],axis = 1)




下面说索引、选取和过滤



#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame

obj = Series([1,2,3,4],index=['a','b','c','d'])
frame = DataFrame(np.arange(9).reshape((3,3)),index = ['a','c','d'],columns = ['Ohio','Texas','California'])#Series切片和索引#print obj[obj < 2]#注意：利用标签的切片与python的切片不同，两端都是包含的（有道理）print obj['b':'c']#对于DataFrame，列可以直接用名称print frame['Ohio']#特殊情况：通过切片和bool型索引，得到的是行(有道理)print frame[:2]print frame[frame['Ohio'] != 0]#下面的方式是对frame所有元素都适用，不是行或者列,下面的得到的是numpy.ndarray类型的数据print frame[frame < 5],type(frame[frame < 5])
frame[frame < 5] = 0print frame#对于DataFrame上的标签索引，用ix进行print frame.ix[['a','d'],['Ohio','Texas']]print frame.ix[2] #注意这里默认取行#注意下面默认取行print frame.ix[frame.Ohio > 0]#注意下面的逗号后面是列标print frame.ix[frame.Ohio > 0,:2]




下面是常用的索引选项：

算术运算和数据对齐

#pandas 有一个重要的功能就是能够根据索引自动对齐,其中索引不重合的部分值为NaNs1 = Series([1,2,3],['a','b','c'])
s2 = Series([4,5,6],['b','c','d'])#print s1 + s2df1 = DataFrame(np.arange(12.).reshape(3,4),columns=list('abcd'))
df2 = DataFrame(np.arange(20.).reshape(4,5),columns=list('abcde'))#print df1 + df2#使用add方法，并传入填充值,注意下面的fill_value函数是先对应填充再进行加和，而不是加和得到NaN之后再填充#print df1.add(df2,fill_value = 1000)#df1.reindex(columns = df2.columns,fill_value=0)


除了add之外，还有其他的方法：

DataFrame和Series之间的运算

#下面看一下DataFrame和Series之间的计算过程arr = DataFrame(np.arange(12.).reshape((3,4)),columns = list('abcd'))#下面的结果标明，就是按行分别相减即可，叫做 broadcasting#注意：默认情况下，DataFrame和Series的计算会将Series的索引匹配到DataFrame的列，然后进行计算，再沿着行一直向下广播#注意：下面的式子中，如果写arr - arr[0]是错的，因为只有标签索引函数ix后面加数字才表示行print arr - arr.ix[0]
Series2 = Series(range(3),index = list('cdf'))#按照规则，在不匹配的列会形成NaN值print arr + Series2#如果想匹配行且在列上广播，需要用到算术运算方法Series3 = arr['d']#axis就是希望匹配的轴print arr.sub(Series3,axis = 0)


下面是函数应用和映射



#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#NumPy的元素级数组方法也适用于pandas对象frame = DataFrame(np.random.randn(4,3),columns = list('abc'),index = ['Ut','Oh','Te','Or'])print frame#下面是求绝对值：#print np.abs(frame)#另一种常见的做法是：将一个函数应用到行或者列上,用apply方法，与R语言类似fun = lambda x:x.max() - x.min()#默认是应用在每一列上print frame.apply(fun)#下面是应用在列上print frame.apply(fun,axis = 1)#很多统计函数根本不用apply，直接调用方法就可以了print frame.sum()#除了标量值之外，apply函数后面还可以接返回多个值组成的的Series的函数,有没有很漂亮？def f(x):    return Series([x.min(),x.max()],index = ['min','max'])#print frame.apply(f)#元素级的python函数也是可以用的，但是要使用applymap函数format = lambda x: '%.2f' % xprint frame.applymap(format)#之所以要用applymap是因为Series有一个应用于元素级函数的map方法？？#这里的map很有用print frame['b'].map(format)


排序与排名

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#用sort_index函数对行、列的索引进行排序obj = Series(range(4),index = ['d','a','b','c'])print obj.sort_index()

frame = DataFrame(np.arange(8).reshape((2,4)),index = ['three','one'],columns = ['d','a','b','c'])#默认是对行 “索引” 进行排序，如果对列 “索引” 进行排序，axis = 1 即可print frame.sort_index()print frame.sort_index(axis = 1)print frame.sort_index(axis = 1,ascending = False)#如果对值进行排序，用的是order函数,注意所有的缺失值会放到最后（如果有的话）print obj.order()#numpy中的sort也可以用来排序print np.sort(obj)#如果相对DataFrame的值进行排序，函数还是sort_index，只不过后面需要加一个参数byframe = DataFrame('b':[4,7,-3,2],'a':[0,1,0,1])print frame.sort_index(by = ['a','b'])#rank函数返回从小到大排序的下标，对于平级的数，rank是通过“为各组分配一个平均排名”的方式破坏评级关系#下标从1开始obj = Series([7,-5,7,4,2,0,4])print obj.rank()#而numpy中的argsort函数比较奇怪，返回的是把数据进行排序之后，按照值得顺序对应的下标，下标从0开始print np.argsort(obj) #打印结果为：1,5,4,3,6,0,2 按照这个下标顺序恰好可以得到从小打到的值，见下面print obj[np.argsort(obj)]#rank函数中有一个method选项，用来规定下标的方式print obj.rank(method = 'first',ascending=False)print obj.rank(method = 'max',ascending=False)print obj.rank(method = 'min',ascending=False)#对于DataFrame，rank函数默认把每一列排好并返回坐标print frame.rank()print frame.rank(axis = 1)




带有重复值的轴索引

#-*- encoding:utf-8 -*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#虽然pandas的很多函数（如reindex）要求标签唯一，但是并不具有强制性obj = Series(range(5),index = list('aabbc'))print obj#索引是否唯一用is_unique看是否唯一print obj.index.is_unique#对于重复值的索引，选取的话返回一个Series，唯一的索引返回一个标量print obj['a']#对于DataFrame也是如此df = DataFrame(np.random.randn(4,3),index = list('aabb'))print dfprint df.ix['b']#####自己导入数据的时候数据处理之前可以做一下index唯一性等，自己创建DataFrame注意不能这样




3、汇总和计算描述统计

#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport time#pandas 对象拥有一组常用的数学和统计方法，大部分属于简约统计，用于从Series中提取一个值，或者   从DataFrame中提取一列或者一行Series#注意：与NumPy数组相比，这些函数都是基于没有缺失数据的建设构建的，也就是说：这些函数会自动忽略缺失值。df = DataFrame([[1.4,np.nan],[7.1,-4.5],[np.nan,np.nan],[0.75,-1.3]],index = list('abcd'),columns=['one','two'])print df.sum()print df.sum(axis = 1)#下面是一些函数，idxmin 和 idmax 返回的是达到最小或者最大的索引print df.idxmin()print df.idxmin(axis=1)#关于累积型的函数print df.cumsum()#describe函数，与R语言中的describe函数基本相同print df.describe()#对于非数值型的数据，看看下面的结果obj = Series(['c','a','a','b','d'] * 4)print obj.describe()'''结果为：
count     20
unique     4
top        a
freq       8
其中，freq是指字母出现的最高频率'''










#-*- encoding:utf-8 -*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport time#下面看一下cummin函数#注意：这里的cummin函数是截止到目前为止的最小值，而不是加和以后的最小值frame = DataFrame([[1,2,3,4],[5,6,7,8],[-10,11,12,-13]],index = list('abc'),columns = ['one','two','three','four'])print frame.cummin()print frame
>>>
   one  two  three  four
a    1    2      3     4
b    1    2      3     4
c  -10    2      3   -13
   one  two  three  four
a    1    2      3     4
b    5    6      7     8
c  -10   11     12   -13

相关系数与协方差

有些汇总