pandas笔记

Posted 2021-06-11 BabyGo000

Pandas类似R语言中的数据框(DataFrame),Pandas基于Numpy,但是对于数据框结构的处理比Numpy要来的容易。

1. Pandas的基本数据结构和使用

Pandas有两个主要的数据结构：Series和DataFrame。Series类似Numpy中的一维数组，DataFrame则是使用较多的多维表格数据结构。

Series的创建

​
    >>>import numpy as np
    >>>import pandas as pd
    >>>s=pd.Series([1,2,3,np.nan,44,1]) # np.nan创建一个缺失数值
    >>>s　# 若未指定，Series会自动建立index，此处自动建立索引0-5
    0   1.0
    1   2.0
    2   3.0
    3   NaN
    4  44.0
    5   1.0
    dtype: float64

DataFrame的创建

​
    >>>dates=pd.date_range(\'20170101\',periods=6)
    >>>dates
    DatetimeIndex([\'2017-01-01\', \'2017-01-02\', \'2017-01-03\', \'2017-01-04\',
            \'2017-01-05\', \'2017-01-06\'],
           dtype=\'datetime64[ns]\', freq=\'D\')
    >>>df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=[\'a\',\'b\',\'c\',\'d\'])
    >>>df
               a     b     c     d
    2017-01-01 -1.993447 1.272175 -1.578337 -1.972526
    2017-01-02 0.092701 -0.503654 -0.540655 -0.126386
    2017-01-03 0.191769 -0.578872 -1.693449 0.457891
    2017-01-04 2.121120 0.521884 -0.419368 -1.916585
    2017-01-05 1.642063 0.222134 0.108531 -1.858906
    2017-01-06 0.636639 0.487491 0.617841 -1.597920

DataFrame可以跟Numpy一样根据索引取出其中的数据，只是DataFrame索引方式更加多样化。DataFrame不仅可以根据默认的行列编号来索引，还可以根据标签序列来索引。

还可以采用字典的方式创建DataFrame：

​
    >>>df2=pd.DataFrame({\'a\':1,\'b\':\'hello kitty\',\'c\':np.arange(2),\'d\':[\'o\',\'k\']})
    >>>df2
       a      b c d
    0 1 hello kitty 0 o
    1 1 hello kitty 1 k

对于DataFrame的一些属性也可以采用相应的方法查看

​
    dtype # 查看数据类型
    index # 查看行序列或者索引
    columns # 查看各列的标签
    values　# 查看数据框内的数据，也即不含表头索引的数据
    describe # 查看数据的一些信息，如每一列的极值，均值，中位数之类的，只能对数值型数据统计信息
    transpose # 转置，也可用Ｔ来操作
    sort_index # 排序，可按行或列index排序输出
    sort_values # 按数据值来排序

一些例子

​
    >>>df2.dtypes
    a   int64
    b  object
    c   int64
    d  object
    dtype: object
    >>>df2.index
    RangeIndex(start=0, stop=2, step=1)
    >>>df2.columns
    Index([\'a\', \'b\', \'c\', \'d\'], dtype=\'object\')
    >>>df2.values
    array([[1, \'hello kitty\', 0, \'o\'],
        [1, \'hello kitty\', 1, \'k\']], dtype=object)
    >>>df2.describe # 只能对数值型数据统计信息
         a     c
    count 2.0 2.000000
    mean  1.0 0.500000
    std  0.0 0.707107
    min  1.0 0.000000
    25%  1.0 0.250000
    50%  1.0 0.500000
    75%  1.0 0.750000
    max  1.0 1.000000
    >>>df2.T
           0      1
    a      1      1
    b hello kitty hello kitty
    c      0      1
    d      o      k
    >>>df2.sort_index(axis=1,ascending=False) # axis=1 按列标签从大到小排列
       d c      b a
    0 o 0 hello kitty 1
    1 k 1 hello kitty 1
    >>>df2.sort_index(axis=0,ascending=False) # 按行标签从大到小排序
       a      b c d
    1 1 hello kitty 1 k
    0 1 hello kitty 0 o
    >>>df2.sort_values(by="c",ascending=False) # 按c列的值从大到小排序
      　a      b c d
    1 1 hello kitty 1 k
    0 1 hello kitty 0 o

2. 从DataFrame中筛选取出目的数据

从DataFrame中取出目的数据方法有多种，一般常用的有：

• • 直接根据索引选取

• • 根据标签选取(纵向选择列)：loc

• • 根据序列(横向选择行): iloc

• • 组合使用标签序列来选取特定位置的数据: ix

• • 通过逻辑判断筛选

简单选取

​
    >>>import numpy as np
    >>>import pandas as pd
    >>>dates=pd.date_range(\'20170101\',periods=6)
    >>>df=pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=[\'a\',\'b\',\'c\',\'d\'])
    >>>df
            a  b  c  d
    2017-01-01  0  1  2  3
    2017-01-02  4  5  6  7
    2017-01-03  8  9 10 11
    2017-01-04 12 13 14 15
    2017-01-05 16 17 18 19
    2017-01-06 20 21 22 23
    >>>df[\'a\']     # 根据表签直接选取ａ列，也可用df.a,结果相同
    2017-01-01   0
    2017-01-02   4
    2017-01-03   8
    2017-01-04  12
    2017-01-05  16
    2017-01-06  20
    Freq: D, Name: a, dtype: int64
    >>>df[0:3]  # 选择前３行，也可用行标签 df[\'2017-01-01\':\'2017-01-03\'],结果相同,但是无法用此法选择多列
           a b  c  d
    2017-01-01 0 1  2  3
    2017-01-02 4 5  6  7
    2017-01-03 8 9 10 11

loc使用显式的行标签来选取数据

DataFrame行的表示方式有两种，一种是通过显式的行标签来索引，另一种是通过默认隐式的行号来索引。loc方法是通过行标签来索引选取目标行，可以配合列标签来选取特定位置的数据。

​
    >>>df.loc[\'2017-01-01\':\'2017-01-03\']
           a b  c  d
    2017-01-01 0 1  2  3
    2017-01-02 4 5  6  7
    2017-01-03 8 9 10 11
    >>>df.loc[\'2017-01-01\',[\'a\',\'b\']]  # 选取特定行的a,b列
    a  0
    b  1
    Name: 2017-01-01 00:00:00, dtype: int64

iloc使用隐式的行序列号来选取数据

使用iloc可以搭配列序列号来更简单的选取特定位点的数据

​
    >>>df.iloc[3,1]
    13
    >>>df.iloc[1:3,2:4]
            c  d
    2017-01-02  6  7
    2017-01-03 10 11

ix利用ix可以混用显式标签与隐式序列号

loc只能使用显式标签来选取数据，而iloc只能使用隐式序列号来选取数据，ix则能将二者结合起来使用。

​
    >>> df.ix[3:5,[\'a\',\'b\']]
           a  b
    2017-01-04 12 13
    2017-01-05 16 17

使用逻辑判断来选取数据

​
    >>>df
            a  b  c  d
    2017-01-01  0  1  2  3
    2017-01-02  4  5  6  7
    2017-01-03  8  9 10 11
    2017-01-04 12 13 14 15
    2017-01-05 16 17 18 19
    2017-01-06 20 21 22 23
    >>>df[df[\'a\']>5] # 等价于df[df.a>5]
            a  b  c  d
    2017-01-03  8  9 10 11
    2017-01-04 12 13 14 15
    2017-01-05 16 17 18 19
    2017-01-06 20 21 22 23

3. Pandas设置特定位置值

​
    >>>import numpy as np
    >>>import pandas as pd
    >>>dates=pd.date_range(\'20170101\',periods=6)
    >>>datas=np.arange(24).reshape((6,4))
    >>>columns=[\'a\',\'b\',\'c\',\'d\']
    >>>df=pd.DataFra me(data=datas,index=dates,colums=columns)
    >>>df.iloc[2,2:4]=111 # 将第２行2,3列位置的数据改为111
            a  b  c  d
    2017-01-01  0  1  2  3
    2017-01-02  4  5  6  7
    2017-01-03  8  9 111 111
    2017-01-04 12 13  14  15
    2017-01-05 16 17  18  19
    2017-01-06 20 21  22  23
    >>>df.b[df[\'a\']>10]=0 # 等价于df.b[df.a>10] # 以ａ列大于10的数的位置为参考，改变b列相应行的数值为0
            a b  c  d
    2017-01-01  0 1  2  3
    2017-01-02  4 5  6  7
    2017-01-03  8 9 111 111
    2017-01-04 12 0  14  15
    2017-01-05 16 0  18  19
    2017-01-06 20 0  22  23
    >>>df[\'f\']=np.nan  # 新建f列并设置数值为np.nan
           a b  c  d  f
    2017-01-01  0 1  2  3 NaN
    2017-01-02  4 5  6  7 NaN
    2017-01-03  8 9 111 111 NaN
    2017-01-04 12 0  14  15 NaN
    2017-01-05 16 0  18  19 NaN
    2017-01-06 20 0  22  23 NaN
    >>>
    # 用上面的方法也可以加上`Series`序列，但是必须与列长度一致
    >>>df[\'e\']=pd.Series(np.arange(6),index=dates)
    >>>df
           a b  c  d  f e
    2017-01-01  0 1  2  3 NaN 0
    2017-01-02  4 5  6  7 NaN 1
    2017-01-03  8 9 111 111 NaN 2
    2017-01-04 12 0  14  15 NaN 3
    2017-01-05 16 0  18  19 NaN 4
    2017-01-06 20 0  22  23 NaN 5

4. 处理丢失数据

有时候我们的数据中会有一些空的或者缺失(NaN)数据，使用dropna可以选择性的删除或填补这些NaN数据。drop函数可以选择性的删除行或者列，drop_duplicates去除冗余。fillna则将NaN值用其他值替换。操作后不改变原值，若要保存更改需重新赋值。

​
    >>>import numpy as np
    >>>import pandas as pd
    >>>df=pd.DataFrame(np.arange(24).reshape(6,4),index=pd.date_range(\'20170101\',periods=6),columns=[\'a\',\'b\',\'c\',\'d\'])
    >>>df
           a  b  c  d
    2017-01-01  0  1  2  3
    2017-01-02  4  5  6  7
    2017-01-03  8  9 10 11
    2017-01-04 12 13 14 15
    2017-01-05 16 17 18 19
    2017-01-06 20 21 22 23
    >>>df.iloc[1,3]=np.nan
    >>>di.iloc[3,2]=np.nan
    >>>df.
           a  b   c   d
    2017-01-01  0  1  2.0  3.0
    2017-01-02  4  5  6.0  NaN
    2017-01-03  8  9 10.0 11.0
    2017-01-04 12 13  NaN 15.0
    2017-01-05 16 17 18.0 19.0
    2017-01-06 20 21 22.0 23.0
    >>>df.dropna(axis=0,how=\'any\') # axis=0(1)表示将含有NaN的行(列)删除。
       # how=\'any\'表示只要行(或列，视axis取值而定)含有NaN则将该行(列)删除，
       # how=\'all\'表示当某行(列)全部为NaN时才删除
           a  b   c   d
    2017-01-01  0  1  2.0  3.0
    2017-01-03  8  9 10.0 11.0
    2017-01-05 16 17 18.0 19.0
    2017-01-06 20 21 22.0 23.0
    >>>df.fillna(value=55)
           a  b   c   d
    2017-01-01  0  1  2.0  3.0
    2017以上是关于pandas笔记的主要内容，如果未能解决你的问题，请参考以下文章
 
 pandas GroupBy上的方法apply:一般性的“拆分-应用-合并”
 text [检查特定的数据片段]取自论文但有意思应用。 #python #pandas
 pandas学习笔记D1
 pandas学习笔记D2
 [原创]java WEB学习笔记61：Struts2学习之路--通用标签 property，uri，param,set,push,if-else,itertor,sort,date,a标签等(代码片段
 Python：用于元组的 Pandas DataFrame