收藏 | Python 之 Pandas系统性总结！
Posted 人工智能博士
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了收藏 | Python 之 Pandas系统性总结！相关的知识，希望对你有一定的参考价值。
点上方人工智能算法与Python大数据获取更多干货
在右上方 ··· 设为星标 ★，第一时间获取资源
仅做学术分享，如有侵权，联系删除
转载于 ：作者：Ma Sizhou
https://blog.csdn.net/weixin_45901519/article/details/112980822
1、Pandas数据结构
2008年WesMcKinney开发出的库
专门用于数据挖掘的开源python库
以Numpy为基础，借力Numpy模块在计算方面性能高的优势
基于matplotlib，能够简便的画图
独特的数据结构
1.1 为什么使用Pandas
Numpy已经能够帮助我们处理数据，能够结合matplotlib解决部分数据展示等问题，那么pandas学习的目的在什么地方呢？
（1）增强图表可读性
在numpy当中创建学生成绩表样式：
返回结果：
array([[92, 55, 78, 50, 50],
[71, 76, 50, 48, 96],
[45, 84, 78, 51, 68],
[81, 91, 56, 54, 76],
[86, 66, 77, 67, 95],
[46, 86, 56, 61, 99],
[46, 95, 44, 46, 56],
[80, 50, 45, 65, 57],
[41, 93, 90, 41, 97],
[65, 83, 57, 57, 40]])
如果数据展示为这样，可读性就会更友好：
（2）便捷的数据处理能力
（3）读取文件方便
（4）封装了Matplotlib、Numpy的画图和计算
1.2 Pandas数据结构
Pandas中一共有三种数据结构，分别为：Series、DataFrame和MultiIndex（老版本中叫Panel ）。
其中Series是一维数据结构，DataFrame是二维的表格型数据结构，MultiIndex是三维的数据结构。
1.2.1 Series
Series是一个类似于一维数组的数据结构，它能够保存任何类型的数据，比如整数、字符串、浮点数等，主要由一组数据和与之相关的索引两部分构成。
（1）Series的创建
# 导入pandas
import pandas as pd
pd.Series(data=None, index=None, dtype=None)
参数：
data：传入的数据，可以是ndarray、list等
index：索引，必须是唯一的，且与数据的长度相等。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。
dtype：数据的类型
通过已有数据创建:
（1）指定内容，默认索引：
pd.Series(np.arange(10))
# 运行结果
0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
dtype: int64
（2）指定索引：
pd.Series([6.7,5.6,3,10,2], index=[1,2,3,4,5])
# 运行结果
1 6.7
2 5.6
3 3.0
4 10.0
5 2.0
dtype: float64
（3）通过字典数据创建
color_count = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
color_count
# 运行结果
blue 200
green 500
red 100
yellow 1000
dtype: int64
（2）Series的属性
为了更方便地操作Series对象中的索引和数据，Series中提供了两个属性index和values：
index：
color_count = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
color_count.index
# 结果
Index(['blue', 'green', 'red', 'yellow'], dtype='object')
values：
color_count.values
# 结果
array([ 200, 500, 100, 1000])
也可以使用索引来获取数据：
color_count[2]
# 结果
100
1.2.2 DataFrame
DataFrame是一个类似于二维数组或表格(如excel)的对象，既有行索引，又有列索引：
行索引，表明不同行，横向索引，叫index，0轴，axis=0
列索引，表名不同列，纵向索引，叫columns，1轴，axis=1
（1）DataFrame的创建
# 导入pandas
import pandas as pd
pd.DataFrame(data=None, index=None, columns=None)
参数：
index：行标签。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。
columns：列标签。如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引。
通过已有数据创建
举例一：
pd.DataFrame(np.random.randn(2,3))
结果：
举例二：创建学生成绩表
使用np创建的数组显示方式，比较两者的区别。
# 生成10名同学，5门功课的数据
score = np.random.randint(40, 100, (10, 5))#均匀分布
# 结果
array([[92, 55, 78, 50, 50],
[71, 76, 50, 48, 96],
[45, 84, 78, 51, 68],
[81, 91, 56, 54, 76],
[86, 66, 77, 67, 95],
[46, 86, 56, 61, 99],
[46, 95, 44, 46, 56],
[80, 50, 45, 65, 57],
[41, 93, 90, 41, 97],
[65, 83, 57, 57, 40]])
但是这样的数据形式很难看到存储的是什么的样的数据，可读性比较差！！
问题：如何让数据更有意义的显示？
# 使用Pandas中的数据结构
score_df = pd.DataFrame(score)
结果：
给分数数据增加行列索引,显示效果更佳：
增加行、列索引：
# 构造行索引序列
subjects = ["语文", "数学", "英语", "政治", "体育"]
# 构造列索引序列
stu = ['同学' + str(i) for i in range(score_df.shape[0])]
# 添加行索引
data = pd.DataFrame(score, columns=subjects, index=stu)
结果：
（2）DataFrame的属性
（1）shape
data.shape
# 结果
(10, 5)
（2）index
DataFrame的行索引列表
data.index
# 结果
Index(['同学0', '同学1', '同学2', '同学3', '同学4', '同学5', '同学6', '同学7', '同学8', '同学9'], dtype='object')
（3）columns
DataFrame的列索引列表
data.columns
# 结果
Index(['语文', '数学', '英语', '政治', '体育'], dtype='object')
（4）values
直接获取其中array的值
array([[54, 82, 62, 81, 47],
[50, 58, 73, 72, 48],
[88, 89, 49, 99, 83],
[79, 81, 69, 45, 87],
[87, 64, 62, 74, 85],
[68, 56, 58, 77, 53],
[77, 49, 82, 48, 82],
[96, 49, 67, 94, 71],
[98, 77, 44, 99, 41],
[71, 52, 74, 90, 44]])
（5）T
转置
data.T
结果：
（6）head(5)：显示前5行内容
如果不补充参数，默认5行。填入参数N则显示前N行
data.head(5)
结果：
（7）tail(5):显示后5行内容
如果不补充参数，默认5行。填入参数N则显示后N行
data.tail(5)
结果：
（3）DatatFrame索引的设置
现在要将下图的行索引改变，变成下下图所示样子，怎么做呢？
(1)修改行列索引值
stu = ["学同学_" + str(i) for i in range(score_df.shape[0])]
# 必须整体全部修改
data.index = stu
注意：以下修改方式是错误的，说明不能单独修改
# 错误修改方式，不能单个修改
data.index[3] = '学生_3'
（2）重设索引
设置新的下标索引
drop:默认为False，不删除原来索引，如果为True,删除原来的索引值
reset_index(drop=False)
# 重置索引,drop=False
data.reset_index()
结果：
# 重置索引,drop=True
data.reset_index()
结果：
（3）以某列值设置为新的索引
set_index(keys, drop=True)
keys : 列索引名成或者列索引名称的列表
drop : boolean, default True.当做新的索引，删除原来的列
设置新索引案例：
1、创建
df = pd.DataFrame({'month': [1, 4, 7, 10],
'year': [2012, 2014, 2013, 2014],
'sale':[55, 40, 84, 31]})
month sale year
0 1 55 2012
1 4 40 2014
2 7 84 2013
3 10 31 2014
2、以月份设置新的索引
df.set_index('month')
sale year
month
1 55 2012
4 40 2014
7 84 2013
10 31 2014
3、设置多个索引，以年和月份
df = df.set_index(['year', 'month'])
df
sale
year month
2012 1 55
2014 4 40
2013 7 84
2014 10 31
注：通过刚才的设置，这样DataFrame就变成了一个具有MultiIndex的DataFrame。
1.2.3 MultiIndex与Panel
（1）MultiIndex
MultiIndex是三维的数据结构;
多级索引（也称层次化索引）是pandas的重要功能，可以在Series、DataFrame对象上拥有2个以及2个以上的索引。
（1）multiIndex的特性
打印刚才的df的行索引结果
df
sale
year month
2012 1 55
2014 4 40
2013 7 84
2014 10 31
df.index
MultiIndex(levels=[[2012, 2013, 2014], [1, 4, 7, 10]],
labels=[[0, 2, 1, 2], [0, 1, 2, 3]],
names=['year', 'month'])
多级或分层索引对象。
index属性
names:levels的名称
levels：每个level的元组值
df.index.names
# FrozenList(['year', 'month'])
df.index.levels
# FrozenList([[2012, 2013, 2014], [1, 4, 7, 10]])
（2）multiIndex的创建
arrays = [[1, 1, 2, 2], ['red', 'blue', 'red', 'blue']]
pd.MultiIndex.from_arrays(arrays, names=('number', 'color'))
# 结果
MultiIndex(levels=[[1, 2], ['blue', 'red']],
codes=[[0, 0, 1, 1], [1, 0, 1, 0]],
names=['number', 'color'])
（2）Panel
（1）panel的创建
作用：存储3维数组的Panel结构
参数：
data : ndarray或者dataframe
items : 索引或类似数组的对象，axis=0
major_axis : 索引或类似数组的对象，axis=1
minor_axis : 索引或类似数组的对象，axis=2
class pandas.Panel(data=None, items=None, major_axis=None, minor_axis=None)
p = pd.Panel(data=np.arange(24).reshape(4,3,2),
items=list('ABCD'),
major_axis=pd.date_range('20130101', periods=3),
minor_axis=['first', 'second'])
# 结果
<class 'pandas.core.panel.Panel'>
Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis)
Items axis: A to D
Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00
Minor_axis axis: first to second
（2）查看panel数据
p[:,:,"first"]
p["B",:,:]
注：Pandas从版本0.20.0开始弃用：推荐的用于表示3D数据的方法是通过DataFrame上的MultiIndex方法。
2、基本数据操作
为了更好的理解这些基本操作，我们将读取一个真实的股票数据。关于文件操作，后面在介绍，这里只先用一下API。
# 读取文件
data = pd.read_csv("./data/stock_day.csv")
# 删除一些列，让数据更简单些，再去做后面的操作
data = data.drop(["ma5","ma10","ma20","v_ma5","v_ma10","v_ma20"], axis=1)
2.1 索引操作
Numpy当中我们已经讲过使用索引选取序列和切片选择，pandas也支持类似的操作，也可以直接使用列名、行名称，甚至组合使用。
2.2.1 直接使用行列索引(先列后行)
获取’2018-02-27’这天的’open’的结果：
# 直接使用行列索引名字的方式（先列后行）
data['open']['2018-02-27']
23.53
# 不支持的操作
# 错误
data['2018-02-27']['open']
# 错误
data[:1, :2]
2.2.2 结合loc或者iloc使用索引
获取从’2018-02-27’到’2018-02-22’，'open’的结果：
# 使用loc:只能指定行列索引的名字
data.loc['2018-02-27':'2018-02-22', 'open']
2018-02-27 23.53
2018-02-26 22.80
2018-02-23 22.88
Name: open, dtype: float64
# 使用iloc可以通过索引的下标去获取
# 获取前3天数据,前5列的结果
data.iloc[:3, :5]
open high close low
2018-02-27 23.53 25.88 24.16 23.53
2018-02-26 22.80 23.78 23.53 22.80
2018-02-23 22.88 23.37 22.82 22.71
2.2.3 使用ix组合索引（混合索引:下标和名称）
获取行第1天到第4天，[‘open’, ‘close’, ‘high’, ‘low’]这个四个指标的结果：
# 使用ix进行下表和名称组合做引
data.ix[0:4, ['open', 'close', 'high', 'low']]
# 推荐使用loc和iloc来获取的方式
data.loc[data.index[0:4], ['open', 'close', 'high', 'low']]
data.iloc[0:4, data.columns.get_indexer(['open', 'close', 'high', 'low'])]
open close high low
2018-02-27 23.53 24.16 25.88 23.53
2018-02-26 22.80 23.53 23.78 22.80
2018-02-23 22.88 22.82 23.37 22.71
2018-02-22 22.25 22.28 22.76 22.02
2.2 赋值操作
对DataFrame当中的close列进行重新赋值为1。
# 直接修改原来的值
data['close'] = 1 # 这一列都变成1
# 或者
data.close = 1
2.3 排序
排序有两种形式，一种对于索引进行排序，一种对于内容进行排序:
2.3.1 DataFrame排序
（1）使用
df.sort_values(by=, ascending=)by：指定排序参考的键
ascending:默认升序
ascending=False:降序
ascending=True:升序
单个键或者多个键进行排序,
参数：
如下：
例一：
# 按照开盘价大小进行排序 , 使用ascending指定按照大小排序
data.sort_values(by="open", ascending=True).head()
结果：
例二：
# 按照多个键进行排序
data.sort_values(by=['open', 'high'])
结果：
（2）使用
df.sort_index(ascending=)给索引进行排序
这个股票的日期索引原来是从大到小，现在重新排序，从小到大:
# 对索引进行排序
data.sort_index()
结果：
2.3.2 Series排序
（1）使用
series.sort_values(ascending=True)进行排序
series排序时，只有一列，不需要参数
data['p_change'].sort_values(ascending=True).head()
2015-09-01 -10.03
2015-09-14 -10.02
2016-01-11 -10.02
2015-07-15 -10.02
2015-08-26 -10.01
Name: p_change, dtype: float64
（2）使用
series.sort_index()进行排序
与df一致
# 对索引进行排序
data['p_change'].sort_index().head()
2015-03-02 2.62
2015-03-03 1.44
2015-03-04 1.57
2015-03-05 2.02
2015-03-06 8.51
Name: p_change, dtype: float64
2.4 总结
3、DataFrame运算
3.1 算术运算
（1）
add(other)
比如进行数学运算加上具体的一个数字
data['open'].head().add(1)
2018-02-27 24.53
2018-02-26 23.80
2018-02-23 23.88
2018-02-22 23.25
2018-02-14 22.49
Name: open, dtype: float64
（2）
sub(other)
整个列减一个数
data.open.head().sub(2)
2018-02-27 21.53
2018-02-26 20.80
2018-02-23 20.88
2018-02-22 20.25
2018-02-14 19.49
Name: open, dtype: float64
3.2 逻辑运算
3.2.1 逻辑运算符号
例如筛选data[“open”] > 23的日期数据
data[“open”] > 23返回逻辑结果
data["open"] > 23
2018-02-27 True
2018-02-26 False
2018-02-23 False
2018-02-22 False
2018-02-14 False
# 逻辑判断的结果可以作为筛选的依据
data[data["open"] > 23].head()
结果：
完成多个逻辑判断：
data[(data["open"] > 23) & (data["open"] < 24)].head()
3.2.2 逻辑运算函数
（1）
query(expr)expr:查询字符串
通过query使得刚才的过程更加方便简单，下面是使用的例子：
data.query("open<24 & open>23").head()
结果：
（2）
isin(values)
例如判断’open’是否为23.53和23.85：
# 可以指定值进行一个判断，从而进行筛选操作
data[data["open"].isin([23.53, 23.85])]
3.2.3 统计运算
（1）describe
综合分析: 能够直接得出很多统计结果,count, mean, std, min, max 等
# 计算平均值、标准差、最大值、最小值
data.describe()
（2）统计函数
看一下min(最小值), max(最大值), mean(平均值), median(中位数), var(方差), std(标准差),mode(众数)是怎么操作的:
对于单个函数去进行统计的时候，坐标轴还是按照默认列“columns” (axis=0, default)，如果要对行“index” 需要指定(axis=1)。
（1）
max()、min()
# 使用统计函数：0 代表列求结果， 1 代表行求统计结果
data.max(axis=0) # 最大值
open 34.99
high 36.35
close 35.21
low 34.01
volume 501915.41
price_change 3.03
p_change 10.03
turnover 12.56
my_price_change 3.41
dtype: float64
（2）
std()、var()
# 方差
data.var(axis=0)
open 1.545255e+01
high 1.662665e+01
close 1.554572e+01
low 1.437902e+01
volume 5.458124e+09
price_change 8.072595e-01
p_change 1.664394e+01
turnover 4.323800e+00
my_price_change 6.409037e-01
dtype: float64
# 标准差
data.std(axis=0)
open 3.930973
high 4.077578
close 3.942806
low 3.791968
volume 73879.119354
price_change 0.898476
p_change 4.079698
turnover 2.079375
my_price_change 0.800565
dtype: float64
（3）
median()：中位数
中位数为将数据从小到大排列，在最中间的那个数为中位数。如果没有中间数，取中间两个数的平均值。
data.median(axis=0)
open 21.44
high 21.97
close 10.00
low 20.98
volume 83175.93
price_change 0.05
p_change 0.26
turnover 2.50
dtype: float64
（4）
idxmax()、idxmin()
# 求出最大值的位置
data.idxmax(axis=0)
open 2015-06-15
high 2015-06-10
close 2015-06-12
low 2015-06-12
volume 2017-10-26
price_change 2015-06-09
p_change 2015-08-28
turnover 2017-10-26
my_price_change 2015-07-10
dtype: object
# 求出最小值的位置
data.idxmin(axis=0)
open 2015-03-02
high 2015-03-02
close 2015-09-02
low 2015-03-02
volume 2016-07-06
price_change 2015-06-15
p_change 2015-09-01
turnover 2016-07-06
my_price_change 2015-06-15
dtype: object
（3）累计统计函数
那么这些累计统计函数怎么用？
以上这些函数可以对series和dataframe操作，这里我们按照时间的从前往后来进行累计
排序
# 排序之后，进行累计求和
data = data.sort_index()
对p_change进行求和
stock_rise = data['p_change']
stock_rise.cumsum()
2015-03-02 2.62
2015-03-03 4.06
2015-03-04 5.63
2015-03-05 7.65
2015-03-06 16.16
2015-03-09 16.37
2015-03-10 18.75
2015-03-11 16.36
2015-03-12 15.03
2015-03-13 17.58
2015-03-16 20.34
2015-03-17 22.42
2015-03-18 23.28
2015-03-19 23.74
2015-03-20 23.48
2015-03-23 23.74
那么如何让这个连续求和的结果更好的显示呢？
如果要使用plot函数，需要导入matplotlib.下面是绘图代码：
import matplotlib.pyplot as plt
# plot显示图形, plot方法集成了直方图、条形图、饼图、折线图
stock_rise.cumsum().plot()
# 需要调用show，才能显示出结果
plt.show()
结果：
关于plot，稍后会介绍API的选择。
（4）自定义运算
apply(func, axis=0)func:自定义函数
axis=0:默认是列，axis=1为行进行运算
定义一个对列，最大值-最小值的函数
下面看个例子：
data[['open', 'close']].apply(lambda x: x.max() - x.min(), axis=0)
open 22.74
close 22.85
dtype: float64
特定需求需要用这个。
4、Pandas画图
4.1 pandas.DataFrame.plot
DataFrame.plot(kind='line')‘line’ : 折线图
‘bar’ : 条形图
‘barh’ : 横放的条形图
‘hist’ : 直方图
‘pie’ : 饼图
‘scatter’ : 散点图
kind : str，需要绘制图形的种类
关于“barh”的解释：
http://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.barh.html
更多细节：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html?highlight=plot#pandas.DataFrame.plot
看个例子：
import matplotlib.pyplot as plt
# plot显示图形, plot方法集成了直方图、条形图、饼图、折线图
stock_rise.cumsum().plot(kind="line")
# 需要调用show，才能显示出结果
plt.show()
结果：
4.2 pandas.Series.plot
更多细节：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.plot.html?highlight=plot#pandas.Series.plot
注：使用的时候查看。
5、文件读取与存储
我们的数据大部分存在于文件当中，所以pandas会支持复杂的IO操作，pandas的API支持众多的文件格式，如CSV、SQL、XLS、JSON、HDF5。
注：最常用的HDF5和CSV文件
接下来重点看一下，应用CSV方式、HDF方式和json方式实现文件的读取和存储。
5.1 CSV
5.1.1 read_csv
pandas.read_csv(filepath_or_buffer, sep =',', usecols )filepath_or_buffer:文件路径
sep :分隔符，默认用","隔开
usecols:指定读取的列名，列表形式
举例：读取之前的股票的数据：
# 读取文件,并且指定只获取'open', 'close'指标
data = pd.read_csv("./data/stock_day.csv", usecols=['open', 'close'])
open close
2018-02-27 23.53 24.16
2018-02-26 22.80 23.53
2018-02-23 22.88 22.82
2018-02-22 22.25 22.28
2018-02-14 21.49 21.92
5.1.2 to_csv
DataFrame.to_csv(path_or_buf=None, sep=', ’, columns=None, header=True, index=True, mode='w', encoding=None)path_or_buf :文件路径
sep :分隔符，默认用","隔开
columns :选择需要的列索引
header :boolean or list of string, default True,是否写进列索引值
index:是否写进行索引
mode:‘w’：重写, ‘a’ 追加
举例：保存读取出来的股票数据
保存’open’列的数据，然后读取查看结果：
# 选取10行数据保存,便于观察数据
data[:10].to_csv("./data/test.csv", columns=['open'])
# 读取，查看结果
pd.read_csv("./data/test.csv")
Unnamed: 0 open
0 2018-02-27 23.53
1 2018-02-26 22.80
2 2018-02-23 22.88
3 2018-02-22 22.25
4 2018-02-14 21.49
5 2018-02-13 21.40
6 2018-02-12 20.70
7 2018-02-09 21.20
8 2018-02-08 21.79
9 2018-02-07 22.69
会发现将索引存入到文件当中，变成单独的一列数据。如果需要删除，可以指定index参数,删除原来的文件，重新保存一次。
下面例子把index指定为False，那么保存的时候就不会保存行索引了：
# index:存储不会将索引值变成一列数据
data[:10].to_csv("./data/test.csv", columns=['open'], index=False)
当然我们也可以这么做，就是把索引保存到文件中，读取的时候变成了一列，那么可以把这个列再变成索引，如下：
# 把Unnamed: 0这一列，变成行索引
open.set_index(["Unnamed: 0"])
# 把索引名字变成index
open.index.name = "index"
5.2 HDF5
5.2.1 read_hdf与to_hdf
HDF5文件的读取和存储需要指定一个键，值为要存储的DataFrame
（1）
pandas.read_hdf(path_or_buf，key =None，** kwargs)path_or_buffer:文件路径
key:读取的键
return:Theselected object
（2）
DataFrame.to_hdf(path_or_buf, key, **kwargs)
5.2.2 案例
读取文件
day_close = pd.read_hdf("./data/day_close.h5")
如果读取的时候出现以下错误
需要安装安装tables模块避免不能读取HDF5文件
pip install tables
存储文件
day_close.to_hdf("./data/test.h5", key="day_close")
再次读取的时候, 需要指定键的名字
new_close = pd.read_hdf("./data/test.h5", key="day_close")
注意：优先选择使用HDF5文件存储
HDF5在存储的时候支持压缩，使用的方式是blosc，这个是速度最快的也是pandas默认支持的
使用压缩可以提磁盘利用率，节省空间
HDF5还是跨平台的，可以轻松迁移到hadoop 上面
5.3 JSON
JSON是我们常用的一种数据交换格式，在前后端的交互经常用到，也会在存储的时候选择这种格式。所以我们需要知道Pandas如何进行读取和存储JSON格式。
5.3.1 read_json
pandas.read_json(path_or_buf=None, orient=None, typ='frame', lines=False)按照每行读取json对象
（1）‘split’ : dict like {index -> [index], columns -> [columns], data -> [values]}
（2）‘records’ : list like [{column -> value}, … , {column -> value}]
（3）‘index’ : dict like {index -> {column -> value}}
（4）‘columns’ : dict like {column -> {index -> value}},默认该格式
（5）‘values’ : just the values array
split 将索引总结到索引，列名到列名，数据到数据。将三部分都分开了
records 以columns：values的形式输出
index 以index：{columns：values}…的形式输出
colums 以columns:{index:values}的形式输出
values 直接输出值
path_or_buf: 路径orient: string,以什么样的格式显示.下面是5种格式：lines: boolean, default Falsetyp: default ‘frame’， 指定转换成的对象类型series或者dataframe
案例：
数据介绍：
这里使用一个新闻标题讽刺数据集，格式为json。is_sarcastic：1讽刺的，否则为0；headline：新闻报道的标题；article_link：链接到原始新闻文章。存储格式为：
{"article_link": "https://www.huffingtonpost.com/entry/versace-black-code_us_5861fbefe4b0de3a08f600d5", "headline": "former versace store clerk sues over secret 'black code' for minority shoppers", "is_sarcastic": 0}
{"article_link": "https://www.huffingtonpost.com/entry/roseanne-revival-review_us_5ab3a497e4b054d118e04365", "headline": "the 'roseanne' revival catches up to our thorny political mood, for better and worse", "is_sarcastic": 0}
读取
orient指定存储的json格式，lines指定按照行去变成一个样本：
json_read = pd.read_json("./data/Sarcasm_Headlines_Dataset.json", orient="records", lines=True)
结果为：
5.3.2 to_json
DataFrame.to_json(path_or_buf=None, orient=None, lines=False)将Pandas 对象存储为json格式
path_or_buf=None：文件地址
orient:存储的json形式，{‘split’,’records’,’index’,’columns’,’values’}
lines:一个对象存储为一行
案例：
存储文件
# 不指定lines=Treu，则保存成一行
json_read.to_json("./data/test.json", orient='records')
结果：
[{"article_link":"https:\\/\\/www.huffingtonpost.com\\/entry\\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0},{"article_link":"https:\\/\\/www.huffingtonpost.com\\/entry\\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0},{"article_link":"https:\\/\\/local.theonion.com\\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1},{"article_link":"https:\\/\\/politics.theonion.com\\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1},{"article_link":"https:\\/\\/www.huffingtonpost.com\\/entry\\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0},{"article_link":"https:\\/\\/www.huffingtonpost.com\\/entry\\/advancing-the-worlds-women_b_6810038.html","headline":"advancing the world's women","is_sarcastic":0},....]
修改
lines参数为True
# 指定lines=True，则多行存储
json_read.to_json("./data/test.json", orient='records', lines=True)
结果：
{"article_link":"https:\\/\\/www.huffingtonpost.com\\/entry\\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0}
{"article_link":"https:\\/\\/www.huffingtonpost.com\\/entry\\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0}
{"article_link":"https:\\/\\/local.theonion.com\\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1}
{"article_link":"https:\\/\\/politics.theonion.com\\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1}
{"article_link":"https:\\/\\/www.huffingtonpost.com\\/entry\\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0}...
6、高级处理-缺失值处理
在pandas中，缺失值使用NaN来标记，如下图所示：
6.1 如何处理nan
按如下步骤进行：
（1）获取缺失值的标记方式(NaN或者其他标记方式)
（2）如果缺失值的标记方式是NaN
1、删除存在缺失值的:
dropna(axis='rows')
注：不会修改原数据，需要接受返回值2、替换缺失值:
fillna(value, inplace=True)value:替换成的值
inplace:True:会修改原数据，False:不替换修改原数据，生成新的对象
pd.isnull(df),pd.notnull(df)判断数据中是否包含NaN：
存在缺失值nan:
（3）如果缺失值没有使用NaN标记，比如使用"？"
先替换‘?’为np.nan，然后继续处理
步骤就是上面的这样，下面通过例子来看看怎么使用pandas处理的：
6.2 电影数据的缺失值处理
电影数据文件获取
# 读取电影数据
movie = pd.read_csv("./data/IMDB-Movie-Data.csv")
6.2.1 判断缺失值是否存在
（1）
pd.notnull()
# 判断是否是缺失值，是则返回False
pd.notnull(movie)
# 结果：
Rank Title Genre Description Director Actors Year Runtime (Minutes) Rating Votes Revenue (Millions) Metascore
0 True True True True True True True True True True True True
1 True True True True True True True True True True True True
2 True True True True True True True True True True True True
3 True True True True True True True True True True True True
4 True True True True True True True True True True True True
5 True True True True True True True True True True True True
6 True True True True True True True True True True True True
7 True True True True True True True True True True False True
但是上面这样显然不好观察，我们可以借助np.all()来返回是否有缺失值。np.all()只要有一个就返回False，下面看例子：
np.all(pd.notnull(movie))
# 返回
False
（2）
pd.isnull()这个和上面的正好相反，判断是否是缺失值，是则返回True。
# 判断是否是缺失值，是则返回True
pd.isnull(movie).head()
# 结果：
Rank Title Genre Description Director Actors Year Runtime (Minutes) Rating Votes Revenue (Millions) Metascore
0 False False False False False False False False False False False False
1 False False False False False False False False False False False False
2 False False False False False False False False False False False False
3 False False False False False False False False False False False False
4 False False False False False False False False False False False False
这个也不好观察，我们利用np.any() 来判断是否有缺失值，若有则返回True，下面看例子：
np.any(pd.isnull(movie))
# 返回
True
6.2.2 存在缺失值nan,并且是np.nan
1、删除
pandas删除缺失值，使用dropna的前提是，缺失值的类型必须是np.nan
# 不修改原数据
movie.dropna()
# 可以定义新的变量接受或者用原来的变量名
data = movie.dropna()
2、替换缺失值
# 替换存在缺失值的样本的两列
# 替换填充平均值，中位数
movie['Revenue (Millions)'].fillna(movie['Revenue (Millions)'].mean(), inplace=True)
替换所有缺失值：
# 这个循环，每次取出一列数据，然后用均值来填充
for i in movie.columns:
if np.all(pd.notnull(movie[i])) == False:
print(i)
movie[i].fillna(movie[i].mean(), inplace=True)
6.2.3 不是缺失值nan，有默认标记的
直接看例子：
数据是这样的：
# 读入数据
wis = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data")
以上数据在读取时，可能会报如下错误：
URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:833)>
解决办法：
# 全局取消证书验证
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
处理思路分析：
1、先替换‘?’为np.nan
to_replace:替换前的值
value:替换后的值
df.replace(to_replace=, value=)
# 把一些其它值标记的缺失值，替换成np.nan
wis = wis.replace(to_replace='?', value=np.nan)
2、再进行缺失值的处理
# 删除
wis = wis.dropna()
3、验证：
np.all(pd.notnull(wis))
# 返回True，说明没有了缺失值
# 或者
np.any(pd.isnull(wis))
# 返回False，说明没有了缺失值
7、高级处理-数据离散化
7.1 为什么要离散化
连续属性离散化的目的是为了简化数据结构，数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。
7.2 什么是数据的离散化
连续属性的离散化就是在连续属性的值域上，将值域划分为若干个离散的区间，最后用不同的符号或整数 值代表落在每个子区间中的属性值。
离散化有很多种方法，这里使用一种最简单的方式去操作：
原始人的身高数据：165，174，160，180，159，163，192，184
假设按照身高分几个区间段：150~165, 165~180,180~195
这样我们将数据分到了三个区间段，对应的标记为矮、中、高三个类别，最终要处理成一个"哑变量"矩阵。
下面通过股票数据的例子来看看，具体是怎么操作的。
7.3 股票的涨跌幅离散化
我们对股票每日的"p_change"这一列进行离散化，下图便是离散化后的结果，当前数据存在哪个区间，则这个区间标记为1，否则为0。
那具体怎么做的呢？接着看：
7.3.1 读取股票的数据
先读取股票的数据，筛选出p_change数据。
data = pd.read_csv("./data/stock_day.csv")
p_change= data['p_change']
7.3.2 将股票涨跌幅数据进行分组
下面是所在区间的个数。
使用的工具：
pd.qcut(data, q)：对数据进行分组，将数据分成q组，一般会与
value_counts搭配使用，统计每组的个数
series.value_counts()：统计每个分组中有多少数据。
# 自行分组
qcut = pd.qcut(p_change, 10)
# 计算分到每个组数据个数
qcut.value_counts()
# 运行结果：
(5.27, 10.03] 65
(0.26, 0.94] 65
(-0.462, 0.26] 65
(-10.030999999999999, -4.836] 65
(2.938, 5.27] 64
(1.738, 2.938] 64
(-1.352, -0.462] 64
(-2.444, -1.352] 64
(-4.836, -2.444] 64
(0.94, 1.738] 63
Name: p_change, dtype: int64
自定义区间分组：
pd.cut(data, bins)
# 自己指定分组区间
bins = [-100, -7, -5, -3, 0, 3, 5, 7, 100]
p_counts = pd.cut(p_change, bins)
p_counts.value_counts()
# 运行结果：
(0, 3] 215
(-3, 0] 188
(3, 5] 57
(-5, -3] 51
(7, 100] 35
(5, 7] 35
(-100, -7] 34
(-7, -5] 28
Name: p_change, dtype: int64
7.3.3 股票涨跌幅分组数据变成one-hot编码
什么是one-hot编码
把每个类别生成一个布尔列，这些列中只有一列可以为这个样本取值为1.其又被称为热编码。
把下图中左边的表格转化为使用右边形式进行表示：
下面看看pandas中是怎么实现的：
pandas.get_dummies(data, prefix=None)data:array-like, Series, or DataFrame
prefix:分组名字
下面是例子：
# 得出one-hot编码矩阵
dummies = pd.get_dummies(p_counts, prefix="rise")
运行结果：
8、高级处理-合并
如果你的数据由多张表组成，那么有时候需要将不同的内容合并在一起分析
8.1 pd.concat实现数据合并
pd.concat([data1, data2], axis=1)按照行或列进行合并,axis=0为列索引，axis=1为行索引
比如我们将刚才处理好的one-hot编码与原数据合并:
# 按照行索引进行
pd.concat([data, dummies], axis=1)
结果：
8.2 pd.merge
pd.merge(left, right, how='inner', on=None)可以指定按照两组数据的共同键值对合并或者左右各自
left: DataFrameright: 另一个DataFrameon: 指定的共同键how:按照什么方式连接，下面的表格是说明
例子：
left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})
内连接：健相同的取上，不同的删掉
# 默认内连接
result = pd.merge(left, right, on=['key1', 'key2'])
结果：
左连接：按左边的数据进行合并
result = pd.merge(left, right, how='left', on=['key1', 'key2'])
结果：
右连接：按右边的数据进行合并
result = pd.merge(left, right, how='right', on=['key1以上是关于收藏 | Python 之 Pandas系统性总结！的主要内容，如果未能解决你的问题，请参考以下文章
Pandas总结第二节 Pandas 的数据读取_pd.read_csv()的使用详解（非常全面，推荐收藏）
9000字深度整理: 全网最详细 Pandas 合并数据集操作总结！