利用Python进行数据分析:Pandas(Series+DataFrame)

Posted 李小小小伟

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了利用Python进行数据分析:Pandas(Series+DataFrame)相关的知识,希望对你有一定的参考价值。

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\\t
    --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)  #
        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\'])

 

以上是关于利用Python进行数据分析:Pandas(Series+DataFrame)的主要内容,如果未能解决你的问题,请参考以下文章

利用Python进行数据分析:Pandas(Series+DataFrame)

Python数据分析之pandas学习

Python数据分析之pandas学习

《利用Python进行数据分析》之pandas的时间序列基础

python 数据分析--pandas

利用python进行数据分析——pandas与索引