python 数据分析----pandas
pandas是一个强大的Python数据分析的工具包。
pandas是基于NumPy构建的。
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
安装方法：pip install pandas
引用方法：import pandas as pd
Series：
是带有标签的一维数组，可以保存任何数据类型（整数，字符串，浮点数，Python对象等）。轴标签统称为索引。创建Series的基本方法是调用：
s = pd.Series(data, index=index)
data 可以是：
- Python dict（字典）
- ndarray
- 数字
如果data是ndarray，则索引必须与数据长度相同。如果没有传递索引，将创建值为[0， ...， len(data) - 1]的索引。
In [125]: import pandas as pd
In [126]: a = pd.Series([4,7,-5,3],index=['a','b','c','d'])
In [127]: a
Out[127]:
a 4
b 7
c -5
d 3
dtype: int64
In [130]: b = pd.Series({'a':1,'b':2})
In [131]: b
Out[131]:
a 1
b 2
dtype: int64
获取值数组和索引数组：values属性和index属性
In [133]: a.values Out[133]: array([ 4, 7, -5, 3]) In [134]: a.index Out[134]: Index(['a', 'b', 'c', 'd'], dtype='object')
Series特性:
- 从ndarray创建Series：Series(arr)
In [140]: arr = np.array([1,2,3,4,5]) #必须是一维数组 In [141]: a = pd.Series(arr) In [142]: a Out[142]: 0 1 1 2 2 3 3 4 4 5 dtype: int64
- 与标量运算：sr*2
In [142]: a Out[142]: 0 1 1 2 2 3 3 4 4 5 dtype: int64 In [143]: a*2 Out[143]: 0 2 1 4 2 6 3 8 4 10 dtype: int64
- 两个Series运算：sr1+sr2. 注意索引得一样，否则报NaN错误（not a number）
In [145]: b Out[145]: a 4 b 7 c -5 d 3 e 0 dtype: int64 In [146]: a Out[146]: 0 1 1 2 2 3 3 4 4 5 dtype: int64 In [147]: b+a Out[147]: a NaN b NaN c NaN d NaN e NaN 0 NaN 1 NaN 2 NaN 3 NaN 4 NaN dtype: float64 In [150]: b = pd.Series(np.arange(5)) In [151]: a Out[151]: 0 1 1 2 2 3 3 4 4 5 dtype: int64 In [152]: b Out[152]: 0 0 1 1 2 2 3 3 4 4 dtype: int64 In [153]: a+b Out[153]: 0 1 1 3 2 5 3 7 4 9 dtype: int64
- 索引：sr[0], sr[[1,2,4]]
In [157]: b Out[157]: a 4 b 7 c -5 d 3 e 0 dtype: int64 In [158]: b[0] Out[158]: 4 In [159]: b['a'] Out[159]: 4
- 切片：sr[0:2]（切片依然是视图形式,浅拷贝）
In [161]: b[1:3] Out[161]: b 7 c -5 dtype: int64 In [162]: b['b':'d'] Out[162]: b 7 c -5 d 3 dtype: int64 In [163]: b['b':'c'] Out[163]: b 7 c -5 dtype: int64
- 通用函数：np.abs(sr)
- 布尔值过滤：sr[sr>0]
In [164]: b Out[164]: a 4 b 7 c -5 d 3 e 0 dtype: int64 In [165]: b[b>3] Out[165]: a 4 b 7 dtype: int64
- 统计函数：mean() sum() cumsum()
In [169]: b Out[169]: a 4 b 7 c -5 d 3 e 0 dtype: int64 In [170]: b.mean() Out[170]: 1.8 In [171]: b.sum() Out[171]: 9 In [173]: b.cumsum(). #每个数字与这列之前的数据的和 Out[173]: a 4 b 11 c 6 d 9 e 9 dtype: int64
- 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
整数索引：
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
In [178]: sr = pd.Series(np.arange(4.)) In [179]: sr Out[179]: 0 0.0 1 1.0 2 2.0 3 3.0 dtype: float64 In [185]: sr.iloc[0] Out[185]: 0.0 In [186]: sr.loc[0] Out[186]: 0.0
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。
- sr1.add(sr2, fill_value=0)
- 灵活的算术方法：add, sub, div, mul
In [189]: sr1 Out[189]: c 12 a 23 d 34 dtype: int64 In [190]: sr2 Out[190]: d 11 c 20 a 10 dtype: int64 In [191]: sr1+sr2 Out[191]: a 33 c 32 d 45 dtype: int64 In [192]: sr3 = pd.Series([11,20,10,14], index=['d','c','a','b']) In [193]: sr2+sr3 Out[193]: a 20.0 b NaN c 40.0 d 22.0 dtype: float64 In [194]: sr2.add(sr3,fill_value = 0) Out[194]: a 20.0 b 14.0 c 40.0 d 22.0 dtype: float64
- 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。
- 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
- 过滤缺失数据：sr.dropna() 或 sr[data.notnull()]
- 填充缺失数据：fillna(0)
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'])})
In [195]: df = pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']), 'two'
...: :pd.Series([1,2,3,4],index=['b','a','c','d'])})
In [196]: df
Out[196]:
one two
a 1.0 2
b 2.0 1
c 3.0 3
d NaN 4
csv文件读取与写入：
- df.read_csv('filename.csv')
- df.to_csv()
常用属性及方法:
- T 转置
- index 获取索引
- columns 获取列索引
- values 获取值数组
In [213]: df Out[213]: one two a 1.0 2 b 2.0 1 c 3.0 3 d NaN 4 In [214]: df.index Out[214]: Index(['a', 'b', 'c', 'd'], dtype='object') In [215]: df.columns Out[215]: Index(['one', 'two'], dtype='object') In [216]: df.values Out[216]: array([[ 1., 2.], [ 2., 1.], [ 3., 3.], [ nan, 4.]])
索引和切片:
In [196]: df Out[196]: one two a 1.0 2 b 2.0 1 c 3.0 3 d NaN 4 In [197]: df['one'] #只能是列名 Out[197]: a 1.0 b 2.0 c 3.0 d NaN Name: one, dtype: float64
In [221]: df Out[221]: one two a 1.0 2 b 2.0 1 c 3.0 3 d NaN 4 In [222]: df.loc['a',df.columns[1]] #行和列 Out[222]: 2
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])]
In [237]: df['one'].isin([1.0,3.0]) Out[237]: a True b False c True d False Name: one, dtype: bool
- df[df<0] = 0
DataFrame数据对齐与缺失数据：
DataFrame处理缺失数据的方法：
- dropna(axis=0, how='any',…) #默认删一行,axis = o 删行，axis = 1 删列
-
In [261]: df Out[261]: one two 1 a 1.0 2.0 NaN b 2.0 1.0 1.0 c 3.0 3.0 NaN d NaN NaN NaN 3 1.0 1.0 1.0 In [262]: df.dropna() Out[262]: one two 1 b 2.0 1.0 1.0 3 1.0 1.0 1.0 In [263]: df.dropna(axis=1) Out[263]: Empty DataFrame Columns: [] Index: [a, b, c, d, 3]
- fillna()
- isnull()
- notnull()
In [223]: df
Out[223]:
one two
a 1.0 2
b 2.0 1
c 3.0 3
d NaN 4
In [224]: df.fillna(11)
Out[224]:
one two
a 1.0 2
b 2.0 1
c 3.0 3
d 11.0 4
pandas常用方法（适用Series和DataFrame）：
- mean(axis=0,skipna=False)
- sum(axis=1)
- sort_index(axis, …, ascending) 按行或列索引排序
- sort_values(by, axis, ascending) 按值排序
- NumPy的通用函数同样适用于pandas
- apply(func, axis=0) 将自定义函数应用在各行或者各列上 ，func可返回标量或者Series
- 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
层次化索引
- 层次化索引是Pandas的一项重要功能，它使我们能够在一个轴上拥有多个索引级别。
- 例：data=pd.Series(np.random.rand(9), index=[['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c', 'c'], [1,2,3,1,2,3,1,2,3]])
从文件读取
- 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
- 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
- 写入到文件：
- to_csv
- 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
- 其他文件类型：json, XML, HTML, 数据库
- pandas转换为二进制文件格式（pickle）:
- save
- load
时间对象处理(常作为索引)：
- 第三方包：dateutil
- dateutil.parser.parse()
- 成组处理日期：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),…
时间序列就是以时间对象为索引的Series或DataFrame。
- datetime对象作为索引时是存储在DatetimeIndex对象中的。
- 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
df = pd.read_csv('601318.csv',index_col='date',parse_dates=['date'],)
In [266]: df
Out[266]:
Unnamed: 0 open close high low volume code
date
2007-03-01 0 22.074 20.657 22.503 20.220 1977633.51 601318
2007-03-02 1 20.750 20.489 20.944 20.256 425048.32 601318
2007-03-05 2 20.300 19.593 20.384 19.218 419196.74 601318
2007-03-06 3 19.426 19.977 20.308 19.315 297727.88 601318
2007-03-07 4 19.995 20.520 20.706 19.827 287463.78 601318
2007-03-08 5 20.353 20.273 20.454 20.167 130983.83 601318
2007-03-09 6 20.264 20.101 20.353 19.735 160887.79 601318
2007-03-12 7 19.999 19.739 19.999 19.646 145353.06 601318
2007-03-13 8 19.783 19.818 19.982 19.699 102319.68 601318
2007-03-14 9 19.558 19.841 19.911 19.333 173306.56 601318
2007-03-15 10 20.097 19.849 20.525 19.779 152521.90 601318
2007-03-16 11 19.863 19.960 20.286 19.602 227547.24 601318
2007-03-20 12 20.662 20.211 20.715 20.088 222026.87 601318
2007-03-21 13 20.220 19.911 20.308 19.823 136728.32 601318
2007-03-22 14 20.066 20.026 20.273 19.969 167509.84 601318
2007-03-23 15 20.017 19.938 20.101 19.739 139810.14 601318
2007-03-26 16 19.955 20.282 20.397 19.946 223266.79 601318
2007-03-27 17 20.216 20.269 20.467 20.145 139338.19 601318
2007-03-28 18 20.264 20.565 20.706 20.123 258263.69 601318
df[df['close']>df['open']] #时间索引的好处
pandas.read_csv参数整理
读取CSV（逗号分割）文件到DataFrame
也支持文件的部分导入和选择迭代
参数：
filepath_or_buffer : str，pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such as a file handle or StringIO)
可以是URL，可用URL类型包括：http, ftp, s3和文件。对于多文件正在准备中
本地文件读取实例：://localhost/path/to/table.csv
sep : str, default ‘,’
指定分隔符。如果不指定参数，则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘\s+’,将使用python的语法分析器。并且忽略数据中的逗号。正则表达式例子：'\r\t'
delimiter : str, default None
定界符，备选分隔符（如果指定该参数，则sep参数失效）
delim_whitespace : boolean, default False.
指定空格(例如’ ‘或者’ ‘)是否作为分隔符使用，等效于设定sep='\s+'。如果这个参数设定为Ture那么delimiter 参数失效。
在新版本0.18.1支持
header : int or list of ints, default ‘infer’
指定行数用来作为列名，数据开始行数。如果文件中没有列名，则默认为0，否则设置为None。如果明确设定header=0 就会替换掉原来存在列名。header参数可以是一个list例如：[0,1,3]，这个list表示将文件中的这些行作为列标题（意味着每一列有多个标题），介于中间的行将被忽略掉（例如本例中的2；本例中的数据1,2,4行将被作为多级标题出现，第3行数据将被丢弃，dataframe的数据从第5行开始。）。
注意：如果skip_blank_lines=True 那么header参数忽略注释行和空行，所以header=0表示第一行数据而不是文件的第一行。
names : array-like, default None
用于结果的列名列表，如果数据文件中没有列标题行，就需要执行header=None。默认列表中不能出现重复，除非设定参数mangle_dupe_cols=True。
index_col : int or sequence or False, default None
用作行索引的列编号或者列名，如果给定一个序列则有多个行索引。
如果文件不规则，行尾有分隔符，则可以设定index_col=False 来是的pandas不适用第一列作为行索引。
usecols : array-like, default None
返回一个数据子集，该列表中的值必须可以对应到文件中的位置（数字可以对应到指定的列）或者是字符传为文件中的列名。例如：usecols有效参数可能是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用这个参数可以加快加载速度并降低内存消耗。
as_recarray : boolean, default False
不赞成使用：该参数会在未来版本移除。请使用pd.read_csv(...).to_records()替代。
返回一个Numpy的recarray来替代DataFrame。如果该参数设定为True。将会优先squeeze参数使用。并且行索引将不再可用，索引列也将被忽略。
squeeze : boolean, default False
如果文件值包含一列，则返回一个Series
prefix : str, default None
在没有列标题时，给列添加前缀。例如：添加‘X’ 成为 X0, X1, ...
mangle_dupe_cols : boolean, default True
重复的列，将‘X’...’X’表示为‘X.0’...’X.N’。如果设定为false则会将所有重名列覆盖。
dtype : Type name or dict of column -> type, default None
每列数据的数据类型。例如 {‘a’: np.float64, ‘b’: np.int32}
engine : {‘c’, ‘python’}, optional
Parser engine to use. The C engine is faster while the python engine is currently more feature-complete.
使用的分析引擎。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。
converters : dict, default None
列转换函数的字典。key可以是列名或者列的序号。
true_values : list, default None
Values to consider as True
false_values : list, default None
Values to consider as False
skipinitialspace : boolean, default False
忽略分隔符后的空白（默认为False，即不忽略）.
skiprows : list-like or integer, default None
需要忽略的行数（从文件开始处算起），或需要跳过的行号列表（从0开始）。
skipfooter : int, default 0
从文件尾部开始忽略。 (c引擎不支持)
skip_footer : int, default 0
不推荐使用：建议使用skipfooter ，功能一样。
nrows : int, default None
需要读取的行数（从文件头开始算起）。
na_values : scalar, str, list-like, or dict, default None
一组用于替换NA/NaN的值。如果传参，需要制定特定列的空值。默认为‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.
keep_default_na : bool, default True
如果指定na_values参数，并且keep_default_na=False，那么默认的NaN将被覆盖，否则添加。
na_filter : boolean, default True
是否检查丢失值（空字符串或者是空值）。对于大文件来说数据集中没有空值，设定na_filter=False可以提升读取速度。
verbose : boolean, default False
是否打印各种解析器的输出信息，例如：“非数值列中缺失值的数量”等。
skip_blank_lines : boolean, default True
如果为True，则跳过空行；否则记为NaN。
parse_dates : boolean or list of ints or names or list of lists or dict, default False
- boolean. True -> 解析索引
- list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作为独立的日期列；
- list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用
- dict, e.g. {‘foo’ : [1, 3]} -> 将1,3列合并，并给合并后的列起名为"foo"
infer_datetime_format : boolean, default False
如果设定为True并且parse_dates 可用，那么pandas将尝试转换为日期类型，如果可以转换，转换方法并解析。在某些情况下会快5~10倍。
keep_date_col : boolean, default False
如果连接多列解析日期，则保持参与连接的列。默认为False。
date_parser : function, default None
用于解析日期的函数，默认使用dateutil.parser.parser来做转换。Pandas尝试使用三种不同的方式解析，如果遇到问题则使用下一种方式。
1.使用一个或者多个arrays（由parse_dates指定）作为参数；
2.连接指定多列字符串作为一个列作为参数；
3.每行调用一次date_parser函数来解析一个或者多个字符串（由parse_dates指定）作为参数。
dayfirst : boolean, default False
DD/MM格式的日期类型
iterator : boolean, default False
返回一个TextFileReader 对象，以便逐块处理文件。
chunksize : int, default None
文件块的大小， See IO Tools docs for more informationon iterator and chunksize.
compression : {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’
直接使用磁盘上的压缩文件。如果使用infer参数，则使用 gzip, bz2, zip或者解压文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’这些为后缀的文件，否则不解压。如果使用zip，那么ZIP包中国必须只包含一个文件。设置为None则不解压。
新版本0.18.1版本支持zip和xz解压
thousands : str, default None
千分位分割符，如“，”或者“."
decimal : str, default ‘.’
字符中的小数点 (例如：欧洲数据使用’，‘).
float_precision : string, default None
Specifies which converter the C engine should use for floating-point values. The options are None for the ordinary converter, high for the high-precision converter, and round_trip for the round-trip converter.
指定
lineterminator : str (length 1), default None
行分割符，只在C解析器下使用。
quotechar : str (length 1), optional
引号，用作标识开始和解释的字符，引号内的分割符将被忽略。
quoting : int or csv.QUOTE_* instance, default 0
控制csv中的引号常量。可选 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)
doublequote : boolean, default True
双引号，当单引号已经被定义，并且quoting 参数不是QUOTE_NONE的时候，使用双引号表示引号内的元素作为一个元素使用。
escapechar : str (length 1), default None
当quoting 为QUOTE_NONE时，指定一个字符使的不受分隔符限值。
comment : str, default None
标识着多余的行不被解析。如果该字符出现在行首，这一行将被全部忽略。这个参数只能是一个字符，空行（就像skip_blank_lines=True）注释行被header和skiprows忽略一样。例如如果指定comment='#' 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那么返回结果将是以’a,b,c'作为header。
encoding : str, default None
指定字符集类型，通常指定为'utf-8'. List of Python standard encodings
dialect : str or csv.Dialect instance, default None
如果没有指定特定的语言，如果sep大于一个字符则忽略。具体查看csv.Dialect 文档
tupleize_cols : boolean, default False
Leave a list of tuples on columns as is (default is to convert to a Multi Index on the columns)
error_bad_lines : boolean, default True
如果一行包含太多的列，那么默认不会返回DataFrame ，如果设置成false，那么会将改行剔除（只能在C解析器下使用）。
warn_bad_lines : boolean, default True
如果error_bad_lines =False，并且warn_bad_lines =True 那么所有的“bad lines”将会被输出（只能在C解析器下使用）。
low_memory : boolean, default True
分块加载到内存，再低内存消耗中解析。但是可能出现类型混淆。确保类型不被混淆需要设置为False。或者使用dtype 参数指定类型。注意使用chunksize 或者iterator 参数分块读入会将整个文件读入到一个Dataframe，而忽略类型（只能在C解析器中有效）
buffer_lines : int, default None
不推荐使用，这个参数将会在未来版本移除，因为他的值在解析器中不推荐使用
compact_ints : boolean, default False
不推荐使用，这个参数将会在未来版本移除
如果设置compact_ints=True ，那么任何有整数类型构成的列将被按照最小的整数类型存储，是否有符号将取决于use_unsigned 参数
use_unsigned : boolean, default False
不推荐使用：这个参数将会在未来版本移除
如果整数列被压缩(i.e. compact_ints=True)，指定被压缩的列是有符号还是无符号的。
memory_map : boolean, default False
如果使用的文件在内存内，那么直接map文件使用。使用这种方式可以避免文件再次进行IO操作。
