pandas
1 | Pandas 介绍
- 以 Numpy 为基础，借力 Numpy 模块在计算方面性能高的优势
- 封装了Matplotlib、Numpy的画图和计算
- 独特的数据结构，便捷的数据处理能力
- 读取文件方便
2 | Pandas 数据结构
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。
2.1.1 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
- 指定内容，默认索引
pd.Series(np.arange(10)) # 结果 0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 dtype: int64- 指定索引
pd.Series([6.7,5.6,3,10,2], index=[1,2,3,4,5]) # 结果 1 6.7 2 5.6 3 3.0 4 10.0 5 2.0 dtype: float64- 通过字典数据创建
pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000}) # 运行结果 blue 200 green 500 red 100 yellow 1000 dtype: int64
2.1.2 Series的属性
Series 中提供了两个属性: index 和 values
- index
color_count.index # 结果 Index(['blue', 'green', 'red', 'yellow'], dtype='object') - values
也可以使用索引来获取数据：color_count.values # 结果 array([ 200, 500, 100, 1000])color_count[2] # 结果 100
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
2.2.1 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
pd.DataFrame(np.random.randn(2,3))
- 创建学生成绩表（举例）
# numpy
# 生成10名同学，5门功课的数据
score = np.random.randint(40, 100, (10, 5))
# 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]])
# 使用Pandas中的数据结构
score_df = pd.DataFrame(score)
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)
2.2.2 DataFrame 的属性
- shape
data.shape # 结果 (10, 5) - 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') - 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') - values
直接获取其中 array 的值data.values 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]]) - T
转置data.T - head(n)
显示前 n 行，如果不填参数，默认 5 行data.head(5) - tail(n)
显示后 n 行，如果不填参数，默认 5 行data.tail()
2.2.3 DataFramle 索引设置
-
修改行列索引值
stu = ["学生_" + str(i) for i in range(score_df.shape[0])] # 必须整体全部修改 data.index = stu # 错误修改方式 data.index[3] = '学生_3'
-
重设索引
- reset_index(drop=False)
- 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
# 重置索引,drop=False data.reset_index() # 重置索引,drop=True .data.reset_index(drop=True)
- reset_index(drop=False)
-
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
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以月份设置新的索引
df.set_index('month') # 结果 sale year month 1 55 2012 4 40 2014 7 84 2013 10 31 2014 # df.index,注意 month 为 name 了 Int64Index([1, 4, 7, 10], dtype='int64', name='month') # df.columns Index(['year', 'sale'], dtype='object')设置多个索引，以年和月份
df = df.set_index(['year', 'month']) # 结果 sale year month 2012 1 55 2014 4 40 2013 7 84 2014 10 31 # df.index MultiIndex([(2012, 1), (2014, 4), (2013, 7), (2014, 10)], names=['year', 'month']) # df.columns Index(['sale'], dtype='object')注意：DataFrame 已经变成了一个具有MultiIndex的DataFrame
- set_index(keys, drop=True)
2.3 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。
2.3.1 multiIndex的特性
df = pd.DataFrame({'month': [1, 4, 7, 10],
'year': [2012, 2014, 2013, 2014],
'sale':[55, 40, 84, 31]})
df = df.set_index(['year', 'month'])
print(df.index)
# 结果
MultiIndex([(2012, 1),
(2014, 4),
(2013, 7),
(2014, 10)],
names=['year', 'month'])
df.index.levels
# 结果
[[2012, 2013, 2014], [1, 4, 7, 10]]
df.index.names
# 结果
['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
2.3.2 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'])
2.4 Panel( 从 0.20.0 开始弃用)
2.4.1 panel 的创建
- class pandas.Panel(data=None, items=None, major_axis=None, minor_axis=None)
- 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
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
2.4.2 查看panel数据
p[:,:,"first"]
p["B",:,:]
3 | 基本数据操作
3.1 索引操作
- 直接使用行列索引（先列后行）
获取'2018-02-27'这天的'close'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]
- 结合loc或者iloc使用索引
获取从'2018-02-27':'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
- 使用ix组合索引
Warning:Starting in 0.20.0, the .ix indexer is deprecated, in favor of the more strict .iloc and .loc indexers.
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
3.2 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
# 或者
data.close = 1
3.3 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
3.3.1 DataFrame 排序
- 使用df.sort_values(by=, ascending=)
- 单个键或者多个键进行排序,
- 参数：
- by：指定排序参考的键
- ascending:默认升序
- ascending=False:降序
- ascending=True:升序
# 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()
# 按照多个键进行排序
data.sort_values(by=['open', 'high'])
- 使用df.sort_index给索引进行排序
# 对索引进行排序, 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 data.sort_index()
3.3.2 Series 排序
- 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 - 使用series.sort_index()进行排序
# 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
3.4 增加
官方文档：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.append.html
DataFrame.append(other, ignore_index=False, verify_integrity=False, sort=False)[source]
功能：向 dataframe 对象中添加新的行，如果添加的列名不在 dataframe 对象中，将会被当作新的列进行添加
- other：DataFrame、series、dict、list 等数据结构
- ignore_index：默认值为 False，如果为 True 则不使用 index 标签
- verify_integraty：默认值为 False，如果为 True 当创建相同的 index 时会抛出 ValueError 的异常
- sort：boolean，默认是 None，pandas 0.23.0 的版本才有
output_csv_field_names = ['host', 'request method', 'request uri', 'request version', 'request full uri', 'user agent', 'referer']
output_df = pd.DataFrame(columns=output_csv_field_names)
output_df = output_df.append(
{
'host': http_pkt_1.host,
'request method': http_pkt_1.request_method,
'request uri': http_pkt_1.request_uri,
'request version': http_pkt_1.request_version,
'request full uri': http_pkt_1.request_full_uri,
'user agent': http_pkt_1.user_agent,
'referer': http_pkt_1.referer
}, ignore_index=True
)
4 | DataFrame 运算
4.1 算数运算
- add(n)
- sub(n)
data['open'].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
4.2 逻辑运算
- 逻辑运算符
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()
# 完成多个逻辑
data[(data["open"] > 23) & (data["open"] < 24)].head()
- 逻辑运算函数
- query(expr)
- expr:查询字符串
# 完成多个逻辑
data[(data["open"] > 23) & (data["open"] < 24)].head()
data.query("open<24 & open>23").head()
- isin(values)
# 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])]
4.3 统计运算
- 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()
- 统计函数
| count | Number of non-NA observations |
| --- | --- |
| sum | Sum of values |
| mean | Mean of values |
| median | Arithmetic median of values 中位数 |
| min | Minimum |
| max | Maximum |
| mode | Mode |
| abs | Absolute Value |
| prod | Product of values |
| std | Bessel-corrected sample standard deviation 标准差 |
| var | Unbiased variance 方差 |
| idxmax | compute the index labels with the maximum 最大值的索引 |
| idxmin | compute the index labels with the minimum 最小值的索引 |
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)
- 累计统计函数
| 函数 | 作用 |
| --- | --- |
| cumsum | 计算前 n 个数的和 |
| cummax | 计算前 n 个数的最大值 |
| cummin | 计算前 n 个数的最小值 |
| cumprod | 计算前 n 个数的积 |
4.4 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
data[['open', 'close']].apply(lambda x: x.max() - x.min(), axis=0)
open 22.74
close 22.85
dtype: float64
5 | 画图
- pandas.DataFrame.plot
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.html
- pandas.Series.plot
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.plot.html
6 | 文件读取与存储
6.1 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
# 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
- 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
# 选取10行数据保存,便于观察数据
data[:10].to_csv("./data/test.csv", columns=['open'])
# 结果
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
# index:存储不会讲索引值变成一列数据
data[:10].to_csv("./data/test.csv", columns=['open'], index=False)
6.2 HDF5
- 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
HDF5文件的读取和存储需要指定一个键，值为要存储的DataFrame
- pandas.read_hdf(path_or_buf，key =None，** kwargs)
- path_or_buffer:文件路径
- key:读取的键
# 读 HDF5 文件需要 tables 模块
day_close = pd.read_hdf("./data/day_close.h5")
- DataFrame.to_hdf(path_or_buf, key, \kwargs)
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")
6.3 JSON
-
pandas.read_json(path_or_buf=None, orient=None, typ='frame', lines=False)
- 将JSON格式准换成默认的Pandas DataFrame格式
- orient : string,Indication of expected JSON string format.
- 'split' : dict like
- 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' : list like [{column -> value}, ... , {column -> value}]
- records 以columns：values的形式输出
- 'index' : dict like {index -> {column -> value}}
- index 以index：{columns：values}...的形式输出
- 'columns' : dict like {column -> {index -> value}},默认该格式
- colums 以columns:{index:values}的形式输出
- 'values' : just the values array
- values 直接输出值
- 'split' : dict like
- lines : boolean, default False
- 按照每行读取json对象
- typ : default ‘frame’， 指定转换成的对象类型series或者dataframe
-
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，
- lines:一个对象存储为一行
7 | 缺失值处理
- 获取缺失值的标记方式(NaN或者其他标记方式)
- 如果缺失值的标记方式是NaN
- 判断数据中是否包含NaN：
- pd.isnull(df),
- pd.notnull(df)
- 存在缺失值Nan:
- 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
- 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
- 删除存在缺失值的:dropna(axis='rows')
- 判断数据中是否包含NaN：
- 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
# 替换所有缺失值
for i in movie.columns:
if np.all(pd.notnull(movie[i])) == False:
print(i)
movie[i].fillna(movie[i].mean(), inplace=True)
若在读取数据时，报 SSL error 错误，解决办法:
# URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:833)>
# 全局取消证书验证
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
8 | 数据离散化
-
数据离散化
- 可以用来减少给定连续属性值的个数
- 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。
-
数据分组
- pd.qcut(data, q)：
- 对数据进行分组将数据分组，一般会与value_counts搭配使用，统计每组的个数
- series.value_counts()：统计分组次数
# 自行分组 qcut = pd.qcut(p_change, 10) # 计算分到每个组数据个数 qcut.value_counts()- pd.cut(data, bins)
- 自定义分组区间
# 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) - pd.qcut(data, q)：
-
one-hot 热编码
- pandas.get_dummies(data, prefix=None)
- data:array-like, Series, or DataFrame
- prefix:分组名字
- pandas.get_dummies(data, prefix=None)
# 得出one-hot编码矩阵
dummies = pd.get_dummies(p_counts, prefix="rise")
9 | 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
- 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合并
- left: DataFrame
- right: 另一个DataFrame
- on: 指定的共同键
- how:按照什么方式连接
| Merge method | SQL Join Name | Description |
|---|---|---|
| left | LEFT OUTER JOIN | Use keys from left frame only |
| right | RIGHT OUTER JOIN | Use keys from right frame only |
| outer | FULL OUTER JOIN | Use union of keys from both frames |
| inner | INNER JOIN | Use intersection of keys from both frames |
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']})
# 默认内连接
result = pd.merge(left, right, on=['key1', 'key2'])
# 左连接
result = pd.merge(left, right, how='left', on=['key1', 'key2'])
# 左连接
result = pd.merge(left, right, how='right', on=['key1', 'key2'])
# 左连接
result = pd.merge(left, right, how='outer', on=['key1', 'key2'])
10 | 交叉表与透视表
11 | 分组与聚合
分组与聚合原理
- DataFrame.groupby(key, as_index=False)
- key:分组的列数据，可以多个
col =pd.DataFrame({'color': ['white','red','green','red','green'], 'object': ['pen','pencil','pencil','ashtray','pen'],'price1':[5.56,4.20,1.30,0.56,2.75],'price2':[4.75,4.12,1.60,0.75,3.15]})
color object price1 price2
0 white pen 5.56 4.75
1 red pencil 4.20 4.12
2 green pencil 1.30 1.60
3 red ashtray 0.56 0.75
4 green pen 2.75 3.15
进行分组，对颜色分组，price进行聚合
# 分组，求平均值
col.groupby(['color'])['price1'].mean()
col['price1'].groupby(col['color']).mean()
color
green 2.025
red 2.380
white 5.560
Name: price1, dtype: float64
# 分组，数据的结构不变
col.groupby(['color'], as_index=False)['price1'].mean()
color price1
0 green 2.025
1 red 2.380
2 white 5.560
