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
