04-01 Pandas基础操作

egon新书python全套来袭请看：https://egonlin.com/book.html

Pandas

什么是Pandas
pandas能干什么
怎么用pandas
- Series
- DataFrame
- 时间对象处理
- 数据分组和聚合
- 其他常用方法

1、什么是Pandas

当大家谈论到数据分析时，提及最多的语言就是Python和SQL，而Python之所以适合做数据分析，就是因为他有很多强大的第三方库来协助，pandas就是其中之一，它是基于Numpy构建的，正因pandas的出现，让Python语言也成为使用最广泛而且强大的数据分析环境之一。如果说没有pandas的出现，目前的金融数据分析领域还应该是R语言的天下。

2、Pandas能干什么

Pandas的主要功能：

具备对应其功能的数据结构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
.....

以上就是pandas能完成的一些基础操作，当然并不完全，下面就来看看pandas到底是怎么用的。

3、怎么用Pandas

安装方法：

pip install pandas

引用方法：

import pandas as pd

3.1、Series

Series是一种类似于一维数组的对象，由一组数据和一组与之相关的数据标签(索引)组成。在数据分析的过程中非常常用。

3.1.1、创建方法

第一种：
pd.Series([4,5,6,7,8])
执行结果：
0    4
1    5
2    6
3    7
4    8
dtype: int64
# 将数组索引以及数组的值打印出来，索引在左，值在右，由于没有为数据指定索引，于是会自动创建一个0到N-1（N为数据的长度）的整数型索引，取值的时候可以通过索引取值，跟之前学过的数组和列表一样
-----------------------------------------------
第二种：
pd.Series([4,5,6,7,8],index=['a','b','c','d','e'])
执行结果：
a    4
b    5
c    6
d    7
e    8
dtype: int64
# 自定义索引，index是一个索引列表，里面包含的是字符串，依然可以通过默认索引取值。
-----------------------------------------------
第三种：
pd.Series({"a":1,"b":2})
执行结果：
a    1
b    2
dtype: int64
# 指定索引
-----------------------------------------------
第四种：
pd.Series(0,index=['a','b','c'])
执行结果：
a    0
b    0
c    0
dtype: int64
# 创建一个值都是0的数组
-----------------------------------------------

对于Series，其实我们可以认为它是一个长度固定且有序的字典，因为它的索引和数据是按位置进行匹配的，像我们会使用字典的上下文，就肯定也会使用Series

3.1.2、缺失数据

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

# 第一步，创建一个字典，通过Series方式创建一个Series对象

st = {"sean":18,"yang":19,"bella":20,"cloud":21}
obj = pd.Series(st)
obj
运行结果：
sean     18
yang     19
bella    20
cloud    21
dtype: int64
------------------------------------------
# 第二步
a = {'sean','yang','cloud','rocky'}  # 定义一个索引变量
------------------------------------------
#第三步
obj1 = pd.Series(st,index=a)
obj1  # 将第二步定义的a变量作为索引传入

# 运行结果：
rocky     NaN
cloud    21.0
sean     18.0
yang     19.0
dtype: float64
# 因为rocky没有出现在st的键中，所以返回的是缺失值

通过上面的代码演示，对于缺失值已经有了一个简单的了解，接下来就来看看如何判断缺失值

1、
obj1.isnull()  # 是缺失值返回Ture
运行结果：
rocky     True
cloud    False
sean     False
yang     False
dtype: bool

2、
obj1.notnull()  # 不是缺失值返回Ture
运行结果：
rocky    False
cloud     True
sean      True
yang      True
dtype: bool

3、过滤缺失值 # 布尔型索引
obj1[obj1.notnull()]
运行结果：
cloud    21.0
yang     19.0
sean     18.0
dtype: float64

3.1.3、Series特性

import numpy as np
import pandas as pd

从ndarray创建Series:Series(arr)

arr = np.arange(10)

sr = pd.Series(arr)  # ndarray创建Series

与标量（数字）进行运算：sr * 2

srx = sr * 2  # 与标量（数字）进行运算

两个Series运算

sr * srx  # 两个Series运算

布尔值过滤：sr[sr>0]

sr[sr>3]  # 布尔值过滤

统计函数：mean()、sum()、cumsum()

# 统计函数
sr.mean()
sr.sum()
sr.cumsum()

3.1.4、支持字典的特性

从字典创建Series：Series(dic),

dic = {"A":1,"B":2,"C":3,"D":4,"E":5}

# 字典创建Series
dic_arr = pd.Series(dic)

In运算：'a'in sr、for x in sr

"A" in dic_arr
------------------------------
for i in dic_arr: 
    print(i)

键索引：sr['a'],sr[['a','b','d']]

dic_arr[['A','B']]  # 键索引

键切片：sr['a':'c']

dic_arr['A':'C']  # 键切片

其他函数：get('a',default=0)等

dic_arr.get("A",default=0)

3.1.5、整数索引

pandas当中的整数索引对象可能会让初次接触它的人很懵逼，接下来通过代码演示：

sr = pd.Series(np.arange(10))
sr1 = sr[3:].copy()
sr1
运行结果：
3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int32
# 到这里会发现很正常，一点问题都没有，可是当使用整数索引取值的时候就会出现问题了。因为在pandas当中使用整数索引取值是优先以标签解释的，而不是下标
sr1[1]

解决方法：

loc属性 # 以标签解释
iloc属性 # 以下标解释

sr1.iloc[1]  # 以下标解释

sr1.loc[3]  # 以标签解释

3.1.6、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 = pd.Series([12,23,34], index=['c','a','d'])
sr2 = pd.Series([11,20,10], index=['d','c','a',])
sr1 + sr2
运行结果:
a    33
c    32
d    45
dtype: int64
# 可以通过这种索引对齐直接将两个Series对象进行运算
sr3 = pd.Series([11,20,10,14], index=['d','c','a','b'])
sr1 + sr3
运行结果：
a    33.0
b     NaN
c    32.0
d    45.0
dtype: float64
# sr1 和 sr3的索引不一致，所以最终的运行会发现b索引对应的值无法运算，就返回了NaN,一个缺失值

将两个Series对象相加时将缺失值设为0：

sr1 = pd.Series([12,23,34], index=['c','a','d'])
sr3 = pd.Series([11,20,10,14], index=['d','c','a','b'])
sr1.add(sr3,fill_value=0)
运行结果：
a    33.0
b    14.0
c    32.0
d    45.0
dtype: float64
# 将缺失值设为0，所以最后算出来b索引对应的结果为14

灵活的算术方法:add,sub,div,mul

到这里可能就会说了pandas就这么简单吗，那我们接下来一起看看这个二维数组DataFraeme

3.2、DataFrame

DataFrame是一个表格型的数据结构，相当于是一个二维数组，含有一组有序的列。他可以被看做是由Series组成的字典，并且共用一个索引。接下来就一起来见识见识DataFrame数组的厉害吧！！！

3.2.1、创建方式

创建一个DataFrame数组可以有多种方式，其中最为常用的方式就是利用包含等长度列表或Numpy数组的字典来形成DataFrame：

第一种：
pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
# 产生的DataFrame会自动为Series分配所索引，并且列会按照排序的顺序排列
运行结果：
	one	two
0	1	4
1	2	3
2	3	2
3	4	1

> 指定列
可以通过columns参数指定顺序排列
data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
pd.DataFrame(data,columns=['one','two'])

# 打印结果会按照columns参数指定顺序


第二种：
pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([1,2,3],index=['b','a','c'])})
运行结果：
   one  two
a	1	2
b	2	1
c	3	3

以上创建方法简单了解就可以，因为在实际应用当中更多是读数据，不需要自己手动创建

3.2.2、查看数据

常用属性和方法：

index 获取行索引
columns 获取列索引
T 转置
values 获取值索引
describe 获取快速统计

 one	two
a	1	2
b	2	1
c	3	3
# 这样一个数组df
---------------------------------------------------------------------------
df.index

> Index(['a', 'b', 'c'], dtype='object')
---------------------------------------------------------------------------
df.columns

> Index(['one', 'two'], dtype='object')
--------------------------------------------------------------------------
df.T

>    a	b	c
one	1	2	3
two	2	1	3

-------------------------------------------------------------------------
df.values

> array([[1, 2],
       [2, 1],
       [3, 3]], dtype=int64)
------------------------------------------------------------------------
df.describe()

> 		one	two
count	3.0	3.0   # 数据统计
mean	2.0	2.0	  # 平均值
std		1.0	1.0   # 标准差
min		1.0	1.0   # 最小值
25%		1.5	1.5   # 四分之一均值
50%		2.0	2.0   # 二分之一均值
75%		2.5	2.5   # 四分之三均值
max		3.0	3.0   # 最大值

3.2.3、索引和切片

DataFrame有行索引和列索引。
DataFrame同样可以通过标签和位置两种方法进行索引和切片。

DataFrame使用索引切片：

方法1：两个中括号，无论是先取行还是先取列都可以。

import tushare as ts

data = ts.get_k_data("000001")

data['open'][:10]  # 先取列再取行
data[:10]['open']  # 先取行再取列

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

data.loc[:10,"open":"low"]  # 用标签取值

data.iloc[:10,1:5]  # 用下标取值

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）

3.3、时间对象处理

处理时间对象可能是我们在进行数据分析的过程当中最常见的，我们会遇到各种格式的时间序列，也需要处理各种格式的时间序列，但是一定不能对这些数据懵逼，我们需要找到最合适的招式来处理这些时间。接下来就一起来看吧！！！

3.3.1、时间序列类型

时间戳：特定时刻
固定时期：如2019年1月
时间间隔：起始时间-结束时间

3.3.2、Python库：datatime

date、datetime、timedelta

import datetime

# datetime.date()  # date对象

today = datetime.date.today()  # 获取当天日期，返回date对象
t1 = datetime.date(2019,4,18) # 设置时间格式为datetime.date

# datetime.datetime()  # datetime对象

now = datetime.datetime.now()  # 获取当天日期，返回datetime对象
t2 = datetime.datetime(2019,4,18) # 设置时间格式为datetime.datetime

# datetime.timedelta()  # 时间差

today = datetime.datetime.today()
yestoday = today - datetime.timedelta(1)  # 以时间做运算
print(today,yestoday)

dt.strftime()

# 将时间格式转换为字符串
today.strftime("%Y-%m-%d")
yestoday.strftime("%Y-%m-%d")

strptime()

# 将日期字符串转成datetime时间格式，第二个参数由时间格式决定
datetime.datetime.strptime('2019-04-18','%Y-%m-%d')

3.3.3、灵活处理时间对象：dateutil包

dateutil.parser.parse()

import dateutil

# 将字符串格式的日期转换为datetime对象
date = '2019 Jan 2nd'
t3 = dateutil.parser.parse(date)

3.3.4、成组处理时间对象：pandas

pd.to_datetime(['2018-01-01', '2019-02-02'])

将字符串转换为为时间对象

from datetime import datetime
import pandas as pd

date1 = datetime(2019, 4, 18, 12, 24, 30)
date2 = '2019-04-18'
t4 = pd.to_datetime(date1)
t5 = pd.to_datetime(date2)
t6 = pd.to_datetime([date1,date2])

t4,t5,t6  # 转换单个时间数据是返回Timestamp对象，转换多个时间数据返回DatetimeIndex对象
> 
"""
(Timestamp('2019-04-18 12:24:30'),
 Timestamp('2019-04-18 00:00:00'),
 DatetimeIndex(['2019-04-18 12:24:30', '2019-04-18 00:00:00'], dtype='datetime64[ns]', freq=None))
"""

将索引设置为时间序列

ind = pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019'])
sr = pd.Series([1,2,3],index=ind)

# 补充：
"""
pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019']).to_pydatetime()

> array([datetime.datetime(2018, 3, 1, 0, 0),
       datetime.datetime(2019, 2, 3, 0, 0),
       datetime.datetime(2019, 8, 12, 0, 0)], dtype=object)
# 通过to_pydatetime()方法将其转换为ndarray数组
"""

3.3.5、产生时间对象数组：data_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),…

pd.date_range("2019-1-1","2019-2-2",freq="D")

> DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',
               '2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08',
               '2019-01-09', '2019-01-10', '2019-01-11', '2019-01-12',
               '2019-01-13', '2019-01-14', '2019-01-15', '2019-01-16',
               '2019-01-17', '2019-01-18', '2019-01-19', '2019-01-20',
               '2019-01-21', '2019-01-22', '2019-01-23', '2019-01-24',
               '2019-01-25', '2019-01-26', '2019-01-27', '2019-01-28',
               '2019-01-29', '2019-01-30', '2019-01-31', '2019-02-01',
               '2019-02-02'],
              dtype='datetime64[ns]', freq='D')

3.3.6、时间序列

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。

# 转换时间索引
dt = pd.date_range("2019-01-01","2019-02-02")
# 生成一个带有时间数据的DataFrame数组
a = pd.DataFrame({"num":pd.Series(random.randint(-100,100) for _ in range(30)),"date":dt})
# 通过index修改索引
a.index = pd.to_datetime(a["date"])

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(), ……

a.resample("3D").mean()  # 计算每三天的均值
a.resample("3D").sum()  #  计算每三天的和
...

时间序列的处理在数据分析当中非常重要，但是有时候时间的格式不一致又会让人非常烦躁，只要把以上秘籍都学会就可以把时间序列制得服服帖帖。

3.4、数据分组和聚合

在数据分析当中，我们有时需要将数据拆分，然后在每一个特定的组里进行运算，这些操作通常也是数据分析工作中的重要环节。
分组聚合相对来说也是一个稍微难理解的点，需要各位有一定的功力来学习.

3.4.1、分组(GroupBY机制)

pandas对象（无论Series、DataFrame还是其他的什么）当中的数据会根据提供的一个或者多个键被拆分为多组，拆分操作实在对象的特定轴上执行的。就比如DataFrame可以在他的行上或者列上进行分组，然后将一个函数应用到各个分组上并产生一个新的值。最后将所有的执行结果合并到最终的结果对象中。

分组键可以是多种样式，并且键不一定是完全相同的类型：

列表或者数组，长度要与待分组的轴一样
表示DataFrame某个列名的值。
字典或Series，给出待分组轴上的值与分组名之间的对应关系
函数，用于处理轴索引或者索引中的各个标签

后三种只是快捷方式，最终仍然是为了产生一组用于拆分对象的值。

首先，通过一个很简单的DataFrame数组尝试一下：

df = pd.DataFrame({'key1':['x','x','y','y','x',                               
            'key2':['one','two','one',',two','one'],
            'data1':np.random.randn(5),
            'data2':np.random.randn(5)})
df
                           
> 	key1	key2	data1	data2
0	x	one	0.951762	1.632336
1	x	two	-0.369843	0.602261
2	y	one	1.512005	1.331759
3	y	two	1.383214	1.025692
4	x	one	-0.475737	-1.182826

访问data1，并根据key1调用groupby：

f1 = df['data1'].groupby(df['key1'])
f1

> <pandas.core.groupby.groupby.SeriesGroupBy object at 0x00000275906596D8>

上述运行是没有进行任何计算的，但是我们想要的中间数据已经拿到了，接下来，就可以调用groupby进行任何计算

f1.mean()  # 调用mean函数求出平均值
> key1
    x    0.106183
    y    2.895220
    Name: data1, dtype: float64

以上数据经过分组键（一个Series数组）进行了聚合，产生了一个新的Series，索引就是key1列中的唯一值。这些索引的名称就为key1。接下来就尝试一次将多个数组的列表传进来

f2 = df['data1'].groupby([df['key1'],df['key2']])
f2.mean()
> key1  key2
    x     one     0.083878
          two     0.872437
    y     one    -0.665888
          two    -0.144310
    Name: data1, dtype: float64

传入多个数据之后会发现，得到的数据具有一个层次化的索引，key1对应的x\y;key2对应的one\two.

f2.mean().unstack()  # 通过unstack方法就可以让索引不堆叠在一起了

> key2	one		two
key1		
x	0.083878	0.872437
y	-0.665888	-0.144310

补充：

1、分组键可以是任意长度的数组
2、分组时，对于不是数组数据的列会从结果中排除，例如key1、key2这样的列
3、GroupBy的size方法，返回一个含有分组大小的Series

# 以上面的f2测试
f2.size()
> key1  key2
x     one     2
      two     1
y     one     1
      two     1
Name: data1, dtype: int64

到这跟着我上面的步骤一步一步的分析，会发现还是很简单的，但是一定不能干看，还要自己下手练，只有多练才能融汇贯通！！！

3.4.2、聚合(组内应用某个函数)

聚合是指任何能够从数组产生标量值的数据转换过程。刚才上面的操作会发现使用GroupBy并不会直接得到一个显性的结果，而是一个中间数据，可以通过执行类似mean、count、min等计算得出结果，常见的还有一些:

函数名	描述
sum	非NA值的和
median	非NA值的算术中位数
std、var	无偏（分母为n-1）标准差和方差
prod	非NA值的积
first、last	第一个和最后一个非NA值

自定义聚合函数

不仅可以使用这些常用的聚合运算，还可以自己自定义。

# 使用自定义的聚合函数，需要将其传入aggregate或者agg方法当中

def peak_to_peak(arr):
    return arr.max() - arr.min()
f1.aggregate(peak_to_peak)
运行结果：
key1
x    3.378482
y    1.951752
Name: data1, dtype: float64

多函数聚合：

f1.agg(['mean','std'])
运行结果：
	mean	std
key1		
x	-0.856065	0.554386
y	-0.412916	0.214939

最终得到的列就会以相应的函数命名生成一个DataFrame数组

以上我们是可以通过agg或者是aggregate来实现多函数聚合以及自定义聚合函数，但是一定要注意agg方法只能进行聚合操作，进行其他例如：排序，这些方法是会报错的。agg返回的是数据的标量，所以有些时候并不适合使用agg，这就要看我们接下来的操作了。

3.4.3、apply

GroupBy当中自由度最高的方法就是apply，它会将待处理的对象拆分为多个片段，然后各个片段分别调用传入的函数，最后将它们组合到一起。

df.apply(
['func', 'axis=0', 'broadcast=None', 'raw=False', 'reduce=None', 'result_type=None', 'args=()', '**kwds']

func:传入一个自定义函数
axis:函数传入参数当axis=1就会把一行数据作为Series的数据

# 分析欧洲杯和欧洲冠军联赛决赛名单
import pandas as pd

url="https://en.wikipedia.org/wiki/List_of_European_Cup_and_UEFA_Champions_League_finals"
eu_champions=pd.read_html(url)  # 获取数据
a1 = eu_champions[2]    # 取出决赛名单
a1.columns = a1.loc[0]  # 使用第一行的数据替换默认的横向索引
a1.drop(0,inplace=True)  # 将第一行的数据删除
a1.drop('#',axis=1,inplace=True)  # 将以#为列名的那一列删除
a1.columns=['Season', 'Nation', 'Winners', 'Score', 'Runners_up', 'Runners_up_Nation', 'Venue','Attendance']  # 设置列名

a1.tail()  # 查看后五行数据
a1.drop([64,65],inplace=True)  # 删除其中的缺失行以及无用行
a1

运行结果：

分组apply1

现在想根据分组选出Attendance列中值最高的三个。

# 先自定义一个函数
def top(df,n=3,column='Attendance'):
    return df.sort_values(by=column)[-n:]
top(a1,n=3)