数据分析核心包——pandas

一、pandas简介

  pandas是一个强大的Python数据分析的工具包,是基于NumPy构建的。

1、pandas的主要功能

  (1)具备对其功能的数据结构DataFrame、Series
  (2)集成时间序列功能
  (3)提供丰富的数学运算和操作
  (4)灵活处理缺失数据

2、安装和引用

# 安装方法:
# pip install pandas

# 引用方法:
import pandas as pd

二、Series——一维数据对象

  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。

# Series创建方式
>>> import pandas as pd
>>> pd.Series([2,3,4,5])
0    2
1    3
2    4
3    5
dtype: int64
>>> pd.Series([2,3,4,5], index=['a','b','c','d'])
a    2
b    3
c    4
d    5
dtype: int64

  获取值数组和索引数组:values属性和index属性。
  Series比较像列表(数组)和字典的结合体。

1、Series——使用特性

(1)Series支持array的特性(下标)

# 从ndarray创建Series:Series(arr)
>>> import numpy as np
>>> pd.Series(np.arange(5))
0    0
1    1
2    2
3    3
4    4
dtype: int64
# 与标量运算:sr*2
>>> sr = pd.Series([2,3,4,5], index=['a','b','c','d'])
>>> sr
a    2
b    3
c    4
d    5
dtype: int64
>>> sr*2
a     4
b     6
c     8
d    10
dtype: int64
>>> sr+2
a    4
b    5
c    6
d    7
dtype: int64
# 两个Series运算:sr1+sr2
>>> sr + sr
a     4
b     6
c     8
d    10
dtype: int64
# 索引:sr[0],sr[[1,2,4]]
>>> sr[0]
2
>>> sr[[1,2,3]]
b    3
c    4
d    5
dtype: int64
# 切片:sr[0:2]
>>> sr[0:2]
a    2
b    3
dtype: int64
# 通用函数(最大值、绝对值等),如:np.abs(sr)
>>> sr.max()
5
>>> np.abs(sr)
a    2
b    3
c    4
d    5
dtype: int64 
# 布尔值过滤:sr[sr>0]
>>> sr>4
a    False
b    False
c    False
d     True
dtype: bool
>>> sr[sr>4]
d    5
dtype: int64

(2)Series支持字典的特性(标签)

# 从字典创建Series:Series(dic)
>>> sr = pd.Series({'a':3, 'b':2, 'c':4})
>>> sr
a    3
b    2
c    4
dtype: int64
# in运算:'a' in sr
>>> 'a' in sr
True
>>> 'e' in sr
False
>>> for i in sr:
    print(i)   # 只遍历打印值,而不是打印键
    
3
2
4
# 键索引:sr['a'], sr[['a','b','c']]
>>> sr['a']
3
>>> sr[['a','b','c']]
a    3
b    2
c    4
dtype: int64
# 获取索引对应及对应值
>>> sr.index
Index(['a', 'b', 'c'], dtype='object')
>>> sr.index[0]
'a'
>>> sr.values
array([1, 2, 3, 4])

>>> sr = pd.Series([1,2,3,4],index=['a','b','c','d'])
sr
a    1
b    2
c    3
d    4
dtype: int64
>>> sr[['a','c']]
a    1
c    3
>>> sr['a':'c']  # 标签形式索引切片(前包后也包)
a    1
b    2
c    3
dtype: int64

2、Series——整数索引问题

  整数索引的pandas对象往往会使新手抓狂。

>>> sr = pd.Series(np.arange(4.))
>>> sr
0    0.0
1    1.0
2    2.0
3    3.0
dtype: float64
>>> sr[-1]
报错信息
KeyError: -1
>>> sr = pd.Series(np.arange(10))
>>> sr
0    0
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9
dtype: int64
>>> sr2 = sr[5:].copy()   # 切片后复制
>>> sr2  # 可以看到索引还是保留之前的值
5    5
6    6
7    7
8    8
9    9
dtype: int64

  如果索引是整数类型,则根据整数进行下标获取值时总是面向标签的。(意思是说,当索引值为整数时,索引一定会解释为标签)
  解决方法:

# loc属性:将索引解释为标签
>>> sr2.loc[7]
7

# iloc属性:将索引解释为下标
sr2.iloc[3]
8

  因此涉及到整数的时候一定要loc和iloc指明,中括号里的索引是标签还是下标。

3、Series——数据对齐

  pandas在进行两个Series对象的运算时,会按索引进行对齐然后计算。

(1)Series对象运算

>>> sr1 = pd.Series([12,23,34], index=['c','a','d'])
>>> sr2 = pd.Series([11,20,10], index=['d','c','a'])
>>> sr1 + sr2
a    33     # 23+10
c    32     # 12+20
d    45     # 34+11
dtype: int64

>>> sr1 = pd.Series([12,23,34], index=['c','a','d'])
>>> sr2 = pd.Series([11,20,10,21], index=['d','c','a','b'])
>>> sr1 + sr2   # 不一样长Series相加
a    33.0
b     NaN   # 在pandas中用来当做数据缺失值
c    32.0
d    45.0
dtype: float64

>>> sr1 = pd.Series([12,23,34], index=['c','a','d'])
>>> sr2 = pd.Series([11,20,10], index=['b','c','a'])
>>> sr1 + sr2
a    33.0
b     NaN
c    32.0
d     NaN
dtype: float64

  如果两个Series对象的索引不完全相同,则结果的索引是两个操作数索引的并集。
  如果只有一个对象在某索引下有值,则结果中该索引的值为nan(缺失值)

(2)灵活算术方法

  灵活算术方法:add,sub,div,mul(分别对应加减乘除)。

>>> sr1 = pd.Series([12,23,34], index=['c','a','d'])
>>> sr2 = pd.Series([11,20,10], index=['b','c','a'])
>>> sr1.add(sr2)
a    33.0
b     NaN
c    32.0
d     NaN
dtype: float64
>>> sr1.add(sr2, fill_value=0)    # 标签对应的值一个有一个没有,没有的那个赋值为0
a    33.0
b    11.0
c    32.0
d    34.0
dtype: float64

4、Series——缺失值处理

  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。

(1)处理缺失数据的相关方法

>>> sr = sr1+sr2
>>> sr
a    33.0
b     NaN
c    32.0
d     NaN
dtype: float64

# 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(判断是否为缺失数据)
>>> sr.isnull()
a    False
b     True   # True的是NaN
c    False
d     True
dtype: bool

# notnull():返回布尔数组,缺失值对应为False
sr.notnull()
a     True
b    False   # False对应NaN
c     True
d    False
dtype: bool

(2)缺失值处理方式一:过滤缺失数据

# sr.dropna()
>>> sr.dropna()
a    33.0
c    32.0
dtype: float64

# sr[data.notnull()]
>>> sr[sr.notnull()]   # 剔除所有缺失值的行
a    33.0
c    32.0
dtype: float64

(3)缺失值处理方式二:填充缺失数据

# fillna()
>>> sr.fillna(0)   # 给缺失值赋值为0
a    33.0
b     0.0
c    32.0
d     0.0
dtype: float64
>>> sr.mean()     # 剔除NaN求得平均值
32.5
>>> sr.fillna(sr.mean())   # 给缺失值填充平均值
a    33.0
b    32.5
c    32.0
d    32.5
dtype: float64

5、Series数据对象小结

  Series是数组和字典的结合体,可以通过下标和标签来访问。
  当索引值为整数时,索引一定会解释为标签。可以使用loc和iloc来明确指明索引被解释为标签还是下标。
  如果两个Series对象的索引不完全相同,则结果的索引是两个操作数索引的并集。
  如果只有一个对象在某索引下有值,则结果中该索引的值为nan(缺失值)
  缺失数据处理方法:dropna(过滤)、fillna(填充)。

三、DataFrame——二维数据对象

  DataFrame是一个表格式的数据结构,含有一组有序的列(即:好几列)。
  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:
# 方法一:通过一个字典来创建
>>> pd.DataFrame({'one':[1,2,3],'two':[4,5,6]})
   one  two
0    1    4
1    2    5
2    3    6
>>> pd.DataFrame({'one':[1,2,3],'two':[4,5,6]}, index=['a','b','c'])  # index指定行索引
   one  two
a    1    4
b    2    5
c    3    6
# 方法二:用Series来组成字典
>>> pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([1,2,3,4],index=['b','a','c','d'])})
   one  two
a  1.0    2
b  2.0    1
c  3.0    3
d  NaN    4

# MacBook-Pro:pandas hqs$ vi test.csv   # 创建并写入csv文件
# a,b,c
# 1,2,3
# 2,4,6
# 3,6,9

# csv文件读取和写入:
>>> pd.read_csv('test.csv')    # read_csv():读取csv文件
   a  b  c
0  1  2  3
1  2  4  6
2  3  6  9

>>> 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'])})
>>> df
   one  two
a  1.0    2
b  2.0    1
c  3.0    3
d  NaN    4
>>> df .to_csv('test2.csv')    # to_csv():写入csv文件

# MacBook-Pro:pandas hqs$ vi test2.csv   # 查看csv文件,缺失的值自动为空
# ,one,two
# a,1.0,2
# b,2.0,1
# c,3.0,3
# d,,4

1、DataFrame——常用属性

>>> 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'])})
>>> df
   one  two
a  1.0    2
b  2.0    1
c  3.0    3
d  NaN    4

# index:获取行索引
>>> df.index
Index(['a', 'b', 'c', 'd'], dtype='object')

# columns:获取列索引
>>> df.columns
Index(['one', 'two'], dtype='object')

# values:获取值数组(一般是二维数组)
>>> df.values
array([[ 1.,  2.],
       [ 2.,  1.],
       [ 3.,  3.],
       [nan,  4.]])

# T:转置
>>> df
   one  two
a  1.0    2
b  2.0    1
c  3.0    3
d  NaN    4
>>> df.T      # 行变成列,列变成行
       a    b    c    d
one  1.0  2.0  3.0  NaN
two  2.0  1.0  3.0  4.0

# describe():获取快速统计
>>> df.describe()
       one       two
count  3.0  4.000000    # 统计每一列个数
mean   2.0  2.500000    # 统计每一列平均数
std    1.0  1.290994    # 统计每一列标准差
min    1.0  1.000000    # 统计每一列最小值
25%    1.5  1.750000    # 1/4位上的数
50%    2.0  2.500000    # 1/2位上的数
75%    2.5  3.250000    # 3/4位上的数
max    3.0  4.000000    # 统计每一列最大值

2、DataFrame——索引和切片

  DataFrame是一个二维数据类型,所以有行索引和列索引。

>>> df
   one  two
a  1.0    2
b  2.0    1
c  3.0    3
d  NaN    4
>>> df['one']['a']   # 先列后行,一列是一个Series
1.0

  DataFrame同样可以通过标签位置两种方法进行索引和切片
  loc属性和iloc属性:loc是按索引选取数据,iloc是按位置(下标)选取数据。

# 使用方法:逗号隔开,前面是行索引,后面是列索引
>>> df.loc['a','one']    # 先行后列
1.0

# 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
>>> df.loc['a',:]   # 选择a这一行,列选择全部
one    1.0
two    2.0
Name: a, dtype: float64
>>> df.loc['a',]    # 效果同上
one    1.0
two    2.0
Name: a, dtype: float64

>>> df.loc[['a','c'],:]  # 选择a、c这两行,列选择全部
   one  two
a  1.0    2
c  3.0    3
>>> df.loc[['a','c'],'two']
a    2
c    3
Name: two, dtype: int64

>>> df.apply(lambda x:x+1)
   one  two
a  2.0    3
b  3.0    2
c  4.0    4
d  NaN    5
>>> df.apply(lambda x:x.mean())
one    2.0
two    2.5
dtype: float64

3、DataFrame——数据对齐和缺失数据处理

  DataFrame对象在运算时,同样会进行数据对齐,其行索引和列索引分别对齐。

>>> df = pd.DataFrame({'two':[1,2,3,4],'one':[4,5,6,7]}, index=['c','d','b','a'])
>>> df2 = pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([1,2,3,4],index=['b','a','c','d'])})
>>> df
   two  one
c    1    4
d    2    5
b    3    6
a    4    7
>>> df2
   one  two
a  1.0    2
b  2.0    1
c  3.0    3
d  NaN    4
>>> df + df2
   one  two
a  8.0    6
b  8.0    4
c  7.0    4
d  NaN    6

  DataFrame处理缺失数据的相关方法:

# df.fillna(x):用x替换DataFrame对象中所有的空值
>>> df2.fillna(0)
   one  two
a  1.0    2
b  2.0    1
c  3.0    3
d  0.0    4

>>> df2.loc['d','two']=np.nan    # 给df2修改添加缺失值
>>> df2.loc['c','two']=np.nan
>>> df2
   one  two
a  1.0  2.0
b  2.0  1.0
c  3.0  NaN
d  NaN  NaN

# df.dropna():删除所有包含空值的行,how的默认参数是any
>>> df2.dropna()
   one  two
a  1.0  2.0
b  2.0  1.0
>>> df2.dropna(how='all')   # 删除所有值都为缺失值的行,how的默认参数是any
   one  two
a  1.0  2.0
b  2.0  1.0
c  3.0  NaN
>>> df2.dropna(how='any')
   one  two
a  1.0  2.0
b  2.0  1.0

# df.dropna(axis=1):删除所有包含空值的列,axis(轴)默认是0
>>> df.loc['c','one']=np.nan    # 给df修改添加缺失值
>>> df
   two  one
c    1  NaN
d    2  5.0
b    3  6.0
a    4  7.0
>>> df.dropna(axis=1)
   two
c    1
d    2
b    3
a    4

# df.dropna(axis=1,thresh=n):删除所有小于n个非空值的行 
>>> df.dropna(axis=1, thresh=4)
   two
c    1
d    2
b    3
a    4

# df.isnull():检查DataFrame对象中的空值,并返回一个Boolean数组
>>> df2.isnull()
     one    two
a  False  False
b  False  False
c  False   True
d   True   True

# df.notnull():检查DataFrame对象中的非空值,并返回一个Boolean数组
>>> df2.notnull()
     one    two
a   True   True
b   True   True
c   True  False
d  False  False

四、pandas常用函数(方法)

>>> df
   two  one
c    1  NaN
d    2  5.0
b    3  6.0
a    4  7.0

# mean(axis=0,skipna=False):对列(行)求平均值
>>> df.mean()         # 忽略缺失值,默认对每一列求平均值
two    2.5
one    6.0
dtype: float64
>>> df.mean(axis=1)   # 忽略缺失值,对每一行求平均值
c    1.0
d    3.5
b    4.5
a    5.5
dtype: float64

# sum(axis=1):对列(行)求和
>>> df.sum()          # 对每一列求和
two    10.0
one    18.0
dtype: float64
>>> df.sum(axis=1)    # 对每一行求和
c     1.0
d     7.0
b     9.0
a    11.0
dtype: float64

# sort_index(axis,...,ascending):对列(行)索引排序
>>> df.sort_index()        # 默认对列索引升序排列
   two  one
a    4  7.0
b    3  6.0
c    1  NaN
d    2  5.0
>>> df.sort_index(ascending=False)   # 对列索引降序排列
   two  one
d    2  5.0
c    1  NaN
b    3  6.0
a    4  7.0
>>> df.sort_index(axis=1)      # 对行索引升序排列
   one  two      # o排在t前面
c  NaN    1
d  5.0    2
b  6.0    3
a  7.0    4
>>> df.sort_index(ascending=False,axis=1)   # 对行索引降序排列
   two  one
c    1  NaN
d    2  5.0
b    3  6.0
a    4  7.0

# sort_values(by,axis,ascending):按某一列(行)的值排序
>>> df.sort_values(by='two')   # 按two这一列排序
   two  one
c    1  NaN
d    2  5.0
b    3  6.0
a    4  7.0
>>> df.sort_values(by='two', ascending=False)   # ascending默认升序,改为False即为降序
   two  one
a    4  7.0
b    3  6.0
d    2  5.0
c    1  NaN
>>> df.sort_values(by='a',ascending=False,axis=1)  # 按a行降序排序,注意是按值排序
   one  two
c  NaN    1
d  5.0    2
b  6.0    3
a  7.0    4
# 按列排序,有缺失值的默认放在最后
>>> df.sort_values(by='one')
   two  one
d    2  5.0
b    3  6.0
a    4  7.0
c    1  NaN
>>> df.sort_values(by='one', ascending=False)
   two  one
a    4  7.0
b    3  6.0
d    2  5.0
c    1  NaN

  注意:NumPy的通用函数同样适用于pandas

五、pandas——时间序列处理

  时间序列类型:
  (1)时间戳:特定时刻
  (2)固定时期:如2017年7月
  (3)时间间隔:起始时间——结束时间

1、时间对象处理

  python标准库处理时间对象:datetime模块。datetime模块的datetime类中有一个方法strptime(),可以将字符串解析为时间对象。

>>> import datetime
>>> datetime.datetime.strptime('2010-01-01', '%Y-%m-%d')
datetime.datetime(2010, 1, 1, 0, 0)

(1)灵活处理时间对象——dateutil

>>> import dateutil
>>> dateutil.parser.parse('2001-01-01')    # 用-分隔
datetime.datetime(2001, 1, 1, 0, 0)
>>> dateutil.parser.parse('2001/01/01')    # 用/分隔
datetime.datetime(2001, 1, 1, 0, 0)
>>> dateutil.parser.parse('02/03/2001')    # 年份放在后面也可以识别
datetime.datetime(2001, 2, 3, 0, 0)
>>> dateutil.parser.parse('2001-JAN-01')   # 识别英文月份
datetime.datetime(2001, 1, 1, 0, 0)

(2)成组处理时间对象——pandas

  通常被用来做索引。

>>> pd.to_datetime(['2001-01-01','2010/Feb/02'])   # 不同格式均自动转化为DatetimeIndex
DatetimeIndex(['2001-01-01', '2010-02-02'], dtype='datetime64[ns]', freq=None)

2、时间对象生成

  pandas中date_range函数如下所示:

def date_range(start=None, end=None, periods=None, freq=None, tz=None,
               normalize=False, name=None, closed=None, **kwargs):
    """
    Return a fixed frequency DatetimeIndex.

    Parameters
    ----------
    start : str or datetime-like, optional    开始时间
        Left bound for generating dates.
    end : str or datetime-like, optional      结束时间
        Right bound for generating dates.
    periods : integer, optional               时间长度
        Number of periods to generate.
    freq : str or DateOffset, default 'D'     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(years),...
        Frequency strings can have multiples, e.g. '5H'. See
        :ref:`here <timeseries.offset_aliases>` for a list of
        frequency aliases.
    tz : str or tzinfo, optional
        Time zone name for returning localized DatetimeIndex, for example
        'Asia/Hong_Kong'. By default, the resulting DatetimeIndex is
        timezone-naive.
    normalize : bool, default False
        Normalize start/end dates to midnight before generating date range.
    name : str, default None
        Name of the resulting DatetimeIndex.
    closed : {None, 'left', 'right'}, optional
        Make the interval closed with respect to the given frequency to
        the 'left', 'right', or both sides (None, the default).
    **kwargs
        For compatibility. Has no effect on the result.
    """

  使用示例如下所示:

>>> pd.date_range('2010-01-01','2010-5-1')                    # 设置起始时间和结束时间
DatetimeIndex(['2010-01-01', '2010-01-02', '2010-01-03', '2010-01-04',
               '2010-01-09', '2010-01-10',
               ...
               '2010-04-26', '2010-04-27', '2010-04-28', '2010-04-29',
               '2010-04-30', '2010-05-01'],
              dtype='datetime64[ns]', length=121, freq='D')

>>> pd.date_range('2010-01-01', periods=10)                   # 指定起始和长度
DatetimeIndex(['2010-01-01', '2010-01-02', '2010-01-03', '2010-01-04',
               '2010-01-05', '2010-01-06', '2010-01-07', '2010-01-08',
               '2010-01-09', '2010-01-10'],
              dtype='datetime64[ns]', freq='D')

>>> pd.date_range('2010-01-01', periods=10, freq='H')         # 指定频率为每小时
DatetimeIndex(['2010-01-01 00:00:00', '2010-01-01 01:00:00',
               '2010-01-01 02:00:00', '2010-01-01 03:00:00',
               '2010-01-01 04:00:00', '2010-01-01 05:00:00',
               '2010-01-01 06:00:00', '2010-01-01 07:00:00',
               '2010-01-01 08:00:00', '2010-01-01 09:00:00'],
              dtype='datetime64[ns]', freq='H')

>>> pd.date_range('2010-01-01', periods=10, freq='W-MON')     # 指定频率为每周一
DatetimeIndex(['2010-01-04', '2010-01-11', '2010-01-18', '2010-01-25',
               '2010-02-01', '2010-02-08', '2010-02-15', '2010-02-22',
               '2010-03-01', '2010-03-08'],
              dtype='datetime64[ns]', freq='W-MON')

>>> pd.date_range('2010-01-01', periods=10, freq='B')         # 指定频率为工作日
DatetimeIndex(['2010-01-01', '2010-01-04', '2010-01-05', '2010-01-06',
               '2010-01-07', '2010-01-08', '2010-01-11', '2010-01-12',
               '2010-01-13', '2010-01-14'],
              dtype='datetime64[ns]', freq='B')

>>> pd.date_range('2010-01-01', periods=10, freq='1h20min')   # 间隔一小时二十分钟
DatetimeIndex(['2010-01-01 00:00:00', '2010-01-01 01:20:00',
               '2010-01-01 02:40:00', '2010-01-01 04:00:00',
               '2010-01-01 05:20:00', '2010-01-01 06:40:00',
               '2010-01-01 08:00:00', '2010-01-01 09:20:00',
               '2010-01-01 10:40:00', '2010-01-01 12:00:00'],
              dtype='datetime64[ns]', freq='80T')

# 转换为datetime对象
>>> dt = pd.date_range('2010-01-01', periods=10, freq='B')
>>> dt[0]
Timestamp('2010-01-01 00:00:00', freq='B')
>>> dt[0].to_pydatetime()    # 转换为python的datetime对象
datetime.datetime(2010, 1, 1, 0, 0)

3、pandas——时间序列

  时间序列就是以时间对象作为索引SeriesDataFrame
  datetime对象作为索引时是存储在DatetimeIndex对象中的。
  时间序列的特殊功能:

>>> sr = pd.Series(np.arange(1000),index=pd.date_range('2017-01-01', periods=1000))
>>> sr
2017-01-01      0
2017-01-02      1
2017-01-03      2
2017-01-04      3
...
2019-09-26    998
2019-09-27    999
Freq: D, Length: 1000, dtype: int64

# 功能一:传入"年"或"年月"作为切片方式
>>> sr['2017']      # 传入年切片
2017-01-01      0
2017-01-02      1
...
2017-12-30    363
2017-12-31    364
Freq: D, Length: 365, dtype: int64
>>> sr['2017-05']   # 传入年月切片               
2017-05-01    120
2017-05-02    121
...
2017-05-30    149
2017-05-31    150
Freq: D, dtype: int64

# 功能二:传入日期范围作为切片方式
>>> sr['2017-10-25':'2018-03']   # 2017年10月25日到2018年3月
2017-10-25    297
2017-10-26    298
...
2018-03-30    453
2018-03-31    454
Freq: D, Length: 158, dtype: int64

# 功能三:丰富的函数支持:resample()、truncate()....
# resample()重新采样函数
>>> sr.resample('W').sum()   # 每一周的合
2017-01-01       0
2017-01-08      28
...
2019-09-22    6937
2019-09-29    4985
Freq: W-SUN, Length: 144, dtype: int64
>>> sr.resample('M').sum()   # 每个月的合
2017-01-31      465
2017-02-28     1246
...
2019-08-31    29667
2019-09-30    26622
Freq: M, dtype: int64
>>> sr.resample('M').mean()   # 每个月每天的平均值
2017-01-31     15.0
2017-02-28     44.5
2017-03-31     74.0
...
2019-08-31    957.0
2019-09-30    986.0
Freq: M, dtype: float64

# truncate()截断
>>> sr.truncate(before='2018-04-01')   # 截断掉2018年4月1日之前的部分
2018-04-01    455
2018-04-02    456
...
2019-09-26    998
2019-09-27    999
Freq: D, Length: 545, dtype: int64
>>> sr.truncate(after='2018-01-01')    # 截断掉2018年1月1日之后的部分
2017-01-01      0
2017-01-02      1
2017-01-03      2
...
2017-12-31    364
2018-01-01    365
Freq: D, Length: 366, dtype: int64

六、pandas——文件处理

  数据文件常用格式:csv(以某间隔符分隔数据)。
  pandas除了支持csv格式,还支持其他文件类型如:json、XML、HTML、数据库、pickle、excel....

1、pandas读取文件

  从文件名、URL、文件对象中加载数据。

(1)read_csv:默认分隔符为逗号

>>> pd.read_csv('601318.csv')   # 将原来的索引标识为unnamed,重新生成一列索引
      Unnamed: 0        date    open  ...     low      volume    code
0              0  2007-03-01  21.878  ...  20.040  1977633.51  601318
1              1  2007-03-02  20.565  ...  20.075   425048.32  601318
2              2  2007-03-05  20.119  ...  19.047   419196.74  601318
          ...         ...     ...  ...     ...         ...     ...
2561        2561  2017-12-14  72.120  ...  70.600   676186.00  601318
2562        2562  2017-12-15  70.690  ...  70.050   735547.00  601318
[2563 rows x 8 columns]
>>> pd.read_csv('601318.csv',index_col=0)   # 将第0列作为索引
            date    open   close    high     low      volume    code
0     2007-03-01  21.878  20.473  22.302  20.040  1977633.51  601318
1     2007-03-02  20.565  20.307  20.758  20.075   425048.32  601318
          ...     ...     ...     ...     ...         ...     ...
2561  2017-12-14  72.120  71.010  72.160  70.600   676186.00  601318
2562  2017-12-15  70.690  70.380  71.440  70.050   735547.00  601318
[2563 rows x 7 columns]
>>> pd.read_csv('601318.csv',index_col='date')   # 将date那一列作为索引
            Unnamed: 0    open   close    high     low      volume    code
date                                                                      
2007-03-01           0  21.878  20.473  22.302  20.040  1977633.51  601318
2007-03-02           1  20.565  20.307  20.758  20.075   425048.32  601318
                ...     ...     ...     ...     ...         ...     ...
2017-12-14        2561  72.120  71.010  72.160  70.600   676186.00  601318
2017-12-15        2562  70.690  70.380  71.440  70.050   735547.00  601318
[2563 rows x 7 columns]

# 需要注意:上面虽然是有时间日期作为索引,但实际不是时间对象而是字符串
>>> df = pd.read_csv('601318.csv',index_col='date')
>>> df.index
Index(['2007-03-01', '2007-03-02', '2007-03-05', '2007-03-06', '2007-03-07',
       '2007-03-08', '2007-03-09', '2007-03-12', '2007-03-13', '2007-03-14',
       ...
       '2017-12-04', '2017-12-05', '2017-12-06', '2017-12-07', '2017-12-08',
       '2017-12-11', '2017-12-12', '2017-12-13', '2017-12-14', '2017-12-15'],
      dtype='object', name='date', length=2563)

# 转换为时间对象的方法:
# 方法一:
>>> df = pd.read_csv('601318.csv',index_col='date', parse_dates=True)  # 解释表中所有能解释为时间序列的列
>>> df
            Unnamed: 0    open   close    high     low      volume    code
date                                                                      
2007-03-01           0  21.878  20.473  22.302  20.040  1977633.51  601318
2007-03-02           1  20.565  20.307  20.758  20.075   425048.32  601318
                ...     ...     ...     ...     ...         ...     ...
2017-12-14        2561  72.120  71.010  72.160  70.600   676186.00  601318
2017-12-15        2562  70.690  70.380  71.440  70.050   735547.00  601318
[2563 rows x 7 columns]
>>> df.index   # 查看索引,可以发现已转换为Datetime
DatetimeIndex(['2007-03-01', '2007-03-02', '2007-03-05', '2007-03-06',
               '2007-03-07', '2007-03-08', '2007-03-09', '2007-03-12',
               ...
               '2017-12-08', '2017-12-11', '2017-12-12', '2017-12-13',
               '2017-12-14', '2017-12-15'],
              dtype='datetime64[ns]', name='date', length=2563, freq=None)
# 方法二:
>>> df = pd.read_csv('601318.csv',index_col='date', parse_dates=['date'])  # parse_dates也可以传列表,指定哪些列转换
>>> df.index
DatetimeIndex(['2007-03-01', '2007-03-02', '2007-03-05', '2007-03-06',
               '2007-03-07', '2007-03-08', '2007-03-09', '2007-03-12',
               ...
               '2017-12-08', '2017-12-11', '2017-12-12', '2017-12-13',
               '2017-12-14', '2017-12-15'],
              dtype='datetime64[ns]', name='date', length=2563, freq=None)

# header参数为None:指定文件无列名,可自动生成数字列名
>>> pd.read_csv('601318.csv',header=None)
           0           1       2       3       4       5           6       7   # 新列名
0        NaN        date    open   close    high     low      volume    code
1        0.0  2007-03-01  21.878  20.473  22.302   20.04  1977633.51  601318
2        1.0  2007-03-02  20.565  20.307  20.758  20.075   425048.32  601318
      ...         ...     ...     ...     ...     ...         ...     ...
2562  2561.0  2017-12-14   72.12   71.01   72.16    70.6    676186.0  601318
2563  2562.0  2017-12-15   70.69   70.38   71.44   70.05    735547.0  601318
[2564 rows x 8 columns]

# 还可用names参数指定列名
>>> pd.read_csv('601318.csv',header=None, names=list('abcdefgh'))
           a           b       c       d       e       f           g       h
0        NaN        date    open   close    high     low      volume    code
1        0.0  2007-03-01  21.878  20.473  22.302   20.04  1977633.51  601318
2        1.0  2007-03-02  20.565  20.307  20.758  20.075   425048.32  601318
      ...         ...     ...     ...     ...     ...         ...     ...
2562  2561.0  2017-12-14   72.12   71.01   72.16    70.6    676186.0  601318
2563  2562.0  2017-12-15   70.69   70.38   71.44   70.05    735547.0  601318
[2564 rows x 8 columns]

(2)read_table:默认分隔符为制表符

  read_table使用方法和read_csv基本相同。

(3)read_csv、read_table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:指定某里列作为索引

# skip_row:指定跳过某些行
>>> pd.read_csv('601318.csv',header=None, skiprows=[1,2,3])   # 跳过1\2\3这三行
           0           1       2       3       4       5          6       7
0        NaN        date    open   close    high     low     volume    code
1        3.0  2007-03-06  19.253    19.8  20.128  19.143  297727.88  601318
2        4.0  2007-03-07  19.817  20.338  20.522  19.651  287463.78  601318
3        5.0  2007-03-08  20.171  20.093  20.272  19.988  130983.83  601318
      ...         ...     ...     ...     ...     ...        ...     ...
2559  2561.0  2017-12-14   72.12   71.01   72.16    70.6   676186.0  601318
2560  2562.0  2017-12-15   70.69   70.38   71.44   70.05   735547.0  601318
[2561 rows x 8 columns]

# na_values:指定某些字符串表示缺失值
# 如果某些值是NaN能识别是缺失值,但如果是None则识别为字符串
>>> pd.read_csv('601318.csv',header=None, na_values=['None'])   # 将None字符串解释为缺失值
           0           1       2       3       4       5           6       7
0        NaN        date    open   close    high     low      volume    code
1        0.0  2007-03-01  21.878     NaN  22.302   20.04  1977633.51  601318
2        1.0  2007-03-02  20.565     NaN  20.758  20.075   425048.32  601318
      ...         ...     ...     ...     ...     ...         ...     ...
2561  2560.0  2017-12-13   71.21   72.12   72.62    70.2    865117.0  601318
2562  2561.0  2017-12-14   72.12   71.01   72.16    70.6    676186.0  601318
2563  2562.0  2017-12-15   70.69   70.38   71.44   70.05    735547.0  601318
[2564 rows x 8 columns]

# parse_dates:指定某些列是否被解析为日期,类型为布尔值或列表

2、pandas写入csv文件

  写入到csv文件:to_csv函数。

>>> df = pd.read_csv('601318.csv',index_col=0)
>>> df.iloc[0,0]=np.nan     # 第0行第0列改为NaN

# 写入新文件
>>> df.to_csv('test.csv')

# 写入文件函数的主要参数
# sep:指定文件分隔符

# header=False:不输出列名一行
>>> df.to_csv('test.csv', header=False)

# index=False:不输出行索引一行
>>> df.to_csv('test.csv', index=False)

# na_rep:指定缺失值转换的字符串,默认为空字符串
>>> df.to_csv('test.csv', header=False, index=False, na_rep='null')   # 空白处填写null

# columns:指定输出的列,传入列表
>>> df.to_csv('test.csv', header=False, index=False, na_rep='null', columns=[0,1,2,3])  # 输出前四列

3、pandas写入及读取其他格式文件

>>> df.to_html('test.html')   # 以html格式写入文件

>>> df.to_json('test.json')   # 以json格式写入文件

>>> pd.read_json('test.json')   # 读取json格式文件
      Unnamed: 0       date    open   close    high     low      volume    code
0              0 2007-03-01  21.878    None  22.302  20.040  1977633.51  601318
1              1 2007-03-02  20.565    None  20.758  20.075   425048.32  601318
          ...        ...     ...     ...     ...     ...         ...     ...
998          998 2011-07-07  22.438  21.985  22.465  21.832   230480.00  601318
999          999 2011-07-08  22.076  21.936  22.212  21.850   141415.00  601318
[2563 rows x 8 columns]

>>> pd.read_html('test.html')   # 读取html格式文件
[      Unnamed: 0  Unnamed: 0.1        date  ...     low      volume    code
0              0             0  2007-03-01  ...  20.040  1977633.51  601318
1              1             1  2007-03-02  ...  20.075   425048.32  601318
          ...           ...         ...  ...     ...         ...     ...
2561        2561          2561  2017-12-14  ...  70.600   676186.00  601318
2562        2562          2562  2017-12-15  ...  70.050   735547.00  601318
[2563 rows x 9 columns]]
posted @ 2019-02-08 14:22  休耕  阅读(534)  评论(0编辑  收藏  举报