【Python笔记】十分钟搞定pandas

本文是对pandas官方网站上《10 Minutes to pandas》的一个简单的翻译，原文在这里。这篇文章是对pandas的一个简单的介绍，详细的介绍请参考：Cookbook 。习惯上，我们会按下面格式引入所需要的包：

一、            创建对象

可以通过 Data Structure Intro Setion 来查看有关该节内容的详细信息。

1、可以通过传递一个list对象来创建一个Series，pandas会默认创建整型索引：

2、通过传递一个numpy array，时间索引以及列标签来创建一个DataFrame：

3、通过传递一个能够被转换成类似序列结构的字典对象来创建一个DataFrame：

4、查看不同列的数据类型：

5、如果你使用的是IPython，使用Tab自动补全功能会自动识别所有的属性以及自定义的列，下图中是所有能够被自动识别的属性的一个子集：

二、            查看数据

详情请参阅：Basics Section

 

1、  查看frame中头部和尾部的行：

2、  显示索引、列和底层的numpy数据：

3、  describe()函数对于数据的快速统计汇总：

4、  对数据的转置：

5、  按轴进行排序

6、  按值进行排序

三、            选择

虽然标准的Python/Numpy的选择和设置表达式都能够直接派上用场，但是作为工程使用的代码，我们推荐使用经过优化的pandas数据访问方式： .at, .iat, .loc, .iloc 和 .ix详情请参阅Indexing and Selecing Data 和MultiIndex / Advanced Indexing。

l  获取

1、 选择一个单独的列，这将会返回一个Series，等同于df.A：

2、 通过[]进行选择，这将会对行进行切片

l  通过标签选择

1、 使用标签来获取一个交叉的区域

2、 通过标签来在多个轴上进行选择

3、 标签切片

4、 对于返回的对象进行维度缩减

5、 获取一个标量

6、 快速访问一个标量（与上一个方法等价）

l  通过位置选择

1、 通过传递数值进行位置选择（选择的是行）

2、 通过数值进行切片，与numpy/python中的情况类似

3、 通过指定一个位置的列表，与numpy/python中的情况类似

4、 对行进行切片

5、 对列进行切片

6、 获取特定的值

l  布尔索引

1、 使用一个单独列的值来选择数据：

2、 使用where操作来选择数据：

3、 使用isin()方法来过滤：

 

l  设置

1、 设置一个新的列：

2、 通过标签设置新的值：

3、 通过位置设置新的值：

4、 通过一个numpy数组设置一组新值：

上述操作结果如下：

5、 通过where操作来设置新的值：（必须数值型，存在字符串列会出错！）

四、            缺失值处理

在pandas中，使用np.nan来代替缺失值，这些值将默认不会包含在计算中，详情请参阅：Missing Data Section。

1、  reindex()方法可以对指定轴上的索引进行改变/增加/删除操作，这将返回原始数据的一个拷贝：、

2、  去掉包含缺失值的行：

3、  对缺失值进行填充：

4、  对数据进行布尔填充：

五、            相关操作

详情请参与 Basic Section On Binary Ops

l  统计（相关操作通常情况下不包括缺失值）

1、  执行描述性统计：

2、  在其他轴上进行相同的操作：

3、  对于拥有不同维度，需要对齐的对象进行操作。Pandas会自动的沿着指定的维度进行广播：

l  Apply

1、  对数据应用函数：

l  直方图

具体请参照：Histogramming and Discretization

 

l  字符串方法

Series对象在其str属性中配备了一组字符串处理方法，可以很容易的应用到数组中的每个元素，如下段代码所示。更多详情请参考：Vectorized String Methods.

六、            合并

Pandas提供了大量的方法能够轻松的对Series，DataFrame和Panel对象进行各种符合各种逻辑关系的合并操作。具体请参阅：Merging section

l  Concat

l  Join 类似于SQL类型的合并，具体请参阅：Database style joining

l  Append 将一行连接到一个DataFrame上，具体请参阅Appending：

七、            分组

对于”group by”操作，我们通常是指以下一个或多个操作步骤：

l  （Splitting）按照一些规则将数据分为不同的组；

l  （Applying）对于每组数据分别执行一个函数；

l  （Combining）将结果组合到一个数据结构中；

详情请参阅：Grouping section

1、  分组并对每个分组执行sum函数：

2、  通过多个列进行分组形成一个层次索引，然后执行函数：

八、            Reshaping

详情请参阅 Hierarchical Indexing 和 Reshaping。

l  Stack

l  数据透视表，详情请参阅：Pivot Tables.

可以从这个数据中轻松的生成数据透视表：

九、            时间序列

Pandas在对频率转换进行重新采样时拥有简单、强大且高效的功能（如将按秒采样的数据转换为按5分钟为单位进行采样的数据）。这种操作在金融领域非常常见。具体参考：Time Series section。

1、  时区表示：

2、  时区转换：

3、  时间跨度转换：

4、  时期和时间戳之间的转换使得可以使用一些方便的算术函数。

十、            Categorical

从0.15版本开始，pandas可以在DataFrame中支持Categorical类型的数据，详细 介绍参看：categorical introduction和API documentation。

1、  将原始的grade转换为Categorical数据类型：

2、  将Categorical类型数据重命名为更有意义的名称：

3、  对类别进行重新排序，增加缺失的类别：

4、  排序是按照Categorical的顺序进行的而不是按照字典顺序进行：

5、  对Categorical列进行排序时存在空的类别：

十一、           画图

具体文档参看：Plotting docs

对于DataFrame来说，plot是一种将所有列及其标签进行绘制的简便方法：

十二、           导入和保存数据

l  CSV，参考：Writing to a csv file

1、  写入csv文件：

2、  从csv文件中读取：

l  HDF5，参考：HDFStores

1、  写入HDF5存储：

2、  从HDF5存储中读取：

l  Excel，参考：MS Excel

1、  写入excel文件：

2、  从excel文件中读取：

 
附：练习笔记：
  1. import pandas as pd;
  2. import numpy as np;
  3. import matplotlib.pyplot as plt;
  5. dates= pd.date_range('20130101',periods=6)
  6. df=pd.DataFrame({'A':1,
  7. 'B':pd.Timestamp('20130102'),
  8. 'C':pd.Series(1,index=list(range(4)),dtype='float32'),
  9. 'D':np.array([3]*4,dtype='int32'),
  10. 'E':pd.Categorical(["test","train","test","train"]),
  11. 'F':'foo'})
  12. df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=list('ABCD'))#6行4列
  13. """ A B C D
  14. 2013-01-01 -1.107551 0.195271 -1.230686 -0.484630
  15. 2013-01-02 0.865845 -1.511340 -1.534180 2.054369
  16. 2013-01-03 0.904075 -0.336863 -0.718355 0.124269
  17. 2013-01-04 0.508006 -0.375838 -1.626099 0.834180
  18. 2013-01-05 0.577990 1.005768 -1.883421 -0.460858
  19. 2013-01-06 -0.750353 -1.296683 -0.627696 -1.204832
  20. """
  21. df.head(6);
  22. df.index
  23. df.columns
  24. df.values
  25. df.describe()
  26. df.T
  28. help(pd.DataFrame.sort_index)
  29. df.sort_index(axis=1,ascending=False)#axis=0是按行序号排序，1位按列序号排序
  30. df.sort(columns='B')
  32. df[0:3]#单独按行或者按列，返回数据框,[0:3]是第0行到第2行，不包括第3行！
  33. df.loc[dates[0],:]#多轴选择，按字段名
  34. df.iloc[0,:]#多轴选择，按索引序号
  35. df.at[dates[0],'A']#单独选择一个值，按字段名
  36. df.iat[0,0]#单独选择一个值，按索引序号
  38. df[df.A>0]
  39. df[df>0]
  41. df2=df.copy()#深拷贝
  42. df2['E']=['one','one','two','three','four','three']
  43. df2.loc[dates[0],'E']='124'
  44. df2[df2['E'].isin(['124','three'])]
  46. s1=pd.Series([1,2,3,4,5,6],index=pd.date_range('20130102',periods=6))
  47. df['F']=s1
  48. df.loc[:,'D']=np.array([5]*len(df))
  50. df2=df2.loc[:,['A','B','C','D']]
  51. df2[df2>0]=-df2
  53. df1=df.reindex(index=dates[0:4],columns=list(df.columns)+['E'])
  54. df1.loc[dates[0]:dates[1],'E']=1
  56. df1.dropna(how='any')#去掉包含缺失值的行
  57. df1.fillna(value=5)
  58. pd.isnull(df1)
  60. df.mean(1)#代表按行平均
  62. s=pd.Series([1,3,5,np.nan,6,8],index=dates).shift(2)#向下偏倚2个单位
  63. df.apply(np.cumsum)#列累加
  64. df.apply(lambda x: x.max()-x.min())#列最大最小相减
  67. s=pd.Series(np.random.randint(0,7,size=10))#取值范围[最小值，最大值]的整型个数
  68. s.value_counts()#统计词频，和R中的table一样
  70. s=pd.Series(['A','B','C','Aaba','Baca',np.nan,'caba','dog','cat'])
  71. s.str.lower()#小写输出，原s未变
  74. pieces=[df[:2],df[2:4],df[4:]]
  75. pd.concat(pieces)#连接
  77. left=pd.DataFrame({'key':['foo','foo'],'lval':[1,2]})
  78. right=pd.DataFrame({'key':['foo','foo'],'rval':[4,5]})
  79. pd.merge(left,right,on='key')#全连接
  81. df=pd.DataFrame(np.random.randn(8,4),columns=['A','B','C','D'])
  82. s=df.iloc[3]
  83. df.append(s,ignore_index=True)#尾部添加一行
  86. df.groupby(['D','F']).sum()#SQL里的分组聚合
  88. #R语言的reshape
  89. tuples=list(zip(*[['bar','bar','baz','baz',
  90. 'foo','foo','qux','qux'],
  91. ['one','two','one','two',
  92. 'one','two','one','two']]))#返回一系列元组，每个对应组的第i个
  94. index=pd.MultiIndex.from_tuples(tuples,names=['first','second'])
  95. df2=pd.DataFrame(np.random.randn(8,2),index=index,columns=['A','B'])
  96. stacked=df2.stack()#宽变长
  97. stacked.unstack(0)#长变宽,把第0列变宽
  99. df['A1']=['one','one','one','two','two','two']
  100. df['A2']=['first','first','second','first','third','first']
  101. df['A3']=['hee','hee','sec','sec','sec','hee']
  102. pd.pivot_table(df,values='A',index=['A2','A3'],columns=['A1'])#透视表，
  104. #时间
  105. rng=pd.date_range('1/1/2012',periods=100,freq='S')#精确到秒
  106. ts=pd.Series(np.random.randint(0,500,len(rng)),index=rng)
  107. ts.resample('5Min',how='sum')#重采样
  109. rng=pd.date_range('3/6/2012',periods=5,freq='D')
  110. ts=pd.Series(np.random.randn(len(rng)),rng)
  111. ts_utc=ts.tz_localize('UTC')#时区
  112. ts_utc.tz_convert('US/Eastern')#时区转换
  114. rng=pd.date_range('3/6/2012',periods=5,freq='M')
  115. ts=pd.Series(np.random.randn(len(rng)),rng)
  116. ps=ts.to_period()#?时间跨度转换
  117. ps.to_timestamp()#?全部转换为1号的
  119. prng=pd.period_range('1990Q1','2000Q4',freq='Q-NOV')
  120. ts=pd.Series(np.random.randn(len(prng)),prng)
  121. ts.index=(prng.asfreq('M','e')+1).asfreq('H','s')+9#!!!!
  123. df=pd.DataFrame({"id":[1,2,3,4,5,6],"raw_grade":['a','b','b','a','a','e']})
  124. df["grade"]=df["raw_grade"].astype("category")#类似R里面的factor因子
  125. df.dtypes
  127. df["grade"].cat.categories=["very good","good","very bad"]#因子等级名称换了,cat是Categorical的缩写?或者是返回？
  128. df["grade"]=df["grade"].cat.set_categories(["very bad","bad","medium","good","very good"])
  129. #因子等级排序，pd.Categorical.set_categories
  131. df.groupby("grade").size()
  134. ts=pd.Series(np.random.randn(1000),index=pd.date_range('1/1/2000',periods=1000))
  135. ts=ts.cumsum()
  137. ts.plot(grid=True)#grid添加网格参数
  139. df=pd.DataFrame(np.random.randn(1000,4),index=ts.index,columns=['A','B','C','D'])
  140. df=df.cumsum()
  141. plt.figure();#？啥作用
  142. df.plot();
  143. plt.legend(loc='best')#没图？
  145. df.to_csv('test.csv')#写入df
  146. pd.read_csv('test.csv')#读文件"test.csv"
 
 

 





posted @ 2016-11-03 12:47  萱草yy  阅读(988)  评论(0)  编辑  收藏  举报