数据分析 二 Pandas的数据结构 Series DataFrame
import pandas as pd from pandas import Series,DataFrame import numpy as np
1、Series
Series是一种类似与一维数组的对象，由下面两个部分组成：
- values：一组数据（ndarray类型）
- index：相关的数据索引标签
1）Series的创建
两种创建方式：
(1) 由列表或numpy数组创建
默认索引为0到N-1的整数型索引
#使用列表创建Series
Series(data=[1,2,3,4,5])
0 1 1 2 2 3 3 4 4 5 dtype: int64
Series(data=np.random.randint(0,100,size=(10,)))
0 5 1 1 2 34 3 1 4 20 5 62 6 39 7 5 8 1 9 1 dtype: int32
- 还可以通过设置index参数指定索引
Series(data=[1,2,3],index=['a','b','c']) #显式索引
a 1 b 2 c 3 dtype: int64
2）Series的索引和切片
可以使用中括号取单个索引（此时返回的是元素类型），或者中括号里一个列表取多个索引（此时返回的是一个Series类型）。
(1) 显式索引：
- 使用index中的元素作为索引值
- 使用s.loc[]（推荐）:注意，loc中括号中放置的一定是显示索引注意，此时是闭区间
s = Series([1,2,3,4,5],index=['a','b','c','d','e'])
s[0]
s['a']
s.a
==》 1
(2) 隐式索引：
- 使用整数作为索引值
- 使用.iloc[]（推荐）:iloc中的中括号中必须放置隐式索引注意，此时是半开区间
s[1:3] 1可以取到。3取不到 [ ..)
b 2
c 3
dtype: int64 a 1
s['a':'d'] 可以取到 [ ..] 闭合区间
a 1
b 2
c 3
d 4
dtype: int64
3）Series的基本概念
可以使用s.head(),tail()分别查看前n个和后n个值
s.head(3)
a 1 b 2 c 3 dtype: int64
对Series元素进行去重
s = Series([1,1,2,2,3,4,5,56,6,7,78,8,89])
s.unique() # 去重
array([ 1, 2, 3, 4, 5, 56, 6, 7, 78, 8, 89], dtype=int64)
当索引没有对应的值时，可能出现缺失数据显示NaN（not a number）的情况
使得两个Series进行相加
s1 = Series([1,2,3],index=['a','b','c'])
s2 = Series([1,2,3],index=['a','d','c'])
s = s1 + s2
a 2.0 b NaN c 6.0 d NaN dtype: float64
可以使用pd.isnull()，pd.notnull()，或s.isnull(),notnull()函数检测缺失数据
s.isnull()
a False b True c False d True dtype: bool
s.notnull()
a True b False c True d False dtype: bool
s[s.notnull()] #达到去空效果
a 2.0 c 6.0 dtype: float64
(3) Series之间的运算
- 在运算中自动对齐不同索引的数据
- 如果索引不对应，则补NaN
2、DataFrame == mysql的table
DataFrame是一个【表格型】的数据结构。DataFrame由按一定顺序排列的多列数据组成。设计初衷是将Series的使用场景从一维拓展到多维。DataFrame既有行索引，也有列索引。
- 行索引：index
- 列索引：columns
- 值：values
1）DataFrame的创建
最常用的方法是传递一个字典来创建。DataFrame以字典的键作为每一【列】的名称，以字典的值（一个数组）作为每一列。
此外，DataFrame会自动加上每一行的索引。
使用字典创建的DataFrame后，则columns参数将不可被使用。
同Series一样，若传入的列与字典的键不匹配，则相应的值为NaN。
- 使用ndarray创建DataFrame
A B C D
a 71 16 74 73
b 5 80 9 59
c 43 6 45 6
DataFrame属性：values、columns、index、shape
df.values 值
df.columns 列名
df.index 行名
df.shape 形状 行列数
使用ndarray创建DataFrame：创建一个表格用于展示张三，李四，王五的java，python的成绩
张三 李四
语文 150 1
数学 150 1
英语 15 3
?? 0 2
2）DataFrame的索引
(1) 对列进行索引
- 通过类似字典的方式 df['q']
- 通过属性的方式 df.q可以将DataFrame的列获取为一个Series。返回的Series拥有原DataFrame相同的索引，且name属性也已经设置好了，就是相应的列名。
df['张三']
语文 150 数学 150 英语 150 理综 150 Name: 张三, dtype: int64
#获取前两列
df[['李四','张三']]
(2) 对行进行索引
- 使用.loc[]以index来进行行索引
- 使用.iloc[]以整数来进行行索引同样返回一个Series，index为原来的columns。
df.loc['语文']
张三 150 李四 0 Name: 语文, dtype: int64
df.iloc[0]
张三 150 李四 0 Name: 语文, dtype: int64
df.iloc[[0,1]]
张三 李四
语文150 0
数学150 0
(3)对元素索引的方法
- 使用列索引
- 使用行索引(iloc[3,1] or loc['C','q']) 行索引在前，列索引在后
df['张三']['英语']
===>150
df.loc['英语','张三'] (行名在前)
150
df.loc[['数学','理综'],'张三']
数学 150 理综 150 Name: 张三, dtype: int64
切片：
【注意】 直接用中括号时：
- 索引表示的是列索引
- 切片表示的是行切片
df[0:2]
张三 李四
语文 150 1
数学 150 1
在loc和iloc中使用切片(切列) ： df.loc['B':'C','丙':'丁']
df.iloc[:,0:1]
张三
语文 150
数学 150
英语 15
?? 0
- 索引
- df[列索引]：取一列
- df[[col1,col2]]:取出两列
- df.loc[显式的行索引]：取行
- df.loc[行,列]：取元素
- 切片：
- df[index1:index3]:切行
- df.loc[col1:col3]:切列
3）DataFrame的运算
（1） DataFrame之间的运算
同Series一样：
- 在运算中自动对齐不同索引的数据
- 如果索引不对应，则补NaN
练习6：
-
假设ddd是期中考试成绩，ddd2是期末考试成绩，请自由创建ddd2，并将其与ddd相加，求期中期末平均值。
-
假设张三期中考试数学被发现作弊，要记为0分，如何实现？
-
李四因为举报张三作弊立功，期中考试所有科目加100分，如何实现？
-
后来老师发现有一道题出错了，为了安抚学生情绪，给每位学生每个科目都加10分，如何实现？
qizhong = df
qimo = df
(qizhong + qimo)/2
qizhong.loc['数学','张三'] = 0 qizhong
qizhong['李四'] += 100 qizhong
qizhong += 10
qizhong
- 使用tushare包获取某股票的历史行情数据。
- 输出该股票所有收盘比开盘上涨3%以上的日期。
- 输出该股票所有开盘比前日收盘跌幅超过2%的日期。
- 假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？
- 使用tushare包获取某股票的历史行情数据
- pip install tushare
import tushare as ts import pandas as pd # ts.set_token('baa556745a2b764769a7d8ad06f78f6ffe9a441fd7fdb0b256e03345') # pro = ts.pro_api() # df = pro.daily(ts_code='600000.SH', start_date='20180701', end_date='20190918') # print(df.head(10)) # df.to_csv('./pufa.csv') # print(type(df['trade_date'][2])) df = pd.read_csv('./pufa.csv',index_col='trade_date',parse_dates=['trade_date']) df.drop(labels='Unnamed: 0',axis=1,inplace=True)
#（收盘-开盘）/开盘 > 0.03 (df['close'] - df['open']) / df['open'] > 0.03 #True:满足需求 #false：不满足 #返回了满足需求的行数据 df.loc[(df['close'] - df['open']) / df['open'] > 0.03] #获取了满足需求的日期 df.loc[(df['close'] - df['open']) / df['open'] > 0.03].index #结论：如果获取了一组布尔值，接下来改组布尔值就直接作为元数据的行索引
(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02 #满足需求的行数据 df.loc[(df['open'] - df['close'].shift(1))/df['close'].shift(1) < -0.02].index
