利用Python进行数据分析：【Pandas】（Series+DataFrame）
一、pandas简单介绍
1、pandas是一个强大的Python数据分析的工具包。
2、pandas是基于NumPy构建的。
3、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
4、安装方法：pip install pandas
5、引用方法：import pandas as pd
二、Series
Series是一种类似于一位数组的对象，由一组数据和一组与之相关的数据标签（索引）组成。
创建方式：
--pd.Series([4,7,-5,3])
--pd.Series([4,7,-5,3],index=[\'a\',\'b\',\'c\',\'d\'])
--pd.Series({\'a\':1, \'b\':2})
--pd.Series(0, index=[\'a\',\'b\',\'c\',\'d’])
三、Series特性
Series支持数组的特性：
--从ndarray创建Series：Series(arr)
--与标量运算：sr*2
--两个Series运算：sr1+sr2
--索引：sr[0], sr[[1,2,4]]
--切片：sr[0:2]（切片依然是视图形式）
--通用函数：np.abs(sr)
--布尔值过滤：sr[sr>0]
统计函数：
--mean() #求平均数
--sum() #求和
--cumsum() #累加
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
In [12]: s = pd.Series(0,index=[\'a\',\'b\',\'c\',\'d\'])In [13]: s.a
Out[13]: 0
In [14]: v = pd.Series({\'a\':1,\'b\':2})
In [15]: v.a
Out[15]: 1
In [16]: v.b
Out[16]: 2
In [17]: v[0]
Out[17]: 1
In [18]: s*2
Out[18]:
a 0
b 0
c 0
d 0
dtype: int64
In [19]: v*2
Out[19]:
a 2
b 4
dtype: int64
四、整数索引
整数索引的pandas对象往往会使新手抓狂。
例：
sr = np.Series(np.arange(4.))
sr[-1]
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
五、pandas：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。
例：
sr1 = pd.Series([12,23,34], index=[\'c\',\'a\',\'d\'])
sr2 = pd.Series([11,20,10], index=[\'d\',\'c\',\'a\',])
sr1+sr2
sr3 = pd.Series([11,20,10,14], index=[\'d\',\'c\',\'a\',\'b\'])
sr1+sr3
如何在两个Series对象相加时将缺失值设为0？
sr1.add(sr2, fill_value=0)
灵活的算术方法：add, sub, div, mul
六、pandas：Series缺失数据
1、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。
2、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
3、过滤缺失数据：sr.dropna() 或 sr[data.notnull()]
4、填充缺失数据：fillna(0)
七、pandas：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\'])})
--……
csv文件读取与写入：
--df.read_csv(\'E:\算法\day110 Numpy、Pandas模块\601318.csv\')
--df.to_csv()
八、pandas：DataFrame查看数据
查看数据常用属性及方法：index 获取索引
T 转置
columns 获取列索引
values 获取值数组
describe() 获取快速统计
DataFrame各列name属性：列名
rename(columns={})
九、pandas：DataFrame索引和切片
1、DataFrame有行索引和列索引。
2、DataFrame同样可以通过标签和位置两种方法进行索引和切片。
3、DataFrame使用索引切片：
方法1：两个中括号，先取列再取行。 df[\'A\'][0]
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
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）
通过标签获取：df[\'A\']
df[[\'A\', \'B\']]
df[\'A\'][0]
df[0:10][[\'A\', \'C\']]
df.loc[:,[\'A\',\'B\']] #行是所有的行，列取是A和B的
df.loc[:,\'A\':\'C\']
df.loc[0,\'A\']
df.loc[0:10,[\'A\',\'C\']]
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])]
df[df<0] = 0
十、pandas：DataFrame数据对齐与缺失数据
DataFrame对象在运算时，同样会进行数据对齐，行索引与列索引分别对齐。
结果的行索引与列索引分别为两个操作数的行索引与列索引的并集。
DataFrame处理缺失数据的相关方法：
--dropna(axis=0,where=‘any’,…) 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
十一、pandas：其他常用方法
- mean #求平均值- sum #求和
- sort_index #按行或列索引排序
- sort_values #按值排序
- apply(func,axis=0) #axis=0指的是逐行，axis=1指的是逐列。
df.apply(lamada x:x.mean()) #按列求平均
df.apply(lamada x:x[\'high\']+x["low"])/2,axis=1) #按列求平均（最高价和最低价的平均）
df.apply(lamada x:x[\'high\']+x["low"])/2,axis=1) #按列求平均（最高价和最低价的平均）
- 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
十二、pandas：时间对象处理
时间序列类型：时间戳：特定时刻
固定时期：如2017年7月
时间间隔：起始时间-结束时间
Python标准库：datetime
datetime.datetime.timedelta # 表示 时间间隔
dt.strftime() #f：format吧时间对象格式化成字符串
strptime() #吧字符串解析成时间对象p：parse
灵活处理时间对象：dateutil包
dateutil.parser.parse(\'2018/1/29\')
成组处理时间对象：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),…
十三、pandas：时间序列
1、时间序列就是以时间对象为索引的Series或DataFrame。
2、datetime对象作为索引时是存储在DatetimeIndex对象中的。
3、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
--丰富的函数支持：resample(), strftime(), ……
--批量转换为datetime对象：to_pydatetime()
十四、pandas：从文件读取
1、时间序列就是以时间对象作为索引--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
2、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
df = pd.read_csv("601318.csv") #默认以,为分隔符
- pd.read_csv("601318.csv",sep=\'\s+\') #匹配空格，支持正则表达式
- pd.read_table("601318.csv",sep=\',\') #和df = pd.read_csv("601318.csv") 一样
- pd.read_excle("601318.xlsx") #读Excel文件
sep：指定分隔符
header = NOne,就会吧默认的表名去除 了
df.rename(column={0:\'a\',1:"b"}) #修改列名
pd.read_csv(index_col=0) #第0列
如果想让时间成为索引
pd.read_csv(index_col=\'date\') #时间列
pd.read_csv(index_col=\'date\',parse_datas=True) #时间列
parse_datas转换为时间对象，设为true是吧所有能转的都转
pd.read_csv(index_col=\'date\',parse_datas=[\'date\']) #知识吧date的那一列转换成时间对象
na_values=[\'None\'] #吧表里面为None的转换成NaN，是吧字符串转换成缺失值
na_rep() #是吧缺失值nan转换成字符串
cols #指定输出的列，传入列表
十五、pandas：写入到文件
1、写入到文件：
--to_csv
2、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
--cols 指定输出的列，传入列表
3、其他文件类型：json, XML, HTML, 数据库
4、pandas转换为二进制文件格式（pickle）:
--save
--load
十六、pandas:数据分组与聚合
【分组】df = pd.DateFrame({
\'data1\':np.random.uniform(10,20,5),
\'data2\':np.random.uniform(-10,10,5),
\'key1\':list("sbbsb")
\'key2\':
})
df.groupby(\'key1\').mean() #做平均
df.groupby(\'key1\').sum() #做平均
df.groupby([\'key1\',\'key2\']).mean() #做平均 支持分层索引，按多列分组
df.groupby(len).mean() #传一个函数的时候，x是每一个行的索引
df.groupby(lambda x:len(x)).mean() #传一个函数的时候，x是每一个行的索引
df.groupby.groups() #取得多有的组
df.groupby.get_group() #取得一个组
【聚合】
df.groupby(\'key1\').max()[[\'data1\',\'data2\']] #去掉key2的data1，data2，花式索引
df.groupby(\'key1\').max()[[\'data1\',\'data2\']]- df.groupby(\'key1\').min()[[\'data1\',\'data2\']] #去掉key2
df.groupby(\'key1\').agg(lamada x:x.max()-x.min())
既想看最大也可看最小
df.groupby(\'key1\').agg([np.max,np.min])
不同的列不一样的聚合
df.groupby(\'key1\').agg({\'data1\':\'min\',\'data2\':\'max\'}) #键是列名，值是
a=_219 #219行的代码
a.resample(\'3D\'),mean() #3D 3天，3M就是三周
【数据合并】
- 数据拼接
df = df.copy()
pd.concat([df,df2,df3],ignore_index=True) #不用之前的索引，
pd.concat([df,df2,df3],axis=1) #列
pd.concat([df,df2,df3],keys=[\'a\',\'b\',\'c\']) #不用之前的索引，
df2.appeng(df3)
- 数据连接
如果不指定on，默认是行索引进行join
pd.merge(df,df3,on=\'key1\')
pd.merge(df,df3,on=\'[\'key1\',\'key2\'])
以上是 利用Python进行数据分析：【Pandas】（Series+DataFrame） 的全部内容， 来源链接： utcz.com/z/388936.html
