Pandas基础教程

  • pandas简介

    pandas是python的一个数据分析包,最初由AQR Capital Management于2008年4月开发,并于2009年底开源出来,目前由专注于Python数据包开发的PyData开发team继续开发和维护,属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来,因此,pandas为时间序列分析提供了很好的支持。
    Pandas的名称来自于面板数据(panel data)和python数据分析(data analysis)。panel data是经济学中关于多维数据集的一个术语,在Pandas中也提供了panel的数据类型。

    官网:http://pandas.pydata.org/
    参考文档:http://pandas.pydata.org/pandas-docs/stable/

  • pandas数据结构介绍

    Series:一种类似于一维数组的对象,它是由一组数据(各种Numpy数据类型)
    以及一组与之相关的数据标签(即索引)组成。仅由一组数据即可产生简单的
    Series。

    DataFrame:一个表格型的数据结构,含有一组有序的列,每列可以是不同的值
    类型(数值、字符串、布尔值等),DataFrame既有行索引也有列索引,可以被
    看做是由Series组成的字典。

  • Series

    • Series类型的创建
    • Series切片和索引
    • Series应用NumPy数组运算
    • Series类型的操作类似Python字典类型
    • Series缺失值检测
    • Series自动对齐
    • Series及其索引的name属性
  • Series类型的创建

    • 通过一维数组创建Series
    • Python字典,键值对中的“键”是索引,index从字典中进行选择操作
    • 标量值,index表达Series类型的尺寸

    • Python列表,index与列表元素个数一致
    • 其他函数,range()函数等

    1.通过一维数组创建Series

    Series对象本质上是由两个数组构成,一个数组构成对象的键(index,索引),一个数组构成对象的值(values)

    In [1]: import numpy as np
    
    In [2]: import pandas as pd
    
    In [3]: arr=np.array([1,2,3,4])
    
    In [4]: series01=pd.Series(arr)
    
    In [5]: series01
    Out[5]:
    0    1
    1    2
    2    3
    3    4
    dtype: int32
    #Series的索引
    In [6]: series01.index
    Out[6]: RangeIndex(start=0, stop=4, step=1)
    #Series的值
    In [7]: series01.values
    Out[7]: array([1, 2, 3, 4])
    
    In [8]: series01.dtype
    Out[8]: dtype('int32')
    
    In [9]: series02=pd.Series([34.5,56.78,45.67])
    
    In [10]: series02
    Out[10]:
    0    34.50
    1    56.78
    2    45.67
    dtype: float64
    
    In [11]: series02.index=['product1','product2','product3']
    
    In [12]: series02
    Out[12]:
    product1    34.50
    product2    56.78
    product3    45.67
    dtype: float64
    
    In [13]: series03=pd.Series([98,56,88,45],index=['语文','数学','英语','体育'])
    
    In [14]: series03
    Out[14]:
    语文    98
    数学    56
    英语    88
    体育    45
    dtype: int64
    
    In [15]: series03.index
    Out[15]: Index(['语文', '数学', '英语', '体育'], dtype='object')
    
    In [16]: series03.values
    Out[16]: array([98, 56, 88, 45], dtype=int64)
    
    2.通过字典的方式创建Series
    In [20]: a_dict={'20071001':6789.98,'20071002':34556.89,'20071003':3748758.88}
    
    In [21]: series04=pd.Series(a_dict)
    
    In [22]: series04
    Out[22]:
    20071001       6789.98
    20071002      34556.89
    20071003    3748758.88
    dtype: float64
    
    In [23]: series04.index
    Out[23]: Index(['20071001', '20071002', '20071003'], dtype='object')
    
    3.标量值,index表达Series类型的尺寸
    In [16]: s=pd.Series(25,index=['a','b','c'])
    
    In [17]: s
    Out[17]:
    a    25
    b    25
    c    25
    dtype: int64
    
  • Series切片和索引

    切片:可以通过自定义索引的列表进行切片;可以通过自动索引进行切片,如果存在自定义索引,则一同被切片。

    索引分为自动索引(序号)和自定义索引(index)。

    索引:一个的时候直接传入序号或者index,多个的时候传入序号或者index的列表,也可以使用reindex()函数。

    In [3]: t=pd.Series(np.arange(10),index=list('ABCDEFGHIJ'))
    
    In [4]: t
    Out[4]:
    A    0
    B    1
    C    2
    D    3
    E    4
    F    5
    G    6
    H    7
    I    8
    J    9
    dtype: int32
    
    In [5]: t[2:8]
    Out[5]:
    C    2
    D    3
    E    4
    F    5
    G    6
    H    7
    dtype: int32
    #从2到10,步长为2
    In [6]: t[2:10:2]
    Out[6]:
    C    2
    E    4
    G    6
    I    8
    dtype: int32
    
    In [7]: t[[2,3,6]]
    Out[7]:
    C    2
    D    3
    G    6
    dtype: int32
    
    In [8]: t[t>7]
    Out[8]:
    I    8
    J    9
    dtype: int32
    
    In [9]: t['F']
    Out[9]: 5
    
    In [11]:  t[['A','F','g']] # 将来可能报错
    d:\python36\lib\site-packages\pandas\core\series.py:851: FutureWarning:
    Passing list-likes to .loc or [] with any missing label will raise
    KeyError in the future, you can use .reindex() as an alternative.
    
    See the documentation here:
    https://pandas.pydata.org/pandas-docs/stable/indexing.html#deprecate-loc-reindex-listlike
      return self.loc[key]
    Out[11]:
    A    0.0
    F    5.0
    g    NaN
    dtype: float64
    
    In [12]: t.reindex(['A','F','g'])
    Out[12]:
    A    0.0
    F    5.0
    g    NaN
    dtype: float64
    
    
  • Series应用NumPy数组运算

    NumPy中运算和操作可用于Series类型。

    In [26]: series04
    Out[26]:
    20071001       6789.98
    20071002      34556.89
    20071003    3748758.88
    
    In [27]: series04[series04>10000]
    Out[27]:
    20071002      34556.89
    20071003    3748758.88
    dtype: float64
    
    In [28]: series04/100
    Out[28]:
    20071001       67.8998
    20071002      345.5689
    20071003    37487.5888
    dtype: float64
    
    In [29]: series01
    Out[29]:
    0    1
    1    2
    2    3
    3    4
    dtype: int32
    
    In [30]: np.exp(series01)
    Out[30]:
    0     2.718282
    1     7.389056
    2    20.085537
    3    54.598150
    dtype: float64
    
  • Series类型的操作类似Python字典类型

    • 通过自定义索引访问
    • 保留字in操作
    • 使用.get()方法

    In [18]: b=pd.Series([9,8,7,6],index=list('abcd'))
    
    In [19]: b['b']
    Out[19]: 8
    
    In [20]: 'c' in b
    Out[20]: True
    
    In [23]: b.get('f',100)
    Out[23]: 100
    
    In [25]: b.get('c',100)
    Out[25]: 7
    
  • Series缺失值检测

    pandas中的isnull和notnull函数

    In [31]: score=pd.Series({'Tom':89,'John':88,'Merry':96,'Max':65})
    
    In [32]: score
    Out[32]:
    Tom      89
    John     88
    Merry    96
    Max      65
    dtype: int64
    
    In [33]: new_index=['Tom','Max','Joe','John','Merry']
    
    In [34]: scores = pd.Series(score,index=new_index)
    
    In [35]: scores
    Out[35]:
    Tom      89.0
    Max      65.0
    Joe       NaN
    John     88.0
    Merry    96.0
    dtype: float64
    

    pandas中的isnull和notnull函数可用于Series缺失值检测。
    isnull和notnull都返回一个布尔类型的Series。

    In [37]: pd.isnull(scores)
    Out[37]:
    Tom      False
    Max      False
    Joe       True
    John     False
    Merry    False
    dtype: bool
    
    In [38]: pd.notnull(scores)
    Out[38]:
    Tom       True
    Max       True
    Joe      False
    John      True
    Merry     True
    dtype: bool
    
    In [39]: scores[pd.isnull(scores)]
    Out[39]:
    Joe   NaN
    dtype: float64
    
    In [40]: scores[pd.notnull(scores)]
    Out[40]:
    Tom      89.0
    Max      65.0
    John     88.0
    Merry    96.0
    dtype: float64
    
  • Series自动对齐

    不同Series之间进行算术运算,会自动对齐不同索引的数据。

    In [41]: product_num=pd.Series([23,45,67,89],index=['p3','p1','p2','p5'])
    
    In [42]: product_num
    Out[42]:
    p3    23
    p1    45
    p2    67
    p5    89
    dtype: int64
    
    In [43]: product_price_table=pd.Series([9.98,2.34,4.56,5.67,8.78],index=['p1','p2','p3','p4','p5'])
    
    In [44]: product_price_table
    Out[44]:
    p1    9.98
    p2    2.34
    p3    4.56
    p4    5.67
    p5    8.78
    dtype: float64
    
    In [45]: product_sum=product_num*product_price_table
    
    In [46]: product_sum
    Out[46]:
    p1    449.10
    p2    156.78
    p3    104.88
    p4       NaN
    p5    781.42
    dtype: float64
    
  • Series及其索引的name属性

    Series对象本身及其索引都有一个name属性,可赋值设置。

    In [47]: product_num.name='ProductNums'
    
    In [48]: product_num.index.name='ProductType'
    
    In [49]: product_num
    Out[49]:
    ProductType
    p3    23
    p1    45
    p2    67
    p5    89
    Name: ProductNums, dtype: int64
    
  • DataFrame

    DataFrame对象既有行索引,又有列索引

    行索引,表明不同行,横向索引,叫index,0轴,axis=0

    列索引,表名不同列,纵向索引,叫columns,1轴,axis=1

    • DataFrame类型的创建
    • DataFrame的基本属性和整体情况查询
    • DataFrame索引
  • DataFrame类型的创建

    • 二维ndarray对象
    • 由一维ndarray、列表、字典、元组或Series构成的字典
    • Series类型
    • 其他的DataFrame类型

    1.二维ndarray对象
    In [26]: d=pd.DataFrame(np.arange(10).reshape(2,5))
    
    In [27]: d
    Out[27]:
       0  1  2  3  4
    0  0  1  2  3  4
    1  5  6  7  8  9
    
    2.通过列表的方式创建DataFrame
    In [50]: df01=pd.DataFrame([['Tom','Merry','John'],[76,98,100]])
    
    In [51]: df01
    Out[51]:
         0      1     2
    0  Tom  Merry  John
    1   76     98   100
    
    In [53]: df02=pd.DataFrame([['Tom',76],['Merry',98],['Merry',100]])
    
    In [54]: df02
    Out[54]:
           0    1
    0    Tom   76
    1  Merry   98
    2  Merry  100
    
    In [57]: arr=[['Tom',76],['Merry',98],['Merry',100]]
    In [58]: df03=pd.DataFrame(arr,index=['one','two','three'],columns=['name','score'])
    
    In [59]: df03
    Out[59]:
            name score
    one      Tom    76
    two    Merry    98
    three   John   100
    
    3.通过字典的方式创建DataFrame
    In [60]: data={'apart':['1001','1002','1003','1001'],'profits':[567.87,987.87,873,498.87],'year':[2001,2001,2001,2000]}
        ...:
    
    In [61]: df=pd.DataFrame(data)
    
    In [62]: df
    Out[62]:
      apart  profits  year
    0  1001   567.87  2001
    1  1002   987.87  2001
    2  1003   873.00  2001
    3  1001   498.87  2000
    
    In [63]: df.index
    Out[63]: RangeIndex(start=0, stop=4, step=1)
    
    In [64]: df.columns
    Out[64]: Index(['apart', 'profits', 'year'], dtype='object')
    
    In [65]: df.values
    Out[65]:
    array([['1001', 567.87, 2001],
           ['1002', 987.87, 2001],
           ['1003', 873.0, 2001],
           ['1001', 498.87, 2000]], dtype=object)
    
    In [66]: df1=pd.DataFrame(data,index=['one','two','three','four'])
    
    In [67]: df1
    Out[67]:
          apart  profits  year
    one    1001   567.87  2001
    two    1002   987.87  2001
    three  1003   873.00  2001
    four   1001   498.87  2000
    
    In [68]: df1.index
    Out[68]: Index(['one', 'two', 'three', 'four'], dtype='object')
    
  • DataFrame的基本属性和整体情况查询
    df的基本属性.png
In [14]: df
Out[14]:
   a   b   c   d message
0  1   2   3   4   hello
1  5   6   7   8   world
2  9  10  11  12     foo

In [15]: df.shape 
Out[15]: (3, 5)

In [17]: df.dtypes
Out[17]:
a           int64
b           int64
c           int64
d           int64
message    object
dtype: object

In [18]: df.ndim
Out[18]: 2

In [19]: df.index
Out[19]: RangeIndex(start=0, stop=3, step=1)

In [20]: df.columns
Out[20]: Index(['a', 'b', 'c', 'd', 'message'], dtype='object')

In [21]: df.values
Out[21]:
array([[1, 2, 3, 4, 'hello'],
       [5, 6, 7, 8, 'world'],
       [9, 10, 11, 12, 'foo']], dtype=object)

In [22]: df.head(2)
Out[22]:
   a  b  c  d message
0  1  2  3  4   hello
1  5  6  7  8   world

In [23]: df.tail(2)
Out[23]:
   a   b   c   d message
1  5   6   7   8   world
2  9  10  11  12     foo

In [24]: df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 5 columns):
a          3 non-null int64
b          3 non-null int64
c          3 non-null int64
d          3 non-null int64
message    3 non-null object
dtypes: int64(4), object(1)
memory usage: 200.0+ bytes

In [25]: df.describe()
Out[25]:
         a     b     c     d
count  3.0   3.0   3.0   3.0
mean   5.0   6.0   7.0   8.0
std    4.0   4.0   4.0   4.0
min    1.0   2.0   3.0   4.0
25%    3.0   4.0   5.0   6.0
50%    5.0   6.0   7.0   8.0
75%    7.0   8.0   9.0  10.0
max    9.0  10.0  11.0  12.0
  • DataFrame的索引
    • df.loc 通过标签索引行数据
    • df.iloc 通过位置获取行数据
    • 布尔索引
    1.df.loc 通过标签索引行数据
    In [34]:  t=pd.DataFrame(np.arange(12).reshape(3,4),index=['A','B','C'],columns=['W','X','Y','Z'])
    
    In [35]: t
    Out[35]:
       W  X   Y   Z
    A  0  1   2   3
    B  4  5   6   7
    C  8  9  10  11
    
    In [36]: t.loc['A','W'] 
    Out[36]: 0
    
    In [37]: type(t.loc['A','W'])
    Out[37]: numpy.int32
    
    In [38]: t.loc['A',['W','Z']]
    Out[38]:
    W    0
    Z    3
    Name: A, dtype: int32
    
    In [39]: type( t.loc['A',['W','Z']])
    Out[39]: pandas.core.series.Series
    
    In [40]: t.loc['B':] #选择连续的多行
    Out[40]:
       W  X   Y   Z
    B  4  5   6   7
    C  8  9  10  11
    
    In [41]: t.loc[:,'X':'Z'] # 注意会选到冒号后的数据
    Out[41]:
       X   Y   Z
    A  1   2   3
    B  5   6   7
    C  9  10  11
    
    In [42]: t.loc[['A','C'],['W','Z']] #选择间隔多行多列
    Out[42]:
       W   Z
    A  0   3
    C  8  11
    
    
    2.df.iloc 通过位置获取行数据
    In [44]: t
    Out[44]:
       W  X   Y   Z
    A  0  1   2   3
    B  4  5   6   7
    C  8  9  10  11
    
    In [45]: t.iloc[:1,[2,3,]]
    Out[45]:
       Y  Z
    A  2  3
    
    In [47]: t.iloc[1:3,1:3]
    Out[47]:
       X   Y
    B  5   6
    C  9  10
    

    赋值更改数据:

    In [48]: t
    Out[48]:
       W  X   Y   Z
    A  0  1   2   3
    B  4  5   6   7
    C  8  9  10  11
    
    In [49]: t.loc['A','Y']=100
    
    In [50]: t
    Out[50]:
       W  X    Y   Z
    A  0  1  100   3
    B  4  5    6   7
    C  8  9   10  11
    
    In [51]: t.iloc[1:2,0:2]=200
    
    In [52]: t
    Out[52]:
         W    X    Y   Z
    A    0    1  100   3
    B  200  200    6   7
    C    8    9   10  11
    
    3.布尔索引
    In [60]: t
    Out[60]:
         W    X    Y   Z
    A    0    1  100   3
    B  200  200    6   7
    C    8    9   10  11
    
    In [61]: t["X"] # 取某一列
    Out[61]:
    A      1
    B    200
    C      9
    Name: X, dtype: int32
    
    In [62]: t[t["X"]>10]
    Out[62]:
         W    X  Y  Z
    B  200  200  6  7
    

    假设要从数据中查找名字字符串长度大于3且分数大于98的人

    In [73]: df03
    Out[73]:
            name  score
    one      Tom     76
    two     John     98
    three  Merry    100
    
    In [75]: df03[(df03['name'].str.len()>3)&(df03['score']>98)]
    Out[75]:
            name  score
    three  Merry    100
    

    注意两个问题:

    • &表示且;|表示或
    • 字符串的方法
    字符串方法.png
  • 层次化索引

    在某个方向上拥有多个(两个及两个以上)索引级别
    通过层次化索引,pandas能够以低维度形式处理高维度数据
    通过层次化索引,可以按层级统计数据

  • Series层次化索引
    In [46]:  data=pd.Series([988.44,95859,3949.44,32445.44,234.45],index=[['2001','2001','2001','2002','2002'],['苹果','香蕉','西瓜','苹果','西瓜']])
    
    In [47]: data
    Out[47]:
    2001  苹果      988.44
          香蕉    95859.00
          西瓜     3949.44
    2002  苹果    32445.44
          西瓜      234.45
    dtype: float64
    
    In [49]:  data.index.names=['年份','水果类别']
    
    In [50]: data
    Out[50]:
    年份    水果类别
    2001  苹果        988.44
          香蕉      95859.00
          西瓜       3949.44
    2002  苹果      32445.44
          西瓜        234.45
    dtype: float64
    
  • DataFrame层次化索引
    In [58]:  df=pd.DataFrame({'production':[988.44,95859,3949.44,32445.44,234.45],'year':['2001','2001','2001','2002','2002'],'fruit':['苹果','香蕉','西瓜','苹果','西瓜'],'profits':[2334.44,44556,6677,7788,3345]})
    
    In [59]: df
    Out[59]:
       production  year fruit   profits
    0      988.44  2001    苹果   2334.44
    1    95859.00  2001    香蕉  44556.00
    2     3949.44  2001    西瓜   6677.00
    3    32445.44  2002    苹果   7788.00
    4      234.45  2002    西瓜   3345.00
    
    In [60]: df.set_index(['year','fruit'])
    Out[60]:
                production   profits
    year fruit
    2001 苹果         988.44   2334.44
         香蕉       95859.00  44556.00
         西瓜        3949.44   6677.00
    2002 苹果       32445.44   7788.00
         西瓜         234.45   3345.00
    
    In [61]: new_df=df.set_index(['year','fruit'])
    
     
    
    
  • 按层级统计数据
    In [62]: new_df
    Out[62]:
                production   profits
    year fruit
    2001 苹果         988.44   2334.44
         香蕉       95859.00  44556.00
         西瓜        3949.44   6677.00
    2002 苹果       32445.44   7788.00
         西瓜         234.45   3345.00
    
    '''
    levels:每个等级上轴标签的唯一值 
    labels:以整数来表示每个level上标签的位置 
    names:index level的名称
    '''
    
    In [63]: new_df.index
    Out[63]:
    MultiIndex(levels=[['2001', '2002'], ['苹果', '西瓜', '香蕉']],
               labels=[[0, 0, 0, 1, 1], [0, 2, 1, 0, 1]],
               names=['year', 'fruit'])
    
    In [64]: new_df.sum(level='year')
    Out[64]:
          production   profits
    year
    2001   100796.88  53567.44
    2002    32679.89  11133.00
    
    In [65]: new_df.sum(level='fruit')
    Out[65]:
           production   profits
    fruit
    苹果       33433.88  10122.44
    香蕉       95859.00  44556.00
    西瓜        4183.89  10022.00
    
  • 数据的合并

    join:默认情况下是把行索引相同的数据合并到一起。

    merge:按照指定的列把数据按照一定的方式合并到一起。

    In [67]: t1=pd.DataFrame(np.full((3,4),1),index=list('ABC'))
    
    In [69]: t2=pd.DataFrame(np.full((2,5),0),index=list('AB'),columns=list('VWXYZ'))
    
    In [70]: t1
    Out[70]:
       0  1  2  3
    A  1  1  1  1
    B  1  1  1  1
    C  1  1  1  1
    
    In [71]: t2
    Out[71]:
       V  W  X  Y  Z
    A  0  0  0  0  0
    B  0  0  0  0  0
    
    In [72]: t1.join(t2)
    Out[72]:
       0  1  2  3    V    W    X    Y    Z
    A  1  1  1  1  0.0  0.0  0.0  0.0  0.0
    B  1  1  1  1  0.0  0.0  0.0  0.0  0.0
    C  1  1  1  1  NaN  NaN  NaN  NaN  NaN
    
    In [90]: df1 = pd.DataFrame({'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],'group': ['Accounting', 'Engineering', 'Engineering','Hr']})
    
    In [91]: df2 = pd.DataFrame({'employee': ['Lisa', 'Bob', 'Jake', 'Sue'],
        ...:                     'hire_date': [2004, 2008, 2012, 2014]})
    
    In [92]: df1
    Out[92]:
      employee        group
    0      Bob   Accounting
    1     Jake  Engineering
    2     Lisa  Engineering
    3      Sue           Hr
    
    In [93]: df2
    Out[93]:
      employee  hire_date
    0     Lisa       2004
    1      Bob       2008
    2     Jake       2012
    3      Sue       2014
    #一对一连接
    In [94]: df3=pd.merge(df1,df2)
    
    In [95]: df3
    Out[95]:
      employee        group  hire_date
    0      Bob   Accounting       2008
    1     Jake  Engineering       2012
    2     Lisa  Engineering       2004
    3      Sue           Hr       2014
    #多对一连接:指在需要连接的两个列中,有一列的值有重复。
    In [98]: df4 = pd.DataFrame({'group': ['Accounting', 'Engineering', 'Hr'],'supervisor': ['Carly', 'Guido', 'Steve']})
    
    In [99]: df4
    Out[99]:
             group supervisor
    0   Accounting      Carly
    1  Engineering      Guido
    2           Hr      Steve
    
    In [100]: pd.merge(df3,df4)
    Out[100]:
      employee        group  hire_date supervisor
    0      Bob   Accounting       2008      Carly
    1     Jake  Engineering       2012      Guido
    2     Lisa  Engineering       2004      Guido
    3      Sue           Hr       2014      Steve
    #多对多连接
    In [104]: df5 = pd.DataFrame({'group': ['Accounting', 'Accounting', 'Engineering', 'Engineering', 'Hr']  , 'skills': ['math', 'spreadsheets', 'coding', 'spreadsheets', 'organization']})
    
    In [105]: df5
    Out[105]:
             group        skills
    0   Accounting          math
    1   Accounting  spreadsheets
    2  Engineering        coding
    3  Engineering  spreadsheets
    4           Hr  organization
    
    In [106]: df1
    Out[106]:
      employee        group
    0      Bob   Accounting
    1     Jake  Engineering
    2     Lisa  Engineering
    3      Sue           Hr
    
    In [107]: pd.merge(df1,df5)
    Out[107]:
      employee        group        skills
    0      Bob   Accounting          math
    1      Bob   Accounting  spreadsheets
    2     Jake  Engineering        coding
    3     Jake  Engineering  spreadsheets
    4     Lisa  Engineering        coding
    5     Lisa  Engineering  spreadsheets
    6      Sue           Hr  organization
    
    
  • 分割和组合

    一个经典分割 - 应用 - 组合操作示例如图 所示,其中“apply”的是一个求和函数。

    1. 分割步骤将 DataFrame 按照指定的键分割成若干组。
    2. 应用步骤对每个组应用函数,通常是累计、转换或过滤函数。
    3. 组合步骤将每一组的结果合并成一个输出数组。
    分组聚合.png
In [109]: df = pd.DataFrame({'key': ['A', 'B', 'C', 'A', 'B', 'C'],'data': range(6)}, columns=['key', 'data'])

In [110]: df
Out[110]:
  key  data
0   A     0
1   B     1
2   C     2
3   A     3
4   B     4
5   C     5

In [114]: df.groupby('key')
Out[114]: <pandas.core.groupby.groupby.DataFrameGroupBy object at 0x00000262F8AE8240>

In [115]: df.groupby('key').sum()
Out[115]:
     data
key
A       3
B       5
C       7

DataFrameGroupBy对象常用的函数:

函数名 说明
.count() 统计非nan值的数量
.sum() 非nan值的和
.mean() 非nan值的平均数
.median() 非nan值的中位数
.std()、.var() 无偏(n-1)标准差和方差
.min() .max() 非nan值的最小值和最大值
  • pandas之读写数据

    读取数据的函数

    函数名 说明
    read_csv() 从文件、url、文件型对象中加载带分隔符的数据,默认为' , '。
    read_table() 从文件、url、文件型对象中加载带分隔符的数据,默认为'\t'。
    read_excel() 从 Excel 文件读入数据
    read_hdf() 使用 HDF5 文件读写数据
    read_sql() 从 SQL 数据库的査询结果载入数据
    read_pickle() 读入 Pickle 序列化之后的数据

    其中read_csv和read_table是常用的,下面就介绍一下read_csv或read_table如何读取数据。

    1.read_csv()或read_table()从文本文件读入数据
    In [4]: df=pd.read_csv(r'C:\Users\Administrator\Desktop\测量计算\examples\ex1.csv')
    ---------------------------------------------------------------------------
    OSError                                   Traceback (most recent call last)
    '''(报错细节不展示)'''
    pandas\_libs\parsers.pyx in pandas._libs.parsers.TextReader._setup_parser_source()
    
    OSError: Initializing from file failed
    

    pandas.read_csv() 报错 OSError: Initializing from file failed,一般由两种情况引起:一种是函数参数为路径而非文件名称,另一种是函数参数带有中文。

    对于第一种情况很简单,原因就是没有把文件名称放到路径的后面,把文件名称添加到路径后面就可以了。。
    第二种情况,即使路径、文件名都完整,还是报错的原因是这个参数中有中文,发现调用pandas的read_csv()方法时,默认使用 C engine作为parser engine,而当文件名中含有中文的时候,用C engine在部分情况下就会出错。所以在调用read_csv()方法时指定engine为Python就可以解决问题了。

    In [5]: df=pd.read_csv(r'C:\Users\Administrator\Desktop\测量计算\examples\ex1.csv',engine='python')
    
    In [6]: df
    Out[6]:
       a   b   c   d message
    0  1   2   3   4   hello
    1  5   6   7   8   world
    2  9  10  11  12     foo
    
    In [13]:  df=pd.read_table(r'C:\Users\Administrator\Desktop\测量计算\examples\ex1.csv',sep=',',engine='python')
    
    In [14]: df
    Out[14]:
       a   b   c   d message
    0  1   2   3   4   hello
    1  5   6   7   8   world
    2  9  10  11  12     foo
    
    
    2.to_csv()写入数据
    In [124]: df
    Out[124]:
       a   b   c   d message
    0  1   2   3   4   hello
    1  5   6   7   8   world
    2  9  10  11  12     foo
    
    In [125]: df.to_csv(r'C:\Users\Administrator\Desktop\测量计算\examples\ex001.csv')
    
  • 缺失数据的处理

    数据缺失.png

数据缺失通常有两种情况:

一种就是空,None等,在pandas是NaN(和np.nan一样)。

另一种是我们让其为0,蓝色框中。

方法 说明
.dropna() 根据标签的值中是否存在缺失数据对轴标签进行过滤(删除),可通过阈值调节对缺失值的容忍度
.fillna() 用指定值或插值方法填充缺失数据
.isnull() 返回一个含有布尔值的对象,这些布尔值表示哪些值是缺失值NA
.notnull() isnull的否定式

在pandas中数据缺失处理方法

判断数据是否为NaN:pd.isnull(df),pd.notnull(df)

处理方式1:删除NaN所在的行列dropna (axis=0, how='any', inplace=False)

处理方式2:填充数据,t.fillna(t.mean()),t.fiallna(t.median()),t.fillna(0)

处理为0的数据:t[t==0]=np.nan

注意:当然并不是每次为0的数据都需要处理;计算平均值等情况,nan是不参与计算的,但是0会。

In [6]: df=pd.DataFrame([['Tom',np.nan,456.67,'M'],['Merty',34,4567.34,np.nan],['John',23,np.nan,'M'],['Joe',18,342.45,
   ...: 'F']],columns=['name','age','salary','gender'])

In [7]: df
Out[7]:
    name   age   salary gender
0    Tom   NaN   456.67      M
1  Merty  34.0  4567.34    NaN
2   John  23.0      NaN      M
3    Joe  18.0   342.45      F

In [8]: df.isnull()
Out[8]:
    name    age  salary  gender
0  False   True   False   False
1  False  False   False    True
2  False  False    True   False
3  False  False   False   False

In [9]: df.notnull()
Out[9]:
   name    age  salary  gender
0  True  False    True    True
1  True   True    True   False
2  True   True   False    True
3  True   True    True    True

In [12]: series=pd.Series([1,2,3,4,np.NaN,5])

In [13]: series.dropna()
Out[13]:
0    1.0
1    2.0
2    3.0
3    4.0
5    5.0
dtype: float64
    
In [19]: data
Out[19]:
     0    1    2
0  0.0  1.0  2.0
1  NaN  NaN  NaN
2  NaN  7.0  8.0

In [20]: data.dropna() #默认丢失只要含有缺失值的行
Out[20]:
     0    1    2
0  0.0  1.0  2.0

In [21]: data.dropna(how='all') #丢失全部为缺失值的行
Out[21]:
     0    1    2
0  0.0  1.0  2.0
2  NaN  7.0  8.0

In [23]: data
Out[23]:
     0    1    2   4
0  0.0  1.0  2.0 NaN
1  NaN  NaN  NaN NaN
2  NaN  7.0  8.0 NaN

In [24]: data.dropna(axis=1,how='all') #丢失全部为缺失值的列
Out[24]:
     0    1    2
0  0.0  1.0  2.0
1  NaN  NaN  NaN
2  NaN  7.0  8.0

In [25]: df=pd.DataFrame(np.random.randn(7,3))

In [26]: df.iloc[:4,1]=np.nan

In [27]: df.iloc[:2,2]=np.nan

In [28]: df
Out[28]:
          0         1         2
0 -0.299147       NaN       NaN
1  0.075411       NaN       NaN
2 -0.406294       NaN -1.472581
3 -1.224392       NaN  1.167611
4 -0.730027 -0.459401  0.275466
5  0.919381  0.107443 -2.359248
6 -1.193738 -0.336124  0.992585

In [29]: df.fillna(df.mean()) #取df的平均值填充
Out[29]:
          0         1         2
0 -0.299147 -0.229361 -0.279233
1  0.075411 -0.229361 -0.279233
2 -0.406294 -0.229361 -1.472581
3 -1.224392 -0.229361  1.167611
4 -0.730027 -0.459401  0.275466
5  0.919381  0.107443 -2.359248
6 -1.193738 -0.336124  0.992585

In [30]: df
Out[30]:
          0         1         2
0 -0.299147       NaN       NaN
1  0.075411       NaN       NaN
2 -0.406294       NaN -1.472581
3 -1.224392       NaN  1.167611
4 -0.730027 -0.459401  0.275466
5  0.919381  0.107443 -2.359248
6 -1.193738 -0.336124  0.992585

In [31]: df[1].fillna(df[1].median()) #取1一列的中位数填充该列
Out[31]:
0   -0.336124
1   -0.336124
2   -0.336124
3   -0.336124
4   -0.459401
5    0.107443
6   -0.336124
Name: 1, dtype: float64
  • 数据特征分析

    • 排序
    • 基本统计函数
    • 累计统计函数
    • 相关性分析
    1.排序

    索引排序

    .sort_index()方法在指定轴上根据索引进行排序,默认升序
    .sort_index(axis=0, ascending=True)

    In [27]: b=pd.DataFrame(np.arange(20).reshape(4,5),index=list('cadb'))
    
    In [28]: b
    Out[28]:
        0   1   2   3   4
    c   0   1   2   3   4
    a   5   6   7   8   9
    d  10  11  12  13  14
    b  15  16  17  18  19
    
    In [29]: b.sort_index()
    Out[29]:
        0   1   2   3   4
    a   5   6   7   8   9
    b  15  16  17  18  19
    c   0   1   2   3   4
    d  10  11  12  13  14
    
    In [30]: b.sort_index(ascending=False)
    Out[30]:
        0   1   2   3   4
    d  10  11  12  13  14
    c   0   1   2   3   4
    b  15  16  17  18  19
    a   5   6   7   8   9
    
    In [31]: b
    Out[31]:
        0   1   2   3   4
    c   0   1   2   3   4
    a   5   6   7   8   9
    d  10  11  12  13  14
    b  15  16  17  18  19
    
    In [33]: c=b.sort_index(axis=1,ascending=False)
    
    In [34]: c
    Out[34]:
        4   3   2   1   0
    c   4   3   2   1   0
    a   9   8   7   6   5
    d  14  13  12  11  10
    b  19  18  17  16  15
    
    In [35]: c=c.sort_index()
    
    In [36]: c
    Out[36]:
        4   3   2   1   0
    a   9   8   7   6   5
    b  19  18  17  16  15
    c   4   3   2   1   0
    d  14  13  12  11  10
    

    键值排序

    .sort_values()方法在指定轴上根据数值进行排序,默认升序
    Series.sort_values(axis=0, ascending=True)
    DataFrame.sort_values(by, axis=0, ascending=True)
    by : axis轴上的某个索引或索引列表

    In [37]: b
    Out[37]:
        0   1   2   3   4
    c   0   1   2   3   4
    a   5   6   7   8   9
    d  10  11  12  13  14
    b  15  16  17  18  19
    
    In [38]: c=b.sort_values(2,ascending=False) # 按照索引2的一列中的值进行降序
    
    In [39]: c
    Out[39]:
        0   1   2   3   4
    b  15  16  17  18  19
    d  10  11  12  13  14
    a   5   6   7   8   9
    c   0   1   2   3   4
    
    In [40]: c=c.sort_values('a',axis=1,ascending=False) # 按照索引a的一行中的值进行降序
    
    In [41]: c
    Out[41]:
        4   3   2   1   0
    b  19  18  17  16  15
    d  14  13  12  11  10
    a   9   8   7   6   5
    c   4   3   2   1   0
    

    注意:若按照键值排序中出现NaN,无论升序或者降序排列,统一放到排序末尾。

    2.基本统计函数

    适用于Series和DataFrame类型

    方法 说明
    .sum() 计算数据的总和,按0轴计算,下同
    .count() 非NaN值的数量
    .mean() .median() 计算数据的算术平均值、算术中位数
    .var() .std() 计算数据的方差、标准差
    .min() .max() 计算数据的最小值、最大值
    .prod()
    .describe() 针对0轴(各列)的统计汇总

    适用于Series类型

    方法 说明
    .argmin() .argmax() 计算数据最大值、最小值所在位置的索引位置(自动索引)
    .idxmin() .idxmax() 计算数据最大值、最小值所在位置的索引(自定义索引)
    In [42]: a=pd.Series([9,8,7,6],index=list('abcd'))
    
    In [43]: a
    Out[43]:
    a    9
    b    8
    c    7
    d    6
    dtype: int64
    
    In [44]: a.describe()
    Out[44]:
    count    4.000000
    mean     7.500000
    std      1.290994
    min      6.000000
    25%      6.750000
    50%      7.500000
    75%      8.250000
    max      9.000000
    dtype: float64
    
    In [48]: a.describe()['std']
    Out[48]: 1.2909944487358056
    
    In [49]: a.describe()['min']
    Out[49]: 6.0
    
    In [50]: b
    Out[50]:
        0   1   2   3   4
    c   0   1   2   3   4
    a   5   6   7   8   9
    d  10  11  12  13  14
    b  15  16  17  18  19
    
    In [51]: b.describe()
    Out[51]:
                   0          1          2          3          4
    count   4.000000   4.000000   4.000000   4.000000   4.000000
    mean    7.500000   8.500000   9.500000  10.500000  11.500000
    std     6.454972   6.454972   6.454972   6.454972   6.454972
    min     0.000000   1.000000   2.000000   3.000000   4.000000
    25%     3.750000   4.750000   5.750000   6.750000   7.750000
    50%     7.500000   8.500000   9.500000  10.500000  11.500000
    75%    11.250000  12.250000  13.250000  14.250000  15.250000
    max    15.000000  16.000000  17.000000  18.000000  19.000000
    
    In [52]: type(b.describe())
    Out[52]: pandas.core.frame.DataFrame
    
    In [53]: b.describe().ix['max']
    D:\Python36\Scripts\ipython:1: DeprecationWarning:
    .ix is deprecated. Please use
    .loc for label based indexing or
    .iloc for positional indexing
    
    See the documentation here:
    http://pandas.pydata.org/pandas-docs/stable/indexing.html#ix-indexer-is-deprecated
    Out[53]:
    0    15.0
    1    16.0
    2    17.0
    3    18.0
    4    19.0
    Name: max, dtype: float64
    
    In [54]: b.describe().loc['max'] #取index中的max行
    Out[54]:
    0    15.0
    1    16.0
    2    17.0
    3    18.0
    4    19.0
    Name: max, dtype: float64
    
    In [55]: b.describe()[2] #取统计汇总中的2列
    Out[55]:
    count     4.000000
    mean      9.500000
    std       6.454972
    min       2.000000
    25%       5.750000
    50%       9.500000
    75%      13.250000
    max      17.000000
    Name: 2, dtype: float64
    
    3.累计统计函数

    适用于Series和DataFrame类型,累计计算

    方法 说明
    .cumsum() 依次给出前1、2、…、n个数的和
    .cumprod() 依次给出前1、2、…、n个数的积
    .cummax() 依次给出前1、2、…、n个数的最大值
    .cummin() 依次给出前1、2、…、n个数的最小值
    In [56]: b
    Out[56]:
        0   1   2   3   4
    c   0   1   2   3   4
    a   5   6   7   8   9
    d  10  11  12  13  14
    b  15  16  17  18  19
    
    In [57]: b.cumsum()
    Out[57]:
        0   1   2   3   4
    c   0   1   2   3   4
    a   5   7   9  11  13
    d  15  18  21  24  27
    b  30  34  38  42  46
    
    In [58]: b.cumprod()
    Out[58]:
       0     1     2     3     4
    c  0     1     2     3     4
    a  0     6    14    24    36
    d  0    66   168   312   504
    b  0  1056  2856  5616  9576
    
    In [60]: b.cummin()
    Out[60]:
       0  1  2  3  4
    c  0  1  2  3  4
    a  0  1  2  3  4
    d  0  1  2  3  4
    b  0  1  2  3  4
    
    In [61]: b.cummax()
    Out[61]:
        0   1   2   3   4
    c   0   1   2   3   4
    a   5   6   7   8   9
    d  10  11  12  13  14
    b  15  16  17  18  19
    

    适用于Series和DataFrame类型,滚动计算(窗口计算)

    方法 说明
    .rolling(w).sum() 依次计算相邻w个元素的和
    .rolling(w).mean() 依次计算相邻w个元素的算术平均值
    .rolling(w).var() 依次计算相邻w个元素的方差
    .rolling(w).std() 依次计算相邻w个元素的标准差
    .rolling(w).min() .max() 依次计算相邻w个元素的最小值和最大值
    In [62]: b
    Out[62]:
        0   1   2   3   4
    c   0   1   2   3   4
    a   5   6   7   8   9
    d  10  11  12  13  14
    b  15  16  17  18  19
    
    In [63]: b.rolling(2).sum()
    Out[63]:
          0     1     2     3     4
    c   NaN   NaN   NaN   NaN   NaN
    a   5.0   7.0   9.0  11.0  13.0
    d  15.0  17.0  19.0  21.0  23.0
    b  25.0  27.0  29.0  31.0  33.0
    
    In [64]: b.rolling(3).sum()
    Out[64]:
          0     1     2     3     4
    c   NaN   NaN   NaN   NaN   NaN
    a   NaN   NaN   NaN   NaN   NaN
    d  15.0  18.0  21.0  24.0  27.0
    b  30.0  33.0  36.0  39.0  42.0
    
    4.相关性分析

    两个事物,表示为X和Y,如何判断它们之间的存在相关性

    X增大,Y增大,两个变量正相关;X增大,Y减小,两个变量负相关;X增大,Y无视,两个变量不相关。

    协方差
    \operatorname{cov}(X, Y)=\frac{\sum_{i=1}^{n}\left(X_{i}-\overline{X}\right)\left(Y_{i}-\overline{Y}\right)}{n-1}
    协方差>0, X和Y正相关;协方差<0, X和Y负相关;协方差=0, X和Y独立无关

    Pearson相关系数:

r=\frac{\sum_{i=1}^{n}\left(x_{i}-\overline{x}\right)\left(y_{i}-\overline{y}\right)}{\sqrt{\sum_{i=1}^{n}\left(x_{i}-\overline{x}\right)^{2}} \sqrt{\sum_{i=1}^{n}\left(y_{i}-\overline{y}\right)^{2}}}

​ r取值范围[‐1,1]

​ 0.8‐1.0 极强相关;0.6‐0.8 强相关; 0.4‐0.6 中等程度相关; 0.2‐0.4 弱相关; 0.0‐0.2 极弱相关或无相关。

相关分析函数适用于Series和DataFrame类型

方法 说明
.cov() 计算协方差矩阵
.corr() 计算相关系数矩阵, Pearson、Spearman、Kendall等系数
  In [65]: hprice=pd.Series([3.04,22.93,11.22,22.55,12.33],index=['2010','2011','2012','2013','2014'])
  
  In [66]: m2=pd.Series([8.18,6.93,9.12,7.55,6.63],index=['2010','2011','2012','2013','2014'])
  
  In [67]: hprice.cov(m2)
  Out[67]: -3.88571
  
  In [68]: hprice.corr(m2)
  Out[68]: -0.46194948337869285

参考资料:

网址:

https://blog.csdn.net/qq_35318838/article/details/80564938

书籍:

《python数据科学手册》

《利用python进行数据分析》

《python科学计算》

视频:

《黑马程序员之数据分析》

《python数据分析与展示》

禁止转载,如需转载请通过简信或评论联系作者。