[Pandas] 10分钟Pandas之旅 02

操作

统计

此类操作默认排除缺失数据

# 求平均值print(df.mean())print("------")# 指定求平均值的轴print(df.mean(1))print("------")# 创建Series对象s，以dates为索引并平移2个位置s = pd.Series([1,3,5,np.nan,6,8], index=dates).shift(2)print(s)print("------")# 从df中逐列减去s（若有NaN则得NaN）print(df.sub(s, axis='index'))

应用

对DataFrame中的数据应用函数。

# 逐行累加print(df.apply(np.cumsum))print("------")# 每列的最大值减最小值print(df.apply(lambda x: x.max() - x.min()))

字符

Series对象的str属性具有一系列字符处理方法，可以很轻松地操作数组的每个元素。

s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca', np.nan, 'CABA', 'dog', 'cat'])print(s.str.lower())

合并

连接

Pandas在join/merge两中情境下提供了支持多种方式，基于逻辑/集合运算和代数运算来连接Series，DataFrame和Panel对象。

df = pd.DataFrame(np.random.randn(10, 4))print(df)print("------")# 拆分成块pieces = [df[:3], df[3:7], df[7:]]# 重新连接，可得初始数组print(pd.concat(pieces))

增补

df = pd.DataFrame(np.random.randn(8, 4), columns=['A','B','C','D'])print(df)print("------")# 将索引为3的行增补到整个DataFrame最后s = df.iloc[3]print(df.append(s, ignore_index=True))

组合

“组合”包含以下步骤：

• 基于一定标准将数据分组
• 对每个部分分别应用函数
• 把结果汇合到数据结构中

# 新建DataFrame对象dfdf = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'], 'B' : ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'], 'C' : np.random.randn(8), 'D' : np.random.randn(8)})print(df)print("------")# 对'A'列进行合并并应用.sum()函数print(df.groupby('A').sum())print("------")# 对'A', 'B'两列分别合并形成层级结构，再应用.sum()函数print(df.groupby(['A','B']).sum())

重塑

tuples = list(zip(*[['bar', 'bar', 'baz', 'baz', 'foo', 'foo', 'qux', 'qux'], ['one', 'two', 'one', 'two', 'one', 'two', 'one', 'two']]))# 多重索引index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=['A', 'B'])df2 = df[:4]print(df2)print("------")# .stack()方法将DataFrame的列“压缩”了一级stacked = df2.stack()print(stacked)

对于已经层次化的，具有多重索引的DataFrame或Series，stack()的逆操作是unstack()——默认将最后一级“去层次化”。

print(stacked.unstack())print("------")print(stacked.unstack(1))print("------")print(stacked.unstack(0))

数据透视表

df = pd.DataFrame({'A' : ['one', 'one', 'two', 'three'] * 3, 'B' : ['A', 'B', 'C'] * 4, 'C' : ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2, 'D' : np.random.randn(12), 'E' : np.random.randn(12)})print(df)print("------")# 生成数据透视表print(pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C']))

时间序列

Pandas提供了简单、强力且有效的工具，可以在频率转换中进行重采样（比如从秒级数据中提取5分钟一更新的数据）。这在金融工程中应用甚广，当然也不仅限于金融领域。

rng = pd.date_range('3/6/2012 00:00', periods=5, freq='D')ts = pd.Series(np.random.randn(len(rng)), rng)print(ts)print("------")# 设定国际时区标准ts_utc = ts.tz_localize('UTC')print(ts_utc)print("------")# 切换时区print(ts_utc.tz_convert('US/Eastern'))

周期和时间戳之间的转换让我们可以方便的使用一些算术运算。比如下面的例子，我们把一个以季度为单位的时间序列转换为按日期表示。

prng = pd.period_range('1990Q1', '2000Q4', freq='Q-NOV')ts = pd.Series(np.random.randn(len(prng)), prng)print(ts.head())print("------")ts.index = (prng.asfreq('M', 'e') + 1).asfreq('H', 's') + 9print(ts.head())

分类

df = pd.DataFrame({"id":[1,2,3,4,5,6], "raw_grade":['a', 'b', 'b', 'a', 'a', 'e']})# 将原始记录转换为分类类型df["grade"] = df["raw_grade"].astype("category")print(df["grade"])

将类别重命名为更有意义的字样

df["grade"].cat.categories = ["very good", "good", "very bad"]# 重排类别同时添加上缺失的类别名称df["grade"] = df["grade"].cat.set_categories(["very bad", "bad", "medium", "good", "very good"])print(df["grade"])print("------")# 排序在各分类中分别进行print(df.sort_values(by="grade"))print("------")# 对类别列分组可以显示空类print(df.groupby("grade").size())

绘图

# 生成一串随机序列ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))# 求累加和ts = ts.cumsum()# 输出图象ts.plot()

# 生成一个4列的DataFrame，每列1000行，并逐列累加df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=['A', 'B', 'C', 'D']) df = df.cumsum()df.plot(); plt.legend(loc='best')

获取数据输入/输出

CSV

# 输出至.csv文件df.to_csv('haha.csv')# 从.csv文件中读取数据pd.read_csv('haha.csv')

Excel

# 输出至.xlsx文件df.to_excel('haha.xlsx', sheet_name='Sheet1')# 从.xlsx文件中读取数据pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values=['NA'])('haha.csv')