Python数据分析之pandas ,part1

pandas 由以下元素组成

• 一组标记的数组数据结构，其中主要是Series和DataFrame
• 索引对象支持简单轴索引和多级/分层轴索引
• 一个由引擎集成的集合和转换数据集
• 生成日期范围（date_range）和自定义日期偏移量，以实现自定义频率
• 输入/输出工具：从平面文件（CSV，分隔，Excel 2003）中加载表格数据，以及从快速高效的PyTables / HDF5格式保存和加载熊猫物件。
• 内存有效的“稀疏”版本的标准数据结构，用于存储大部分缺失或大部分为常量的数据（某些固定值）
• 移动窗口统计（滚动平均值，滚动标准偏差等）

另外，我们希望考虑到时间序列和横截面数据集的典型方向的通用API函数的合理默认行为。当使用ndarrays存储二维和三维数据时，用户在编写函数时要考虑数据集的方向，轴被认为或多或少是等价的（除非C或Fortran连续性对于性能而言很重要）。在熊猫中，这些轴旨在为数据提供更多的语义含义; 即对于一个特定的数据集，可能有一个“正确”的方式来定位数据。那么目标就是减少编码下游函数中的数据转换所需的精力。

例如，对于表格数据（DataFrame），在考虑索引（行）和列而不是轴0和轴1时，它在语义上更有用。然后遍历DataFrame的列.。

  对象的创建：

  传入一系列的值来创建一个series:

In [4]: s = pd.Series([1,3,5,np.nan,6,8])In [5]: sOut[5]: 0    1.01    3.02    5.03    NaN4    6.05    8.0dtype: float64

传入一个numpy数组来创建一个Dataframe

In [6]: dates = pd.date_range('20130101', periods=6)In [7]: datesOut[7]: DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',               '2013-01-05', '2013-01-06'],              dtype='datetime64[ns]', freq='D')In [8]: df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))In [9]: dfOut[9]:                    A         B         C         D2013-01-01  0.469112 -0.282863 -1.509059 -1.1356322013-01-02  1.212112 -0.173215  0.119209 -1.0442362013-01-03 -0.861849 -2.104569 -0.494929  1.0718042013-01-04  0.721555 -0.706771 -1.039575  0.2718602013-01-05 -0.424972  0.567020  0.276232 -1.0874012013-01-06 -0.673690  0.113648 -1.478427  0.524988

DataFrame通过传递一个可以转换为一系列对象的字典来创建

In [10]: df2 = pd.DataFrame({ 'A' : 1.,   ....:                      'B' : pd.Timestamp('20130102'),   ....:                      'C' : pd.Series(1,index=list(range(4)),dtype='float32'),   ....:                      'D' : np.array([3] * 4,dtype='int32'),   ....:                      'E' : pd.Categorical(["test","train","test","train"]),   ....:                      'F' : 'foo' })   ....: In [11]: df2Out[11]:      A          B    C  D      E    F0  1.0 2013-01-02  1.0  3   test  foo1  1.0 2013-01-02  1.0  3  train  foo2  1.0 2013-01-02  1.0  3   test  foo3  1.0 2013-01-02  1.0  3  train  foo

查看框架的顶部和底部的行

In [14]: df.head()Out[14]:                    A         B         C         D2013-01-01  0.469112 -0.282863 -1.509059 -1.1356322013-01-02  1.212112 -0.173215  0.119209 -1.0442362013-01-03 -0.861849 -2.104569 -0.494929  1.0718042013-01-04  0.721555 -0.706771 -1.039575  0.2718602013-01-05 -0.424972  0.567020  0.276232 -1.087401In [15]: df.tail(3)Out[15]:                    A         B         C         D2013-01-04  0.721555 -0.706771 -1.039575  0.2718602013-01-05 -0.424972  0.567020  0.276232 -1.0874012013-01-06 -0.673690  0.113648 -1.478427  0.524988

显示索引，列和底层numpy数据

In [16]: df.indexOut[16]: DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',               '2013-01-05', '2013-01-06'],              dtype='datetime64[ns]', freq='D')In [17]: df.columnsOut[17]: Index(['A', 'B', 'C', 'D'], dtype='object')In [18]: df.valuesOut[18]: array([[ 0.4691, -0.2829, -1.5091, -1.1356],       [ 1.2121, -0.1732,  0.1192, -1.0442],       [-0.8618, -2.1046, -0.4949,  1.0718],       [ 0.7216, -0.7068, -1.0396,  0.2719],       [-0.425 ,  0.567 ,  0.2762, -1.0874],       [-0.6737,  0.1136, -1.4784,  0.525 ]])

转置数据

In [20]: df.TOut[20]:    2013-01-01  2013-01-02  2013-01-03  2013-01-04  2013-01-05  2013-01-06A    0.469112    1.212112   -0.861849    0.721555   -0.424972   -0.673690B   -0.282863   -0.173215   -2.104569   -0.706771    0.567020    0.113648C   -1.509059    0.119209   -0.494929   -1.039575    0.276232   -1.478427D   -1.135632   -1.044236    1.071804    0.271860   -1.087401    0.524988

按轴排序

In [21]: df.sort_index(axis=1, ascending=False)Out[21]:                    D         C         B         A2013-01-01 -1.135632 -1.509059 -0.282863  0.4691122013-01-02 -1.044236  0.119209 -0.173215  1.2121122013-01-03  1.071804 -0.494929 -2.104569 -0.8618492013-01-04  0.271860 -1.039575 -0.706771  0.7215552013-01-05 -1.087401  0.276232  0.567020 -0.4249722013-01-06  0.524988 -1.478427  0.113648 -0.673690

按值排序

     

In [22]: df.sort_values(by='B')Out[22]:                    A         B         C         D2013-01-03 -0.861849 -2.104569 -0.494929  1.0718042013-01-04  0.721555 -0.706771 -1.039575  0.2718602013-01-01  0.469112 -0.282863 -1.509059 -1.1356322013-01-02  1.212112 -0.173215  0.119209 -1.0442362013-01-06 -0.673690  0.113648 -1.478427  0.5249882013-01-05 -0.424972  0.567020  0.276232 -1.087401

        通过[]，切片行

In [24]: df[0:3]Out[24]:                    A         B         C         D2013-01-01  0.469112 -0.282863 -1.509059 -1.1356322013-01-02  1.212112 -0.173215  0.119209 -1.0442362013-01-03 -0.861849 -2.104569 -0.494929  1.071804In [25]: df['20130102':'20130104']Out[25]:                    A         B         C         D2013-01-02  1.212112 -0.173215  0.119209 -1.0442362013-01-03 -0.861849 -2.104569 -0.494929  1.0718042013-01-04  0.721555 -0.706771 -1.039575  0.271860

使用标签获取横截面

In [26]: df.loc[dates[0]]Out[26]: A    0.469112B   -0.282863C   -1.509059D   -1.135632Name: 2013-01-01 00:00:00, dtype: float64

可以包括分类数据在一个DataFram中

df = pd.DataFrame({"id":[1,2,3,4,5,6], "raw_grade":['a', 'b', 'b', 'a', 'a', 'e']})

df["grade"] = df["raw_grade"].astype("category")df["grade"]Out: 0    a1    b2    b3    a4    a5    eName: grade, dtype: categoryCategories (3, object): [a, b, e]

写入到csv中

df.to_csv('foo.csv')

排序是按类别排序的

 df.sort_values(by="grade")   id raw_grade      grade5   6         e   very bad1   2         b       good2   3         b       good0   1         a  very good3   4         a  very good4   5         a  very good

可以在频率转换过程中执行重采样操作

rng = pd.date_range('1/1/2012', periods=100, freq='S')ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)ts.resample('5Min').sum()Out: 2012-01-01    25083Freq: 5T, dtype: int64

按多列分组会形成一个分层索引

 df.groupby(['A','B']).sum()Out:                   C         DA   B                        bar one   -1.814470  2.395985    three -0.595447  0.166599    two   -0.392670 -0.136473foo one   -1.195665 -0.616981    three  1.928123 -1.623033    two    2.414034  1.600434

分组，然后将函数sum应用于结果

df.groupby('A').sum()             C        DA                     bar -2.802588  2.42611foo  3.146492 -0.63958

通过“group by”，我们指的是涉及一个或多个以下步骤的过程

• 拆分数据到基于某些标准组
• 独立地为每个组应用一个功能
• 将结果组合成一个数据结构

将行附加到dataframe

In [87]: df = pd.DataFrame(np.random.randn(8, 4), columns=['A','B','C','D'])In [88]: dfOut[88]:           A         B         C         D0  1.346061  1.511763  1.627081 -0.9905821 -0.441652  1.211526  0.268520  0.0245802 -1.577585  0.396823 -0.105381 -0.5325323  1.453749  1.208843 -0.080952 -0.2646104 -0.727965 -0.589346  0.339969 -0.6932055 -0.339355  0.593616  0.884345  1.5914316  0.141809  0.220390  0.435589  0.1924517 -0.096701  0.803351  1.715071 -0.708758In [89]: s = df.iloc[3]In [90]: df.append(s, ignore_index=True)Out[90]:           A         B         C         D0  1.346061  1.511763  1.627081 -0.9905821 -0.441652  1.211526  0.268520  0.0245802 -1.577585  0.396823 -0.105381 -0.5325323  1.453749  1.208843 -0.080952 -0.2646104 -0.727965 -0.589346  0.339969 -0.6932055 -0.339355  0.593616  0.884345  1.5914316  0.141809  0.220390  0.435589  0.1924517 -0.096701  0.803351  1.715071 -0.7087588  1.453749  1.208843 -0.080952 -0.264610

在连接/合并类型操作的情况下，熊猫提供了各种功能，可以方便地将Series，DataFrame和Panel对象与索引和关系代数功能的各种设置逻辑组合在一起

In [73]: df = pd.DataFrame(np.random.randn(10, 4))In [74]: dfOut[74]:           0         1         2         30 -0.548702  1.467327 -1.015962 -0.4830751  1.637550 -1.217659 -0.291519 -1.7455052 -0.263952  0.991460 -0.919069  0.2660463 -0.709661  1.669052  1.037882 -1.7057754 -0.919854 -0.042379  1.247642 -0.0099205  0.290213  0.495767  0.362949  1.5481066 -1.131345 -0.089329  0.337863 -0.9458677 -0.932132  1.956030  0.017587 -0.0166928 -0.575247  0.254161 -1.143704  0.2158979  1.193555 -0.077118 -0.408530 -0.862495# break it into piecesIn [75]: pieces = [df[:3], df[3:7], df[7:]]In [76]: pd.concat(pieces)Out[76]:           0         1         2         30 -0.548702  1.467327 -1.015962 -0.4830751  1.637550 -1.217659 -0.291519 -1.7455052 -0.263952  0.991460 -0.919069  0.2660463 -0.709661  1.669052  1.037882 -1.7057754 -0.919854 -0.042379  1.247642 -0.0099205  0.290213  0.495767  0.362949  1.5481066 -1.131345 -0.089329  0.337863 -0.9458677 -0.932132  1.956030  0.017587 -0.0166928 -0.575247  0.254161 -1.143704  0.2158979  1.193555 -0.077118 -0.408530 -0.862495

删除任何缺少数据的行

df1.dropna(how='any')Out:                    A         B         C  D    F    E2013-01-02  1.212112 -0.173215  0.119209  5  1.0  1.0

填写缺少的数据

df1.fillna(value=5)Out:                    A         B         C  D    F    E2013-01-01  0.000000  0.000000 -1.509059  5  5.0  1.02013-01-02  1.212112 -0.173215  0.119209  5  1.0  1.02013-01-03 -0.861849 -2.104569 -0.494929  5  2.0  5.02013-01-04  0.721555 -0.706771 -1.039575  5  3.0  5.0