利用Python进行数据分析：【Pandas】（Series+DataFrame），pandasdataframe,一、pandas简单

利用Python进行数据分析：【Pandas】（Series+DataFrame），pandasdataframe,一、pandas简单

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.aOut[13]: 0In [14]: v = pd.Series({‘a‘:1,‘b‘:2})In [15]: v.aOut[15]: 1In [16]: v.bOut[16]: 2In [17]: v[0]Out[17]: 1In [18]: s*2Out[18]:a    0b    0c    0d    0dtype: int64In [19]: v*2Out[19]:a    2b    4dtype: 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‘])

利用Python进行数据分析：【Pandas】（Series+DataFrame）