Pandas 基础用法

pandas 是一个基于 Numpy 构建, 强大的数据分析工具包

主要功能

  • 独特的数据结构 DataFrame, Series
  • 集成时间序列功能
  • 提供丰富的数学运算操作
  • 灵活处理缺失数据

Series 一维数组

Series 是一种类似于一维数组的对象, 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

1
2
3
4
5
6
7
8
9
10
11
12
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'])

# 获取值数组
sr = pd.Series([4, 7 ,5, -3])
sr.value

# 获取索引数组
sr = pd.Series([4, 7 ,5, -3])
sr.index

Series 支持array的特性(下标)

  • 从 ndarry 创建 Series
  • 与标量直接运算
  • 两个 Series 运算
  • 索引
  • 切片
  • 通用函数 np.abs(sr)
  • 布尔值过滤 sr[sr>0]

Series 支持字典的特性(标签)

  • 从字典创建 Series Series(dict)
  • in 运算
  • 键索引

整数索引

如果索引是整数, 则根据下标取值时总是面向标签的.
此时可通过 loc方法(将索引解释为标签)和iloc方法(将索引解释为下标)

Series 数据计算

1
2
3
4
sr1 = pd.Series([12,23,34], index=['c', 'a', 'd'])
sr2 = pd.Series([11,20,10], index=['d', 'c', 'a'])
print(sr1 + sr2)
# 相关计算方法 add, sub, div, mul

pandas 在进行两个 Series 对象运算时, 会按索引进行对齐然后计算.

数据对齐

若两个 Series 对象的索引不完全相同, 则结果的索引是两个操作数索引的并集. 如果只有一个对象在某索引下有值, 则结果中该索引的值为NaN.

缺失数据处理办法

1
2
3
4
5
6
7
8
9
sr1.add(sr2, fill_value=0) 填充缺失的值
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buer数据, 缺失值对应为False

# 过滤缺失数据
sr.dropna()
sr[data.notnull()]

DataFrame

DataFrame 是一个表格型的数据结构, 含有一组有序的列. 可以看做是 Series 组成的字典, 并且公用一个索引.

创建 DataFrame 的方法有很多种

1
2
3
4
5
6
7
# 手动创建
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=['a','b','c','d'])

# 从csv文件读取与写入
df.read_csv('filename.csv')
df.to_csv()

常用属性

  • 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

索引和切片

DataFrame 是一个二维数据类型, 所以有行索引列索引, 可以通过标签和位置两种方法进行索引和切片

  • loc 索引方法和 iloc 下标方法
    • 使用方法: 逗号隔开, 前面是行索引, 后面是列索引
    • 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

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, 其行索引和列索引分别对齐

处理缺失数据的相关方法

  • dropna(axis=0, where=’any’, …)
  • fillna()
  • isnull()
  • notnull()

pandas 常用方法

  • mean(axis=0, skipna=False) 对列(行)求平均值
  • sum(axis=1) 对列(行)求和
  • sort_index(axis, …, ascending) 对列(行)索引排序
  • sort_values(by, axis, ascending) 按某一列(行)的值排序
  • apply(func, axis=0) 将自定义函数应用在各行或各列上, func可返回标量或Series
  • NumPy 的通用函数同样适用于pandas
  • 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

时间处理

pandas基于dateutil来处理时间对象

  • dateutil.parser.parse() dateutil 原生时间处理方法
  • pd.to_datetime() pandas 成组处理时间对象
  • data_range() 产生时间对象数组
    • start 开始时间
    • end 结束时间
    • periods 时间长度
    • freq 时间频率, 默认为’D’, 可选为H(our), W(eek), B(usiness), S(emi-)M(onth), (min)T(es), S(econd), A(year)
时间序列

时间序列是以时间对象为索引的Series或DataFrame, datetime对象作为索引时是存储在DatetimeIndex对象中的.

时间序列的特色功能:

  • 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(), …

文件处理

  • read_csvread_table 函数

    • sep 制定分隔符, 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, 类型为布尔值或列表
  • to_csv 函数

    • sep 指定文件函数
    • 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
    • columns 指定输出的列, 传入列表