python--Numpy and Pandas 筆記01

　　博客地址：http://www.cnblogs.com/yudanqu/


  1 import numpy as np
  2 import pandas as pd
  3 from pandas import Series,DataFrame
  4 
  5 #Series
  6 s1 = Series([1,2,3], index=['A','B','C'])
  7 s2 = Series([4,5,6,7], index=['B','C','D','E'])
  8 
  9 s1 + s2
 10 # 結果：A NaN
 11 #　　   B 6.0
 12 # 　　  C 8.0
 13 # 　　  D NaN
 14 #　　   E NaN
 15 #　　   dtype: float64
 16 # 對應項相加，其餘爲nan
 17 
 18 #DataFrame
 19 df1 = DataFrame(np.arange(4).reshape(2,2),index=['A','B'],columns=['BJ','SH'])
 20 df2 = DataFrame(np.arange(9).reshape(3,3),index=['A','B','C'],columns=['BJ','SH','GZ'])
 21 df1 + df2
 22 #結果： BJ GZ SH
 23 #　　   A 0.0 NaN 2.0
 24 #　　   B 5.0 NaN 7.0
 25 #　　   C NaN NaN NaN
 26 
 27 df3 = Datadf3 = DataFrame([[1,2,3],[4,5,np.nan],[7,8,9]],index=['A','B','C'],columns=['c1','c2','c3'])
 28 '''
 29 c1 c2 c3
 30 A 1 2 3.0
 31 B 4 5 NaN
 32 C 7 8 9.0
 33 '''
 34 df3.sum()
 35 #結果：c1 12.0
 36 #　　  c2 15.0
 37 #　　  c3 12.0
 38 #　　  dtype: float64
 39 #這裏的nan與實數相運算並不返回nan
 40 df3.sum(axis=1) #則求得每一行的和，即ABC，因爲默認axis=0，因此不寫表示求的列
 41 
 42 df3.min() #求最小值，max同理。總體同理與sum，不考慮nan
 43 
 44 df3.describe() #統計內部數據
 45 
 46 
 47 # 排序功能
 48 #注：randn：正態分佈
 49 rand：0到1

 50 #Series：
 51 s1 = Series(np.random.randn(10))
 52 s2 = s1.sort_values() # 根據values排序
 53 # 默認參數ascending=True，升序爲True，倒序能夠改參數sacending=False
 54 s2.sort_index() # 根據index升序排列

 55 #DataFrame：
 56 df1 = DataFrame(np.random.randn(40).reshape(8,5),columns=['A','B','C','D','E'])
 57 df1['A'].sort_values() #僅僅是對着一列排序，若想總體根據這一列進行排序要多df1進行排序
 58 df1.sort_values('A') #則爲所有排序，默認升序
 59 
 60 df1.sort_values('A')[['A','D']] # 根據某列排序並輸出所須要的幾列
 61 
 62 
 63 #重命名
 64 df1.index = df1.index.map(str) #修改dataframe的index
 65 df1.rename(index=str.upper,columns=str.lower) #經過map函數改變整個
 66 df1.rename(index={'A':'a'},columns={'B':'b'}) #經過字典修改某一項
 67 # map函數的參數可使本身定義的函數
 68 
 69 
 70 #dataframe的merge操做
 71 pd.merge(df1,df2,on='name',how='inner') # on表示根據哪列的name來做爲判斷依據，默認爲None,how的參數中好比寫left，那麼就根據左側的df；愛顯示數據，若右邊一個沒有的則補全爲nan，outer是right和left的結合，將全部的都輸出
 72 df1 = DataFrame({'key':['A','B','C'],'data_set_1':[1,2,3]})
 73 df2 = DataFrame({'key':['X','Y','Z'],'data_set_2':[4,5,6]})
 74 pd.merge(df1,df2) # 這時的結果返回爲空，由於merge是對其中key值相同的進行操做
 75 # 當相同name的columns（例如此例的key）時，他中的值相同，那麼能夠進行merge
 76 
 77 
 78 #concatenate和combine
 79 
 80 #~~concatenate：
 81 
 82 #1、array
 83 arr1 = np.arange(9).reshape(3,3)
 84 arr2 = np.arange(9).reshape(3,3)
 85 np.concatenate([arr1,arr2]) #經過列表放在一塊兒
　　'''
 86 output：array([[0, 1, 2],
 87 [3, 4, 5],
 88 [6, 7, 8],
 89 [0, 1, 2],
 90 [3, 4, 5],
 91 [6, 7, 8]])
 92 注：其中concatenate的參數包括axis，能夠決定如何鏈接
　　'''
 93 
 94 #2、Series
 95 s1 = Series([1,2,3],index=['X','Y','Z'])
 96 s2 = Series([4,5],index=['A','B'])
 97 pd.concat([s1,s2]) #一樣有axis參數，爲0則在下面鏈接，爲1則橫向
 98 
 99 #3、dataframe
100 df1 = DataFrame(np.random.randn(4,3),columns=['X','Y','Z'])
101 df2 = DataFrame(np.random.randn(3,3),columns=['X','Y','A'])
102 pd.concat([df1,df2])
　　'''
103 Out:
104 A X Y Z
105 0 NaN -0.060523 0.879124 1.673622
106 1 NaN 0.734367 0.708085 -0.133981
107 2 NaN 0.461922 -2.186110 -4.473558
108 3 NaN 1.553153 -2.256533 -0.381862
109 0 1.304371 -0.275638 1.362799 NaN
110 1 -0.357986 -0.273505 0.430566 NaN
111 2 1.406862 1.453295 -0.681261 NaN
　　'''
112 
113 #~~combine：
114 
115 #1、Series：
116 s1 = Series([2,np.nan,4,np.nan],index=['A','B','C','D'])
117 s1 = Series([1,2,3,4],index=['A','B','C','D'])
118 s1.combine_first(s2) #把s1中沒有的填充上從s2
119 
120 #2、DataFrame：
121 #和series幾乎同樣



做者：漁單渠
博客地址：http://www.cnblogs.com/yudanqu/