pandas庫使用

1、pandas簡單介紹

一、pandas是一個強大的Python數據分析的工具包。
二、pandas是基於NumPy構建的。

三、pandas的主要功能

• 具有對其功能的數據結構DataFrame、Series
• 集成時間序列功能
• 提供豐富的數學運算和操做
• 靈活處理缺失數據

四、安裝方法：pip install pandas
五、引用方法：import pandas as pd

2、Series

Series是一種相似於一維數組的對象，由一組數據和一組與之相關的數據標籤（索引）組成。

建立方式：
    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’])

3、Series特性

Series支持數組的特性：

• 從ndarray建立Series：Series(arr)
• 與標量運算：sr*2
• 兩個Series運算：sr1+sr2
• 索引：sr[0], sr[[1,2,4]]
• 切片：sr[0:2]（切片依然是視圖形式）
• 通用函數：np.abs(sr)
• 布爾值過濾：sr[sr>0]

統計函數：

• mean() #求平均數
• sum() #求和
• cumsum() #累加

Series支持字典的特性（標籤）：

• 從字典建立Series：Series(dic),
• in運算：’a’ in sr、for x in sr
• 鍵索引：sr['a'], sr[['a', 'b', 'd']]
• 鍵切片：sr['a':'c']
• 其餘函數：get('a', default=0)等

In [12]: s = pd.Series(0,index=['a','b','c','d'])

In [13]: s.a
Out[13]: 0

In [14]: v = pd.Series({'a':1,'b':2})

In [15]: v.a
Out[15]: 1

In [16]: v.b
Out[16]: 2

In [17]: v[0]
Out[17]: 1

In [18]: s*2
Out[18]:
a    0
b    0
c    0
d    0
dtype: int64

In [19]: v*2
Out[19]:
a    2
b    4
dtype: int64

4、整數索引

例：

• sr = np.Series(np.arange(4.))
• sr[-1]

若是索引是整數類型，則根據整數進行數據操做時老是面向標籤的。

• loc屬性 以標籤解釋
• iloc屬性 如下標解釋

5、pandas：Series數據對齊

pandas在運算時，會按索引進行對齊而後計算。若是存在不一樣的索引，則結果的索引是兩個操做數索引的並集。

    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

    如何在兩個Series對象相加時將缺失值設爲0？
    sr1.add(sr2, fill_value=0)
    靈活的算術方法：add, sub, div, mul

6、pandas：Series缺失數據

一、缺失數據：使用NaN（Not a Number）來表示缺失數據。其值等於np.nan。內置的None值也會被當作NaN處理。
二、處理缺失數據的相關方法：

• dropna() 過濾掉值爲NaN的行
• fillna() 填充缺失數據
• isnull() 返回布爾數組，缺失值對應爲True
• notnull() 返回布爾數組，缺失值對應爲False

三、過濾缺失數據：sr.dropna() 或 sr[data.notnull()]
四、填充缺失數據：fillna(0)

7、pandas：DataFrame

DataFrame是一個表格型的數據結構，含有一組有序的列。
DataFrame能夠被看作是由Series組成的字典，而且共用一個索引。

建立方式：

• 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文件讀取與寫入：

• df.read_csv('E:\算法\day110 Numpy、Pandas模塊\601318.csv')
• df.to_csv()

8、pandas：DataFrame查看數據

查看數據經常使用屬性及方法：
        index                    獲取索引
        T                        轉置
        columns                    獲取列索引
        values                    獲取值數組
      describe() 獲取快速統計

    DataFrame各列name屬性：列名
    rename(columns={})

9、pandas：DataFrame索引和切片

一、DataFrame有行索引和列索引。
二、DataFrame一樣能夠經過標籤和位置兩種方法進行索引和切片。

三、DataFrame使用索引切片：

• 方法1：兩個中括號，先取列再取行。 df['A'][0]
• 方法2（推薦）：使用loc/iloc屬性，一箇中括號，逗號隔開，先取行再取列。

loc屬性：解釋爲標籤
iloc屬性：解釋爲下標
向DataFrame對象中寫入值時只使用方法2
行/列索引部分能夠是常規索引、切片、布爾值索引、花式索引任意搭配。（注意：兩部分都是花式索引時結果可能與預料的不一樣）

經過標籤獲取：
    df['A']
    df[['A', 'B']]
    df['A'][0]
    df[0:10][['A', 'C']]
    df.loc[:,['A','B']]  #行是全部的行，列取是A和B的
    df.loc[:,'A':'C']
    df.loc[0,'A']
    df.loc[0:10,['A','C']]
    
經過位置獲取：
    df.iloc[3]
    df.iloc[3,3]
    df.iloc[0:3,4:6]
    df.iloc[1:5,:]
    df.iloc[[1,2,4],[0,3]]、
    
經過布爾值過濾：
　　df[df['A']>0]
　　df[df['A'].isin([1,3,5])]
　　df[df<0] = 0

10、pandas：DataFrame數據對齊與缺失數據

DataFrame對象在運算時，一樣會進行數據對齊，行索引與列索引分別對齊。
結果的行索引與列索引分別爲兩個操做數的行索引與列索引的並集。

DataFrame處理缺失數據的相關方法：

• dropna(axis=0,where=‘any’,…) 過濾掉值爲NaN的行
• fillna() 填充缺失數據
• isnull() 返回布爾數組，缺失值對應爲True
• notnull() 返回布爾數組，缺失值對應爲False

11、pandas：其餘經常使用方法

- 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（最高價和最低價的平均）
        df.apply(lamada x:x['high']+x["low"])/2,axis=1)  #按列求平均（最高價和最低價的平均）
- applymap(func) #將函數應用在DataFrame各個元素上
- map(func) #將函數應用在Series各個元素上

12、pandas：時間對象處理

時間序列類型：
    時間戳：特定時刻
    固定時期：如2017年7月
    時間間隔：起始時間-結束時間
Python標準庫：datetime
    datetime.datetime.timedelta  # 表示 時間間隔
    dt.strftime() #f：format吧時間對象格式化成字符串
    strptime()  #吧字符串解析成時間對象p：parse
    靈活處理時間對象：dateutil包
        dateutil.parser.parse('2018/1/29') 
    成組處理時間對象：pandas
        pd.to_datetime(['2001-01-01', '2002-02-02'])

產生時間對象數組：date_range

• start 開始時間
• end 結束時間
• periods 時間長度
• freq 時間頻率，默認爲'D'，可選H(our),W(eek),B(usiness),S(emi-)M(onth),(min)T(es), S(econd), A(year),…

十3、pandas：時間序列

一、時間序列就是以時間對象爲索引的Series或DataFrame。

二、datetime對象做爲索引時是存儲在DatetimeIndex對象中的。

三、時間序列特殊功能：

• 傳入「年」或「年月」做爲切片方式
• 傳入日期範圍做爲切片方式
• 豐富的函數支持：resample(), strftime(), ……
• 批量轉換爲datetime對象：to_pydatetime()

十4、pandas：從文件讀取

• 讀取文件：從文件名、URL、文件對象中加載數據
• read_csv 默認分隔符爲csv
• read_table 默認分隔符爲\t
• read_excel 讀取excel文件

二、讀取文件函數主要參數：

• sep 指定分隔符，可用正則表達式如'\s+'
• header=None 指定文件無列名
• name 指定列名
• index_col 指定某列做爲索引
• skip_row 指定跳過某些行
• 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爲日期，布爾值或列表

df = pd.read_csv("601318.csv")   #默認以,爲分隔符
    - pd.read_csv("601318.csv",sep='\s+')  #匹配空格，支持正則表達式
    - pd.read_table("601318.csv",sep=',')  #和df = pd.read_csv("601318.csv")   同樣
    - pd.read_excle("601318.xlsx")  #讀Excel文件
    sep：指定分隔符
    header = NOne,就會吧默認的表名去除 了
    df.rename(column={0:'a',1:"b"})  #修改列名
    pd.read_csv(index_col=0)  #第0列
    若是想讓時間成爲索引
        pd.read_csv(index_col='date')  #時間列
    pd.read_csv(index_col='date',parse_datas=True)  #時間列
    parse_datas轉換爲時間對象，設爲true是吧全部能轉的都轉
    pd.read_csv(index_col='date',parse_datas=['date'])   #知識吧date的那一列轉換成時間對象
        
    na_values=['None']  #吧表裏面爲None的轉換成NaN，是吧字符串轉換成缺失值
    na_rep()  #是吧缺失值nan轉換成字符串

    cols #指定輸出的列，傳入列表

十5、pandas：寫入到文件

一、寫入到文件：

• to_csv

二、寫入文件函數的主要參數：

• sep
• na_rep 指定缺失值轉換的字符串，默認爲空字符串
• header=False 不輸出列名一行
• index=False 不輸出行索引一列
• cols 指定輸出的列，傳入列表

三、其餘文件類型：json, XML, HTML, 數據庫
四、pandas轉換爲二進制文件格式（pickle）:

• save
• load

十6、pandas:數據分組與聚合

分組
   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()  #作平均
   df.groupby('key1').sum()  #作平均
   df.groupby(['key1','key2']).mean()  #作平均  支持分層索引，按多列分組
   
   df.groupby(len).mean()  #傳一個函數的時候，x是每個行的索引
   df.groupby(lambda x:len(x)).mean()  #傳一個函數的時候，x是每個行的索引
   
   df.groupby.groups()  #取得多有的組
   df.groupby.get_group()  #取得一個組
   
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])
    不一樣的列不同的聚合
    df.groupby('key1').agg({'data1':'min','data2':'max'})  #鍵是列名，值是
    
    a=_219  #219行的代碼
    a.resample('3D'),mean()  #3D 3天，3M就是三週
    
數據合併
    - 數據拼接
        df = df.copy()
        pd.concat([df,df2,df3],ignore_index=True)  #不用以前的索引，
        pd.concat([df,df2,df3],axis=1)  #列
        pd.concat([df,df2,df3],keys=['a','b','c'])  #不用以前的索引，
        df2.appeng(df3)
    - 數據鏈接
    若是不指定on，默認是行索引進行join
    pd.merge(df,df3,on='key1')
    pd.merge(df,df3,on='['key1','key2'])