python-pandas-1

series

Series 是pandas两大数据结构中（DataFrame，Series）的一种。

创建Series

Series的定义：Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签（即索引）组成。

​ Series对象本质上是一个NumPy的数组，因此NumPy的数组处理函数可以直接对Series进行处理。但是Series除了可以使用位置作为下标存取元素之外，还可以使用标签下标存取元素，这一点和字典相似。每个Series对象实际上都由两个数组组成：

index: 它是从NumPy数组继承的Index对象，保存标签信息。

values: 保存值的NumPy数组。

注意三点：

1. Series是一种类似于一维数组（数组：ndarray）的对象

2. 它的数据类型没有限制（各种NumPy数据类型）

3. 它有索引，把索引当做数据的标签（key）看待，这样就类似字典了（只是类似，实质上市数组）

4.Series同时具有数组和字典的功能，因此它也支持一些字典的方法

创建数组，例如：

In [1]:arr=[1,2,3,4] #创建数组  

In [2]:arr
Out[2]: [1, 2, 3, 4]

创建Series:

series_1=Series(arr)
series_1
Out[146]:
0    1
1    2
2    3
3    4
dtype: int64
series_2=Series([1,2,3,4])
series_2
Out[148]:
0    1
1    2
2    3
3    4
dtype: int64

创建包含多种数据类型的Series：

series_3=Series([1,2,'3',4,'a'])  #包含数字和字符串
series_3
Out[150]:
0    1
1    2
2    3
3    4
4    a
dtype: object  #类型变成了字符串

Series索引

Series创建后会自动生成索引，默认从0开始

可以指定和修改索引

In [154]: series_4.index=['a','b','c']  

In [155]: series_4
Out[155]:
a    1
b    2
c    3

修改索引除了这里的直接修改还有一个reindex()方法。

Series增删改

Series创建后可以对数据进行增删改查

增

Series的add()方法是加法计算不是增加Series元素用的。

使用append连接其他Series

删

In [162]: series_4.drop('a')
Out[162]:
b    2
c    3
dtype: int64

改

In [170]: series_4['a']=4  

In [171]: series_4
Out[171]:
a    4
b    2
c    3
dtype: int64

查

通过索引查单值

In [172]: series_4['a']
Out[172]: 4

通过索引序列查多值：

series_4[['a','b']]
Out[174]:
a    4
b    2
dtype: int64

通过布尔类型索引筛选：

In [175]: series_4[series_4>2]
Out[175]:
a    4
c    3
dtype: int64

通过位置切片和标签切片查询数据：

series_4
Out[194]:
a    4
b    2
c    3
dtype: int64  

series_4[:2]
Out[195]:
a    4
b    2
dtype: int64  

series_4['a':'c']
Out[196]:
a    4
b    2
c    3
dtype: int64

通过字典创建Series

series_5=Series({'a':1,'b':2,'c':3})  

series_5
Out[201]:
a    1
b    2
c    3
dtype: int64

dataframe

这一部分主要学习pandas中基于前面两种数据结构的基本操作。设有DataFrame结果的数据a如下所示：

       a  b  c
one    4  1  1
two    6  2  0
three  6  1  6

创建dataframe

1.标准格式创建

2.等长列表组成的字典来创建

3.嵌套字典（字典的值也是字典）创建

标准格式创建

DataFrame创建方法有很多，常用基本格式是：DataFrame 构造器参数：DataFrame(data=[],index=[],coloumns=[])

In [272]: df2=DataFrame(np.arange(16).reshape((4,4)),index=['a','b','c','d'],columns=['one','two','three','four'])  

In [273]: df2
Out[273]:
   one  two  three  four
a    0    1      2     3
b    4    5      6     7
c    8    9     10    11
d   12   13     14    15

用传入等长列表组成的字典来创建

In [204]: data={'c':['1','2'],'a':['5']}  #创建不等长字典序列  

In [205]: data
Out[205]: {'a': ['5'], 'c': ['1', '2']}  

In [206]: df=DataFrame(data)
Traceback (most recent call last):
...  

ValueError: arrays must all be same length   # 报错，传入的数组必须等长  

In [207]: data={'c':['1','2'],'a':['5','6']}  #创建<strong>等长字典序列
In [208]: df=DataFrame(data)  

In [209]: df
Out[209]:
   a  c                      # 创建完成后'a','c'自动按照字典序排序，并且创建时自定加上索引
0  5  1
1  6  2  

创建完成后'a','c'自动按照字典序排序，并且创建时自定加上索引

如果指定了columns名称，则会按照指定顺序创建。

In [210]: df=DataFrame(data,columns=['c','a'])  

In [211]: df
Out[211]:
   c  a    #按照指定顺序创建。
0  1  5
1  2  6

传入嵌套字典（字典的值也是字典）创建DataFrame

列名：嵌套字典的外层子键

索引：内层键

In [227]: nest_dict={'shanghai':{2015:100,2016:101},'beijing':{2015:102,2016:103}}  

In [228]: nest_dict
Out[228]: {'beijing': {2015: 102, 2016: 103}, 'shanghai': {2015: 100, 2016: 101}}  

In [229]: df1=DataFrame(nest_dict)  

In [230]: df1
Out[230]:
      beijing  shanghai
2015      102       100
2016      103       101

查

查看对象的方法对于Series来说同样适用

1.查看DataFrame前xx行或后xx行

a=DataFrame(data);

a.head(6)表示显示前6行数据，若head()中不带参数则会显示全部数据。

a.tail(6)表示显示后6行数据，若tail()中不带参数则也会显示全部数据。

2.查看DataFrame的index，columns以及values

a.index ; a.columns ; a.values 即可

3.describe()函数对于数据的快速统计汇总

a.describe()对每一列数据进行统计，包括计数，均值，std，各个分位数等。

4.对数据的转置

a.T

5.对轴进行排序

a.sort_index(axis=1,ascending=False)；

其中axis=1表示对所有的columns进行排序，下面的数也跟着发生移动。后面的ascending=False表示按降序排列，参数缺失时默认升序。

6.对DataFrame中的值排序

a.sort(columns='x')

即对a中的x这一列，从小到大进行排序。注意仅仅是x这一列，而上面的按轴进行排序时会对所有的columns进行操作。

增

为不存在的列赋值会创建新列

In [219]: df['b']=1  

In [220]: df
Out[220]:
   c  a  b
0  1  5  1
1  2  6  1

删

#用del删除
In [225]: del df['a']  

In [226]: df
Out[226]:
   c  b
0  1  1
1  2  1  

用drop() 删除

用drop删除时，删的是视图，并没有真正删除。

In [258]: df
Out[258]:
   c  b  0
0  5  1  6
1  5  1  6
In [259]: df.drop(0,axis=1) #删除列Out[259]:
   c  b
0  5  1
1  5  1
In [260]: df  # df的数据并没有改动
Out[260]:
   c  b  0
0  5  1  6
1  5  1  6

dorp()可以通过axis（行：axis=0 ，列：axis=1）可以控制删除行或列，默认是行。

dorp()也可以同时删除多行或多列

例：

In [271]: df.drop([0,1],axis=1)
Out[271]:
   c  b
0  6  6
1  5  1

改

赋值进行修改，可以通过定位到行，列，或者具体位置进行赋值修改。

#修改具体元素值：
In [242]: df['c'][1]=4  

In [243]: df
Out[243]:
   c  b
0  1  1
1  4  1

#修改列
In [244]: df['c']=5   

In [245]: df
Out[245]:
   c  b
0  5  1
1  5  1

#修改行
df[:1]=6
df
Out[266]:
   c  b
0  6  6
1  5  1

修改行和列如果传入一组值得话，注意传入数组的长度，如果传入数组长度大于len(df) 则截断，小于df长度则置NaN

In [267]: df[0]=Series([1,2,3])  

In [268]: df
Out[268]:
   c  b  0
0  6  6  1
1  5  1  2  

In [269]: df[1]=Series([1,])  #增加一列，传入一个值  

In [270]: df
Out[270]:
   c  b  0   1
0  6  6  1   1
1  5  1  2 NaN

选择对象

1. 选择特定列和行的数据

   a['x'] 那么将会返回columns为x的列，注意这种方式一次只能返回一个列。a.x与a['x']意思一样。

   取行数据，通过切片[]来选择
   
   如：a[0:3] 则会返回前三行的数据。

2. loc是通过标签来选择数据

   a.loc['one']则会默认表示选取行为'one'的行；

   a.loc[:,['a','b'] ] 表示选取所有的行以及columns为a,b的列；

   a.loc[['one','two'],['a','b']] 表示选取'one'和'two'这两行以及columns为a,b的列；

   a.loc['one','a']与a.loc[['one'],['a']]作用是一样的，不过前者只显示对应的值，而后者会显示对应的行和列标签。

3. iloc则是直接通过位置来选择数据

   这与通过标签选择类似
   
   a.iloc[1:2,1:2] 则会显示第一行第一列的数据;(切片后面的值取不到)

   a.iloc[1:2] 即后面表示列的值没有时，默认选取行位置为1的数据;

   a.iloc[[0,2],[1,2]] 即可以自由选取行位置，和列位置对应的数据。

4. 使用条件来选择

   使用单独的列来选择数据
   
   a[a.c>0] 表示选择c列中大于0的数据

   使用where来选择数据
   
   a[a>0] 表直接选择a中所有大于0的数据

   使用isin()选出特定列中包含特定值的行
   
   a1=a.copy()
   
   a1[a1['one'].isin(['2','3'])] 表显示满足条件：列one中的值包含'2','3'的所有行。

设置值（赋值）

赋值操作在上述选择操作的基础上直接赋值即可。

例

a.loc[:,['a','c']]=9 即将a和c列的所有行中的值设置为9

a.iloc[:,[1,3]]=9 也表示将a和c列的所有行中的值设置为9

同时也依然可以用条件来直接赋值

a[a>0]=-a 表示将a中所有大于0的数转化为负值

缺失值处理

在pandas中，使用np.nan来代替缺失值，这些值将默认不会包含在计算中。

1. reindex()方法

   用来对指定轴上的索引进行改变/增加/删除操作，这将返回原始数据的一个拷贝。
   
   a.reindex(index=list(a.index)+['five'],columns=list(a.columns)+['d'])

   a.reindex(index=['one','five'],columns=list(a.columns)+['d'])

   即用index=[]表示对index进行操作，columns表对列进行操作。

2. 对缺失值进行填充

   a.fillna(value=x)
   
   表示用值为x的数来对缺失值进行填充

3. 去掉包含缺失值的行

   a.dropna(how='any')
   
   表示去掉所有包含缺失值的行

合并

1. contact

   contact(a1,axis=0/1，keys=['xx','xx','xx',...])

   其中a1表示要进行进行连接的列表数据,axis=1时表横着对数据进行连接。axis=0或不指定时，表将数据竖着进行连接。a1中要连接的数据有几个则对应几个keys，设置keys是为了在数据连接以后区分每一个原始a1中的数据。

   例：

   a1=[b['a'],b['c']]

result=**pd.concat**(a1,axis=1，keys=['1','2'])

2. Append 将一行或多行数据连接到一个DataFrame上

   a.append(a[2:],ignore_index=True)
   
   表示将a中的第三行以后的数据全部添加到a中，若不指定ignore_index参数，则会把添加的数据的index保留下来，若ignore_index=Ture则会对所有的行重新自动建立索引。

3. merge类似于SQL中的join

   设a1,a2为两个dataframe,二者中存在相同的键值，两个对象连接的方式有下面几种：
   
   (1)内连接，pd.merge(a1, a2, on='key')
   
   (2)左连接，pd.merge(a1, a2, on='key', how='left')
   
   (3)右连接，pd.merge(a1, a2, on='key', how='right')
   
   (4)外连接， pd.merge(a1, a2, on='key', how='outer')
   
   至于四者的具体差别，具体学习参考sql中相应的语法。

分组(groupby)

用pd.date_range函数生成连续指定天数的的日期pd.date_range('20000101',periods=10)

def shuju():
    data={
        'date':pd.date_range('20000101',periods=10),
        'gender':np.random.randint(0,2,size=10),
        'height':np.random.randint(40,50,size=10),
        'weight':np.random.randint(150,180,size=10)
    }
a=DataFrame(data)
print(a)
        date  gender  height  weight
0 2000-01-01       0      47     165
1 2000-01-02       0      46     179
2 2000-01-03       1      48     172
3 2000-01-04       0      45     173
4 2000-01-05       1      47     151
5 2000-01-06       0      45     172
6 2000-01-07       0      48     167
7 2000-01-08       0      45     157
8 2000-01-09       1      42     157
9 2000-01-10       1      42     164

用a.groupby('gender').sum()得到的结果为：

 #注意在python中groupby(''xx)后要加sum()，不然显示不了数据对象。
gender     height  weight
0           256     989
1           170     643

用a.groupby('gender').size()可以对各个gender下的数目进行计数。

可以看到groupby的作用相当于：

按gender对gender进行分类，对应为数字的列会自动求和，而为字符串类型的列则不显示；当然也可以同时groupby(['x1','x2',...])多个字段，其作用与上面类似。

groupby().max()
groupby().min()
groupby().mean()
groupby().sum()

排序

按1列排序

（1）升序

frame.sort(columns = ['a'],axis = 0,ascending = True)  

Out[62]:
   a  b  c
3  1  2  3
1  2  7  5
2  5 -3  8
0  9  4  6  

frame.sort_index(axis = 0,ascending = True,by = 'a')  

Out[63]:
   a  b  c
3  1  2  3
1  2  7  5
2  5 -3  8
0  9  4  6  

frame.sort_values(by = 'a',axis = 0,ascending = True)
Out[65]:
   a  b  c
3  1  2  3
1  2  7  5
2  5 -3  8
0  9  4  6

（2）降序

frame.sort(columns = ['a'],axis = 0,ascending = False)  

Out[67]:
   a  b  c
0  9  4  6
2  5 -3  8
1  2  7  5
3  1  2  3  

frame.sort_index(axis = 0,ascending = False,by = 'a')  

Out[68]:
   a  b  c
0  9  4  6
2  5 -3  8
1  2  7  5
3  1  2  3  

frame.sort_values(by = 'a',axis = 0,ascending = False)
Out[69]:
   a  b  c
0  9  4  6
2  5 -3  8
1  2  7  5
3  1  2  3

按多列排序

frame = pandas.DataFrame({"a":[9,2,5,1,0,7],"b":[4,7,-3,2,2,2],"c":[6,5,8,3,4,4]})  

frame
Out[73]:
   a  b  c
0  9  4  6
1  2  7  5
2  5 -3  8
3  1  2  3
4  0  2  4
5  7  2  4

(1) 升序

 frame.sort(columns = ['b','c','a'],axis = 0,ascending = True)  

Out[74]:
   a  b  c
2  5 -3  8
3  1  2  3
4  0  2  4
5  7  2  4
0  9  4  6
1  2  7  5  

frame.sort_index(axis = 0,ascending = True,by = ['b','c','a'])  

Out[75]:
   a  b  c
2  5 -3  8
3  1  2  3
4  0  2  4
5  7  2  4
0  9  4  6
1  2  7  5  

frame.sort_values(by = ['b','c','a'],axis = 0,ascending = True)
Out[76]:
   a  b  c
2  5 -3  8
3  1  2  3
4  0  2  4
5  7  2  4
0  9  4  6
1  2  7  5

(2) 降序

frame.sort(columns = ['b','c','a'],axis = 0,ascending = False)  

Out[77]:
   a  b  c
1  2  7  5
0  9  4  6
5  7  2  4
4  0  2  4
3  1  2  3
2  5 -3  8  

frame.sort_index(axis = 0,ascending = False,by = ['b','c','a'])  

Out[78]:
   a  b  c
1  2  7  5
0  9  4  6
5  7  2  4
4  0  2  4
3  1  2  3
2  5 -3  8  

frame.sort_values(by = ['b','c','a'],axis = 0,ascending = False)
Out[79]:
   a  b  c
1  2  7  5
0  9  4  6
5  7  2  4
4  0  2  4
3  1  2  3
2  5 -3  8

按行排序

data = {"b":[4,7,-3,2,2,2],"a":[9,2,5,1,0,7],"c":[6,5,8,3,4,4]}  

frame = pandas.DataFrame(data,columns = ['b','a','c'])  

frame
Out[90]:
   b  a  c
0  4  9  6
1  7  2  5
2 -3  5  8
3  2  1  3
4  2  0  4
5  2  7  4

(1) 按行升序

 frame.sort_index(axis = 1,ascending = True)
Out[91]:
   a  b  c
0  9  4  6
1  2  7  5
2  5 -3  8
3  1  2  3
4  0  2  4
5  7  2  4

(2) 按行降序

frame.sort_index(axis = 1,ascending = False)
Out[97]:
   c  b  a
0  6  4  9
1  5  7  2
2  8 -3  5
3  3  2  1
4  4  2  0
5  4  2  7

Categorical按某一列重新编码分类

如分组中中要对a中的gender进行greoupby重新编码分类，将对应的0，1转化为male，female，过程如下：

a['gender1']=a['gender'].astype('category')
a['gender1'].cat.categories=['male','female']  #即将0，1先转化为category类型再进行编码。

 print(a)得到的结果为：
      date    gender  height  weight gender1
0 2000-01-01       1      40     163  female
1 2000-01-02       0      44     177    male
2 2000-01-03       1      40     167  female
3 2000-01-04       0      41     161    male
4 2000-01-05       0      48     177    male
5 2000-01-06       1      46     179  female
6 2000-01-07       1      42     154  female
7 2000-01-08       1      43     170  female
8 2000-01-09       0      46     158    male
9 2000-01-10       1      44     168  female

所以可以看出重新编码后的编码会自动增加到dataframe最后作为一列。

相关操作

描述性统计：

1.a.mean() 默认对每一列的数据求平均值；若加上参数a.mean(1)则对每一行求平均值；

2.统计某一列x中各个值出现的次数：a['x'].value_counts()；

3.对数据应用函数

a.apply(lambda x:x.max()-x.min())

表示返回所有列中最大值-最小值的差。

4.字符串相关操作

a['gender1'].str.lower() 将gender1中所有的英文大写转化为小写，注意dataframe没有str属性，只有series有，所以要选取a中的gender1字段。

时间序列

用pd.date_range('xxxx',periods=xx,freq='D/M/Y....')函数生成连续指定天数的的日期列表。

例如

pd.date_range('20000101',periods=10),其中periods表示持续频数；

pd.date_range('20000201','20000210',freq='D')也可以不指定频数，只指定起始日期。

此外如果不指定freq，则默认从起始日期开始，频率为day。其他频率表示如下：

画图(plot)

在pycharm中首先要：import matplotlib.pyplot as plt
a=Series(np.random.randn(1000),index=pd.date_range('20100101',periods=1000))
b=a.cumsum()
b.plot()
plt.show()    #最后一定要加这个plt.show()，不然不会显示出图来。

也可以使用下面的代码来生成多条时间序列图：

a=DataFrame(np.random.randn(1000，4),index=pd.date_range('20100101',periods=1000),columns=list('ABCD'))
b=a.cumsum()
b.plot()
plt.show()

导入和导出文件

写入和读取excel文件

虽然写入excel表时有两种写入xls和csv，但建议少使用csv，不然在表中调整数据格式时，保存时一直询问你是否保存新格式，很麻烦。而在读取数据时，如果指定了哪一张sheet，则在pycharm又会出现格式不对齐。

还有将数据写入表格中时，excel会自动给你在表格最前面增加一个字段，对数据行进行编号。

时间序列列表

import pandas as pd
from datetime import datetime
def datelist(beginDate, endDate): # beginDate,endDate是形如‘20160601’的字符串或datetime格式
    date_l=[datetime.strftime(x,'%Y-%m-%d')
        for x in list(pd.date_range(start=beginDate, end=endDate))]
    return date_l