Pandas 数据分析基础

Pandas

安装

• anaconda 安装:
  • conda list pandas 查看是否已经安装
  • conda install pandas
  • conda update pandas
• pip 安装
  • pip install pandas
• apt 安装
  • sudo apt-get install python-pandas

测试是否安装成功

nosetests pandases

不成功会进行提醒，可以重新安装或者更新

pandas数据结构

• Series
• DataFrame

Series

1 声明series 对象

s = pd.Series([12,3,9,1])
s

s = pd.Series([12,52,4,2],index=['a','b','c','d'])
s.values
s.index

2 用numpy数组或其他对象定义

arr=np.array([1,2,3])
s=pd.Series(arr)
# 注意这里的s对象中的元素是对arr的引用，如果改变arr的值，s的值也会改变

# 用作字典
dic={'red':123,'blue',122,'green':129}
s.Series(dic)

3 筛选元素

s[s>8] # 对values的比较
s/2
np.log(s)

4 其他函数

s.unique() # 只出现一次
s.value_counts() # 统计数量
# 做筛选
s.isin([0,3])
s[s.isin([0,3])]
# 空和不空
s.isnull()
s.notnull()

DataFrame

和excel类似

创建Frame

data={'title1':[1,2,3],'title2':[5,4,3]}
frame=pd.DataFrame(data)
frame=pd.DataFrame(data,columns=['title1'])

# index 会自动生成索引也可以通过index属性进行更改
pd.DataFrame(data,index=['one','two','three']) # 个数需要匹配

选取元素

frame.columns
frame.index
frame.values

frame['title1'] or frame.title1
# 行
frame.ix[2]
frame.ix[[0,1]]
frame[0:2]
frame['title1'][2]

赋值

frame.index.name='id'
frame.columns.name='cols'
frame['title1'][3]= 3
ser=pd.Series(np.arange(5))
frame['new']=ser

其他

# 所属关系
frame.isin([1.0,'a'])
# 删除一列
del frame['new']
# 筛选
frame[frame <= 2]
# 转置
frame.T

Index 对象

ser.idxmin()
ser.idxmax()
ser.index.is_unique()

# 执行更换索引
ser.reindex(['a','b','c'])

# 删除
ser.drop('0')

算数运算方法

frame1.add(frame2)
sub(), div(), mul()

DataFrame 与 Series的运算

frame=pd.DataFrame(np.arange(16).reshape(4,4),index=['red','blue','gren','yellow'],columns=['ball','pen','paper','socket'])

ser=pd.Series(np.arange(4),index=['ball','pen','paper','socket'])

frame - ser

Pandas 库函数

按行或列执行

f=lambda x:x.max() - x.min()

def f(x):

​ return x.max()-x.min()

frame.apply(f,axis=1) # 处理行

函数

sum()
mean()
describe() # 计算多个统计量
# 排序函数
sort_index([ascending=False][axis=1])

对数据结构中的元素排序

# series
ser.order()
# DataFrame
frame.sort_index(by='pen')
frame.sort_index(by=['pen','pencil'])

位次排序

• ser.rank()
• ser.rank(method='first')
• ser.rank(ascending=False)

相关性和协方差

correlation and covariance 计算通常涉及到两个Series 对象

>>> seq2=pd.Series([3,4,3,4,5,4,3,2],['06','07','08','09','10','11','12','13'])
>>> seq1=pd.Series([1,2,3,4,4,3,2,1],['06','07','08','09','10','11','12','13'])
>>> seq1.corr(seq1)
1.0
>>> seq1.corr(seq2)
0.7745966692414835
>>> seq1.cov(seq2)
0.8571428571428571

DataFrame 可以实现其对象的相关性和协方差,返回DataFrame矩阵

>>> frame2=pd.DataFrame([[1,4,3,6],[4,5,6,1],[3,3,1,5],[4,1,6,4]],index=['r','g','b','w'],columns=['ball','pen','pencil','paper'])
>>> frame2.corr()
            ball       pen    pencil     paper
ball    1.000000 -0.276026  0.577350 -0.763763
pen    -0.276026  1.000000 -0.079682 -0.361403
pencil  0.577350 -0.079682  1.000000 -0.692935
paper  -0.763763 -0.361403 -0.692935  1.000000
>>> frame2.cov()
            ball       pen    pencil     paper
ball    2.000000 -0.666667  2.000000 -2.333333
pen    -0.666667  2.916667 -0.333333 -1.333333
pencil  2.000000 -0.333333  6.000000 -3.666667
paper  -2.333333 -1.333333 -3.666667  4.666667

除此之外还可以计算DataFrame对象与Series或者DataFrame对象之间的关系

frame.corrwith(ser)

frame.corrwith(frame2)

NaN

过滤NaN

# series obj
ser.dropna()
or
ser[ser.notnull()]

# DataFrame obj
frame.dropna() # 整行都被删除
frame.dropna(how='all') # 删除全部Nan的列

为NaN填充

frame.fillna(0)
frame.filena('ball':1,'mug':2)

等级索引&分级

>>> mser=pd.Series(np.random.rand(6),[['a','a','b','b','c','c'],[2,3,6,4,5,8]])
>>> mser
a  2    0.936455
   3    0.431867
b  6    0.996895
   4    0.584551
c  5    0.883911
   8    0.049483
dtype: float64
# 选取
mser['a'][2]=0.936455

DataFrame 与　Series转化

DataFrame -> Series : stack()

frame.stack()

Series -> DataFrame : unstack()

mser.unstack()

交换层级:

frame.colums.names=['a','b']
frame.index.name=['c','d']
frame.swaplevel('c','d')
frame.sortlevel('c')# 只按照一个层级进行排序

# 按层级统计数据
frame.sum(level='c')
frame.sum(level='c',axis=1)

Pandas 数据读写

读

---

• read_csv()
• read_excel()
• read_sql()
• read_json()
• read_html()
• read_clipboard()

---

写

---

• to_csv()
• to_excel()
• to_sql()
• to_json()
• to_html()
• to_clipboard()

---

CSV 文件

1. read_csv()
2. read_table()
3. to_csv()

pd.csvframe=read_csv('data.csv')
pd.read_table('data.csv',sep=',')
# names 指定表头
read_csv('data.csv',names=['id'])
# header 添加表头

TxT RegExp 解析

在read_table中使用sep中的正则表达式

.	单个字符
\d	数字
\D	非数字
\s	空白字符
\S	非空白字符
\n	换行符
\t	制表符

>>> pd.read_table('tt.txt',sep='\s*')
   white  red  blue  green
0      1    5     2      3
1      2    7     8      5
2      3    3     6      7
>>> pd.read_table('tt.txt',sep='\D*',header=None)
 # skiprows=[1,3,6]排除1,3,6 行
 # skiprows=5 排除前五行

部分数据读取(常用用法)

从 skiprows 开始读，读多少 nrows行

read_csv('data.csv',skiprows=[2],nrows=3,header=None)

解析文本：

out=pd.Series()
i=0
# chunksize 一次处理数据行数
pieces = pd.read_csv('tips.csv',chunksize=3)
for piece in pieces:
	out.set_value(i,piece['size'].sum())
	i=i+1

往CSV中写数据

frame.to_csv('tt.csv',index=False,header=False)

替换，，中内容

frame.to_csv('new.csv',na_rep='NaN')

HTML

读取HTML

read_html()

to_html()

安装html5lib库

conda install html5lib

tf=pd.DataFrame(np.arange(4).reshape(2,2))

print(tf.to_html()) # 自动转化html

更加复杂的例子：(生成)

frame=pd.DataFrame(np.random.random((4,4)),index=['white','black','red','blue'],columns=['up','down','right','left'])

s=['<html>']
s.append('<head><title>DataFrame</title></head>')
s.append('<body>')
s.append(frame.to_html())
s.append('</body></html>')
html=''.join(s)

html_file=open('myFrame.html','w')
html_file.write(html)
html_file.close()

打开HTML文件：

>>> web_frame=pd.read_html('myFrame.html')
>>> web_frame
[  Unnamed: 0        up      down     right      left
0      white  0.654247  0.917280  0.599515  0.401334
1      black  0.647599  0.555069  0.612985  0.279210
2        red  0.204044  0.719828  0.950169  0.749252
3       blue  0.089194  0.498193  0.568361  0.427534]

局限于读表格

从XML读取数据

lxml 库文件

from lxml import objectify
xml=objectify.parse('test.xml')
root=xml.getroot()

读写excel文件

pd.read_excel('data.xlsx')
pd.read_excel('data.xlsx','sheet2')