Python 数据处理库pandas教程（最后附上pandas_datareader使用实例）

0 简单介绍

pandas是一个Python语言的软件包，在我们使用Python语言进行机器学习编程的时候，这是一个非常常用的基础编程库。本文是对它的一个入门教程。

pandas提供了快速，灵活和富有表现力的数据结构，目的是使“关系”或“标记”数据的工作既简单又直观。它旨在成为在Python中进行实际数据分析的高级构建块。

另外，pandas常常和NumPy一起使用，本文中的源码中也会用到NumPy（教程见Python 机器学习库 NumPy 教程）。

1 安装

pip install pandas

2 核心数据结构

pandas最核心的就是Series和DataFrame两个数据结构。

这两种类型的数据结构对比如下：

名称	维度	说明
Series	1维	带有标签的同构类型数组
DataFrame	2维	表格结构，带有标签，大小可变，且可以包含异构的数据列

DataFrame可以看做是Series的容器，即：一个DataFrame中可以包含若干个Series。

3 Index对象与数据访问

pandas的Index对象包含了描述轴的元数据信息。当创建Series或者DataFrame的时候，标签的数组或者序列会被转换成Index。

请注意：

1. Index并非集合，因此其中可以包含重复的数据
2. Index对象的值是不可以改变，因此可以通过它安全的访问数据

DataFrame提供了下面两个操作符来访问其中的数据：

1. loc：通过行和列的索引来访问数据
2. iloc：通过行和列的下标来访问数据

3.1 基础方法：[]和.

series1 = pd.Series([1, 2, 3, 4, 5, 6, 7],
    index=["C", "D", "E", "F", "G", "A", "B"])

print("series1['E'] = {} \n".format(series1['E']));
print("series1.E = {} \n".format(series1.E));

结果：

注1：对于类似属性的访问方式.来说，要求索引元素必须是有效的Python标识符的时候才可以，而对于series1.1这样的索引是不行的。

注2：[]和.提供了简单和快速访问pands数据结构的方法。这种方法非常的直观。然而，由于要访问的数据类型并不是事先知道的，因此使用这两种方法方式存在一些优化限制。因此对于产品级的代码来说，pandas官方建议使用pandas库中提供的数据访问方法。

3.2 loc与iloc

• loc：通过行和列的索引来访问数据

• iloc：通过行和列的下标来访问数据

通过这两个操作符我们还可以访问某个范围之内的数据。

3.3 at与iat

这两个操作符用来访问单个的元素值（Scalar Value）。类似的：

• at：通过行和列的索引来访问数据
• iat：通过行和列的下标来访问数据

3.4  Index对象

Index提供了查找，数据对齐和重新索引所需的基础数据结构。

我们可以通过一个数组来创建Index对象。在创建的同时我们还可以通过name指定索引的名称：

index = pd.Index(['C','D','E','F','G','A','B'], name='note')

3.5 MultiIndex

MultiIndex，或者称之为Hierarchical Index是指数据的行或者列通过多层次的标签来进行索引。

4 Series数据对象

4.1 Series数据对象的生成

Series是一维结构的数据，Series的数据类型有list、ndarray、字典、常量；

以下结果中：

输出的最后一行是Series中数据的类型，这里的数据都是int64类型的。

数据在第二列输出，第一列是数据的索引，在pandas中称之为Index。

• list

data=[-2,-1,0,1,2]
index=["a","b","c","d","e"]
s1=pd.Series(data,index=index)
print(s1)

结果：

• ndarray

data=np.random.randn(5)
index=["a","b","c","d","e"]
s2=pd.Series(data,index=index)
print(s2)

结果：

• 字典

data={'a':0,'b':1,'c':2}
index=["a","b","c","d","e"]
s3=pd.Series(data,index=index)
print(s3)

结果：

• 常量

data=5
index=["a","b","c","d","e"]
s4=pd.Series(data,index=index)
print(s4)

结果：

如果不指定（像上面这样），索引是[a, ...,z]的形式。不过我们也可以在创建Series的时候指定索引。索引未必一定需要是整数，可以是任何类型的数据，例如字符串。

4.2  Series数据对象的访问

Series的访问方法：s.values、s.index、索引访问、切片访问

print(s3.values)
print(s3.index)
print(s3[['a','b']]) #print(s3['a'])
print(s3[:3])

结果：

5 DataFrame数据对象

5.1 DataFrame数据对象的生成

DataFrame的数据类型有列表组成的字典、嵌套列表、二维ndarray、Series组成的字典、字典的列表、字典组成的字典等；DataFrame默认的索引和列名都是[0, N-1]的形式。

• 列表组成的字典

data={'one':[1,2,3,4],'two':[5,6,7,8]}
df1=pd.DataFrame(data)
print(df1)

结果：

• 嵌套列表

data=[[1,2,3,4],[5,6,7,8]]
df2=pd.DataFrame(data,index=['a','b'],columns=['one','two','three','four'])
print(df2)

结果：

• 二维ndarray

data=np.zeros((2,),dtype=[('A','i4'),('B','f4'),('C','a10')])
print(data)
df3=pd.DataFrame(data)
print(df3)

结果：

• Series组成的字典

DataFrame的不同列可以是不同的数据类型；如果以Series数组来创建DataFrame，每个Series将成为一行，而不是一列。

data={'one':pd.Series([1,2,3],index=['a','b','c']),
      'two':pd.Series([4,5,6],index=['b','c','d'])}
df4=pd.DataFrame(data)
print(df4)

结果：

• 字典的列表

data=[{'a':1,'b':2},{'a':4,'b':4,'c':5}]
df5=pd.DataFrame(data)
print(df5)

结果：

• 字典组成的字典

data={('a','b'):{('A','B'):1,('A','C'):2},
      ('a','a'):{('A','C'):3,('A','B'):4},
      ('a','c'):{('A','B'):5,('A','B'):6},
      ('b','a'):{('A','C'):7,('A','B'):8},
      ('b','b'):{('A','D'):9,('A','B'):10}
}
df6=pd.DataFrame(data)
print(df6)

结果：

5.2 DataFrame数据对象的访问

print(df1)
print(df1.index)
print(df1.columns)
print()
print(df1.values)
print()
print(df1['one']) # print(df[['one']]) 此写法带列标
print()
print(df1[0:1])

print(df1.loc[:,['one','two']])
print()
print(df1.loc[[0],['one','two']])
print()
print(df1.iloc[0:2,0:1])
print()
print(df1.ix[0,['one','two']])
print()
print(df1.ix[[0,1],[0,1]])

结果：

6 数据整合

6.1 Concatenate：串联，连接，级连

6.2 Append：附加，增补

6.3 Merge：融合，归并，合并

6.4 Join：合并，接合，交接

7 文件操作

pandas库提供了一系列的read_函数来读取各种格式的文件，它们如下所示：

7.1 读取Excel文件

注：要读取Excel文件，还需要安装另外一个库：xlrd

df1 = pd.read_excel("data/test.xlsx")

7.2 读取CSV文件

df2 = pd.read_csv("data/test1.csv")

8  处理无效值

8.1 忽略无效值

通过pandas.DataFrame.dropna函数抛弃无效值

8.2替换无效值

通过fillna函数将无效值替换成为有效值

9 实例：使用pandas_datareader获取股票数据并处理

# -*- coding: utf-8 -*-
"""
Created on Wed Jun  5 20:20:47 2019

@author: quanzhan
"""

import numpy as np
import pandas as pd
import pandas_datareader.data as web
import datetime
#获取股票数据方法一：
#df_csvsave=web.DataReader('601233.SS','yahoo',datetime.datetime(2019,6,1),datetime.date.today())
#保存到csv
#df_csvsave.to_csv('D:\\AnacondaProjects\\learnnumpy\\exchange_06.csv',columns=df_csvsave.columns,index=True)
#获取股票数据方法二：
df_csvload=pd.read_csv("D:\\AnacondaProjects\\learnnumpy\\exchange_06.csv",parse_dates=True,index_col=0,encoding='gb2312')
print("***************************************************")
print(df_csvload)
print("***************************************************")
print(df_csvload.index)
print(df_csvload.columns)

print("*****#股票内容查看： head()、tail()、shape、describe()、info()*********")
#股票内容查看： head()、tail()、shape、describe()、info()
print(df_csvload.head(3))
print(df_csvload.tail(3))
print(df_csvload.shape)
print(df_csvload.describe())
print(df_csvload.info())
print("*******# 缺失值处理：isnull()、notnull()、dropna()、fillna()**********")
# 数据规整化处理
# 缺失值处理：isnull()、notnull()、dropna()、fillna()
print(df_csvload.isnull())
# .T.any()非缺失值仍然显示
print(df_csvload.notnull().T.any())
# axis=0删除包含缺失值的行 axis=1 删除包含缺失值的列 how='all' 所有值均缺就删除 how='any'只要有一个缺失值就删除
print(df_csvload.dropna(axis=0,how='all'))
# method='ffill'行或列上的上一个值来填充缺失值 inplace=True 改变原来的dataFrame
print(df_csvload.fillna(method='ffill',axis=0,inplace=True))
print("***************# 精度转换  ：（1） '%0.2f'%x******************")
# 特殊值处理
# 精度转换  ：（1） '%0.2f'%x
df_csvload1=df_csvload.applymap(lambda x:'%0.3f'%x)

df_csvload1.Volume=df_csvload.ix[:,['Volume']].apply(lambda x:'%0.0f'%x,axis=1)
print(df_csvload1)
print("******************# 精度转换  ：（2）*********************************")
# 精度转换  ：（2）
df_csvload2=df_csvload.round(1)
df_csvload2.Volume=df_csvload2.Volume.astype(int)
print(df_csvload2)
print("****************# 特定值查询后用此列的中位数填充*********************")
# 特定值查询后用此列的中位数填充
print(df_csvload)
print()
print(df_csvload[df_csvload.values==0])
df_csvload.loc[df_csvload.loc[:,'High']==0,'High']=df_csvload.High.median()
print()
print(df_csvload)

参考

Python数据处理库pandas入门教程

Python数据处理库pandas进阶教程