python数据分析及展示（三）

一、Pandas库入门

1. Pandas库的介绍

http://pandas.pydata.org

Pandas是Python第三方库，提供高性能易用数据类型和分析工具

import pandas as pd
Pandas基于NumPy实现，常与NumPy和Matplotlib一同使用

两个数据类型：Series, DataFrame

基于上述数据类型的各类操作：基本操作、运算操作、特征类操作、关联类操作

NumPy                        Pandas
基础数据类型               扩展数据类型

关注数据的结构表达    关注数据的应用表达
维度：数据间关系        数据与索引间关系

2. Pandas的Series类型

Series类型由一组数据及与之相关的数据索引组成

数据              索引

index_0     data_a
index_1     data_b
index_2     data_c
index_3     data_d

自定义索引，作为第二个参数，可以省略index=

Series类型可以由如下类型创建：
• Python列表
• 标量值
• Python字典
• ndarray
• 其他函数

（1）从标量值创建，不能省略index

（2）从字典类型创建，还可以从字典中进行选择操作

（3）从ndarray类型创建

Series类型可以由如下类型创建：
• Python列表，index与列表元素个数一致
• 标量值，index表达Series类型的尺寸
• Python字典，键值对中的“键”是索引，index从字典中进行选择操作
• ndarray，索引和数据都可以通过ndarray类型创建
• 其他函数，range()函数等

Series类型的基本操作

Series类型包括index和values两部分
Series类型的操作类似ndarray类型
Series类型的操作类似Python字典类型

自动索引和自定义索引并存，但不能混用。

Series类型的操作类似ndarray类型：
• 索引方法相同，采用[]
• NumPy中运算和操作可用于Series类型
• 可以通过自定义索引的列表进行切片
• 可以通过自动索引进行切片，如果存在自定义索引，则一同被切片

Series类型的操作类似Python字典类型：
• 通过自定义索引访问
• 保留字in操作，对索引进行操作
• 使用.get()方法，取某个索引的值，如果没有，则赋给定的值。

Series类型在运算中会自动对齐不同索引的数据，如果对应不上，则为空。

Series对象和索引都可以有一个名字，存储在属性.name中

Series对象可以随时修改并即刻生效

Series是一维带“标签”数组
index_0     →    data_a
Series基本操作类似ndarray和字典，根据索引对齐

3. Pandas库的DataFrame类型

DataFrame类型由共用相同索引的一组列组成

索引                          多列数据

index_0   →   data_a      data_1   ...      data_w
index_1   →   data_b      data_2   ...      data_y
index_2   →   data_c      data_3   ...      data_x
index_3   →    data_d     data_4   ...      data_z

index          axis=0
column       axis=1

DataFrame是一个表格型的数据类型，每列值类型可以不同
DataFrame既有行索引、也有列索引
DataFrame常用于表达二维数据，但可以表达多维数据

DataFrame类型可以由如下类型创建：
• 二维ndarray对象
• 由一维ndarray、列表、字典、元组或Series构成的字典
• Series类型
• 其他的DataFrame类型

(1)从二维ndarray对象创建

（2）从一维ndarray对象字典创建

（3）从列表类型的字典创建

DataFrame是二维带“标签”数组，DataFrame基本操作类似Series，依据行列索引

4. Pandas库的数据类型操作

如何改变Series和DataFrame对象？
增加或重排：重新索引
删除：drop

.reindex()能够改变或重排Series和DataFrame索引

.reindex(index=None, columns=None, …)的参数

参数                            说明
index, columns           新的行列自定义索引
fill_value                    重新索引中，用于填充缺失位置的值
method                      填充方法, ffill当前值向前填充，bfill向后填充
limit                            最大填充量
copy                           默认True，生成新的对象，False时，新旧相等不复制

Series和DataFrame的索引是Index类型，Index对象是不可修改类型

索引类型的常用方法

方法                                         说明
.append(idx)                            连接另一个Index对象，产生新的Index对象
.diff(idx)                                   计算差集，产生新的Index对象
.intersection(idx)                     计算交集
.union(idx)                              计算并集
.delete(loc)                             删除loc位置处的元素
.insert(loc,e)                           在loc位置增加一个元素e

.drop()能够删除Series和DataFrame指定行或列索引

5. Pandas库的数据类型运算

（1）算术运算法则：

算术运算根据行列索引，补齐后运算，运算默认产生浮点数
补齐时缺项填充NaN (空值)
二维和一维、一维和零维间为广播运算
采用+ ‐ * /符号进行的二元运算产生新的对象

方法形式的运算

方法                                    说明
.add(d, **argws)                  类型间加法运算，可选参数
.sub(d, **argws)                  类型间减法运算，可选参数
.mul(d, **argws)                   类型间乘法运算，可选参数
.div(d, **argws)                    类型间除法运算，可选参数

使用运算方法可以令一维Series参与轴0运算

（2）比较运算法则

比较运算只能比较相同索引的元素，不进行补齐
二维和一维、一维和零维间为广播运算
采用> < >= <= == !=等符号进行的二元运算产生布尔对象

同维度运算，尺寸一致：

不同维度，广播运算，默认在1轴

二、Pandas数据特征分析

1. 数据的排序

一组数据表达一个或多个含义

摘要（数据形成有损特征的过程）
基本统计（含排序）
分布/累计统计
数据特征
相关性、周期性等
数据挖掘（形成知识）

.sort_index()方法在指定轴上根据索引进行排序，默认升序
.sort_index(axis=0, ascending=True)

.sort_index(axis=0, ascending=True)

.sort_values()方法在指定轴上根据数值进行排序，默认升序
Series.sort_values(axis=0, ascending=True)
DataFrame.sort_values(by, axis=0, ascending=True)
by : axis轴上的某个索引或索引列表

NaN统一放到排序末尾

2. 数据的基本统计分析

基本的统计分析函数：适用于Series和DataFrame类型

方法                                            说明
.sum()                                         计算数据的总和，按0轴计算，下同
.count()                                       非NaN值的数量
.mean() .median()                       计算数据的算术平均值、算术中位数
.var() .std()                                  计算数据的方差、标准差
.min() .max()                               计算数据的最小值、最大值

.describe()                                   针对0轴（各列）的统计汇总

适用于Series类型

方法                                            说明
.argmin() .argmax()                    计算数据最大值、最小值所在位置的索引位置（自动索引）
.idxmin() .idxmax()                      计算数据最大值、最小值所在位置的索引（自定义索引）

3. 累计统计分析函数

适用于Series和DataFrame类型，累计计算

方法                              说明
.cumsum()                    依次给出前1、2、…、n个数的和
.cumprod()                   依次给出前1、2、…、n个数的积
.cummax()                    依次给出前1、2、…、n个数的最大值
.cummin()                     依次给出前1、2、…、n个数的最小值

适用于Series和DataFrame类型，滚动计算（窗口计算）

方法                               说明

.rolling(w).sum()            依次计算相邻w个元素的和
.rolling(w).mean()          依次计算相邻w个元素的算术平均值
.rolling(w).var()              依次计算相邻w个元素的方差
.rolling(w).std()              依次计算相邻w个元素的标准差
.rolling(w).min() .max()  依次计算相邻w个元素的最小值和最大值

4. 数据的相关分析

两个事物，表示为X和Y，如何判断它们之间的存在相关性？
相关性
• X增大，Y增大，两个变量正相关
• X增大，Y减小，两个变量负相关
• X增大，Y无视，两个变量不相关

（1）协相关

• 协方差>0, X和Y正相关
• 协方差<0, X和Y负相关
• 协方差=0, X和Y独立无关

（2）Pearson相关系数

r取值范围[‐1,1]

• 0.8‐1.0 极强相关
• 0.6‐0.8 强相关
• 0.4‐0.6 中等程度相关
• 0.2‐0.4 弱相关
• 0.0‐0.2 极弱相关或无相关

适用于Series和DataFrame类型

方法说明
.cov() 计算协方差矩阵
.corr() 计算相关系数矩阵, Pearson、Spearman、Kendall等系数