整理pandas操作

本文原创，转载请标识出处： http://www.cnblogs.com/xiaoxuebiye/p/7223774.html

导入数据：

pd.read_csv(filename)：从CSV文件导入数据
pd.read_table(filename)：从限定分隔符的文本文件导入数据
pd.read_excel(filename)：从Excel文件导入数据
pd.read_sql(query, connection_object)：从SQL表/库导入数据
pd.read_json(json_string)：从JSON格式的字符串导入数据
pd.read_html(url)：解析URL、字符串或者HTML文件，抽取其中的tables表格
pd.read_clipboard()：从你的粘贴板获取内容，并传给read_table()
pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据

导出数据：

df.to_csv(filename)：导出数据到CSV文件
df.to_excel(filename)：导出数据到Excel文件
df.to_sql(table_name, connection_object)：导出数据到SQL表
df.to_json(filename)：以Json格式导出数据到文本文件

创建测试对象：

pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一个日期索引

查看、检查数据：

df.head(n)：查看DataFrame对象的前n行
df.tail(n)：查看DataFrame对象的最后n行
df.shape()：查看行数和列数
http:// df.info() ：查看索引、数据类型和内存信息
df.describe()：查看数值型列的汇总统计
s.value_counts(dropna=False)：查看Series对象的唯一值和计数
df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数

数据选取：

df[col]：根据列名，并以Series的形式返回列
df[[col1, col2]]：以DataFrame形式返回多列
s.iloc[0]：按位置选取数据
s.loc['index_one']：按索引选取数据
df.iloc[0,:]：返回第一行
df.iloc[0,0]：返回第一列的第一个元素

数据统计：

df.describe()：查看数据值列的汇总统计
df.mean()：返回所有列的均值
df.corr()：返回列与列之间的相关系数
df.count()：返回每一列中的非空值的个数
df.max()：返回每一列的最大值
df.min()：返回每一列的最小值
df.median()：返回每一列的中位数
df.std()：返回每一列的标准差

数据合并：

df1.append(df2)：将df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
df1.join(df2,on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join

数据处理：

df[df[col] > 0.5]：选择col列的值大于0.5的行
df.sort_values(col1)：按照列col1排序数据，默认升序排列
df.sort_values(col2, ascending=False)：按照列col1降序排列数据
df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
df.groupby(col)：返回一个按列col进行分组的Groupby对象
df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max

数据清理：

df[df[col] > 0.5]：选择col列的值大于0.5的行
df.sort_values(col1)：按照列col1排序数据，默认升序排列
df.sort_values(col2, ascending=False)：按照列col1降序排列数据
df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
df.groupby(col)：返回一个按列col进行分组的Groupby对象
df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max

其它操作：

改列名：

方法1
a.columns = ['a','b','c']

方法2
a.rename(columns={'A':'a', 'B':'b', 'C':'c'}, inplace = True)

 插入行列

http://www.jianshu.com/p/7df2593a01ce

相关参考链接：

参考
http://www.qingpingshan.com/rjbc/dashuju/228593.html

十分钟搞定
http://python.jobbole.com/84416/

官方文档
http://pandas.pydata.org/pandas-docs/stable/index.html

操作索引
https://www.dataquest.io/blog/images/cheat-sheets/pandas-cheat-sheet.pdf

进阶

取数（元素）：

取df中某一个具体的数据
iloc     index locate
举例 ：
    print df.iloc[0,0]
    print df.iloc[1, 1]
    print df.iloc[19, 7]

如果 df 是日期索引 +  a,b,c 列名

loc      locate

df.loc[ '2017-01-01', 'A'  ]

取数（行）：

    one_row = df.iloc[4]
    one_row2 = df.loc['2013-01-02']
    print type(one_row)

取某一行， 取出来后之后的数据类型是   Series
可以  one_row.iloc[1], 再访问 Series 里的数据

    print one_row.iloc[1]
    print one_row.loc['A']

取数（列）：

column2 = df['A']

column2 是一个 Series 类型

print type( column2 )

可访问 列里面的数据
    print column2[0]
    print column2['2013-01-03']

取数（切片）：

行模式切片

    dfsub1 = df.iloc[4:5]
    print type( dfsub1 )
    print  dfsub1

    dfsub2 = df.loc['2013-01-03':'2013-01-05']
    print  dfsub2

切片的结果 还是df,  而且改变 dfsub, 会同时改变
df

-------------------------------------------------
列模式
    print ' get sub by  column mode '
    dfsub = df[['A','B']]
    print type( dfsub )
    print  dfsub

-------------------------------------------------
子集
row  x  column
方式一：
    print ' get sub by  row  X column  mode '
    dfsub = df.loc['':'', ['A', 'B']]
    print type( dfsub )
    print  dfsub
方式二

dfsub = df.iloc[ 1:3, 1:3 ]
-------------------------------------------------

取数（条件切片）：

dfsub =  df[  (df.A > 0) and  (df.B > 0)  ]
结果类型是 df

这个玩意很想数据库里的    select where 

送一个特殊条件

print df[ df > 0 ]

行遍历 ：

def testForeach():

        df = pd.read_table('D:/run/data/sz002626_2017-01-04.cvs', encoding='gbk')  # ,header=0
        df = df.sort_index(axis=0, ascending=False)
        df.columns = [1, 2, 3, 4, 5, 6]
        df[7] = 'kong'
        print  df

        # 清洗
        df[3] = df[3].replace('--', '0.00')
        df[3] = df[3].astype(float)

        #遍历
        df[7] = df.apply(lambda r: dorec(r), axis=1)
        print df
        pass

def dorec(rec):
        if (rec[3] > 0):
            return '涨'
        if (rec[3] < 0):
            return '跌'
        else:
            return '平'

修改字段类型 ：

df[['two', 'three']] = df[['two', 'three']].astype(float)

cnlogs 发随笔需要 150 字， 以下内容都是充字数的，忽视。

循环神经网络(RNN)

人们的每次思考并不都是从零开始的。比如说你在阅读这篇文章时，你基于对前面的文字的理解来理解你目前阅读到的文字，而不是每读到一个文字时，都抛弃掉前面的思考，从头开始。你的记忆是有持久性的。

传统的神经网络并不能如此，这似乎是一个主要的缺点。例如，假设你在看一场电影，你想对电影里的每一个场景进行分类。传统的神经网络不能够基于前面的已分类场景来推断接下来的场景分类。

循环神经网络(Recurrent Neural Networks)解决了这个问题。这种神经网络带有环，可以将信息持久化。