十分钟学习pandas
一、导语
这篇文章从pandas官网翻译：链接，而且也有很多网友翻译过，而我为什么没去看他们的，而是去官网自己艰难翻译呢？
毕竟这是一个学习的过程，别人写的不如自己写的记忆深刻。那么开始吧。
1、pandas是什么？
pandas是基于numpy的数据分析库（如果你没了解过numpy，可以在我的博客看numpy相关的文章），提供快速、灵活和富有表现力的数据结构。
pandas的数据结构分为Series（一维）和DataFrame(二维)。这两个主要的数据结构在金融，统计，社会科学和许多工程领域大展神威。
2、pandas能做什么？
- 轻松处理丢失的数据（以NaN表示）
- 大小可变性：可以从DataFrame和更高维的对象插入和删除列
- 自动显式的数据对齐
- 灵活的按组功能来执行对数据集拆分、联合操作
- 可轻松地将Python和Numpy数据结构中的不同索引的数据转换为DataFrame对象
- 可以智能地对大型数据集基于标签进行切片
- 直观的合并和连接数据集
- 数据集灵活的重塑和旋转
- 坐标轴分层标记
- 强大是IO工具：可以从CSV、Excel文件、数据库加载数据，以及从超快的HDF5格式保存和加载数据
- 时间序列-特定功能：日期范围生成和频率转换
3、导入numpy、pandas库
import pandas as pd
import numpy as np
二、对象的创建
1、创建一个Series:index
s = pd.Series([1,2,3,4],index=list('abcd'))
out:
a 1
b 2
c 3
d 4
dtype: int64
2、创建一个DataFrame
通过numpy数组，并制定日期时间索引和标签列来创建
dates = pd.date_range('20170123',periods=6)
print(dates)
df = pd.DataFrame(np.random.randn(6,4),index=dates,columns=list('abcd'))
print(df)
out:
DatetimeIndex(['2017-01-23', '2017-01-24', '2017-01-25', '2017-01-26',
'2017-01-27', '2017-01-28'],
dtype='datetime64[ns]', freq='D')
a b c d
2017-01-23 -1.081953 2.547690 0.428435 -2.513003
2017-01-24 -1.123833 -2.080332 0.540281 1.100093
2017-01-25 0.048541 -0.295839 -0.236631 0.107606
2017-01-26 -0.890604 0.408112 0.765936 -0.829474
2017-01-27 -0.845467 2.140932 0.046358 -0.557103
2017-01-28 0.448769 0.584306 -1.892730 -2.223615
通过传递一个可以转换为一系列的对象的字典
df2 = pd.DataFrame({
'A':1,
'B':pd.Timestamp('20100123'),
'C':pd.Series(1,index=list(range(4)),dtype='float32'),
'D':np.array([3] * 4,dtype='int32'),
'E':pd.Categorical(['test','train','test','train']),
'F':'foobar'
})
print(df2)
print('df2 dtypes:')
print(df2.dtypes)
out:
A B C D E F
0 1 2010-01-23 1.0 3 test foobar
1 1 2010-01-23 1.0 3 train foobar
2 1 2010-01-23 1.0 3 test foobar
3 1 2010-01-23 1.0 3 train foobar
df2.dtypes:
A int64
B datetime64[ns]
C float32
D int32
E category
F object
dtype: object
三、查看数据
1、查看数据的顶部和底部的行
df.head(2) #默认为5行
year month day hour season
0 2010.0 5.0 29.0 17.0 1.0
1 2014.0 2.0 15.0 15.0 4.0
df.tail()
year month day hour season
37788 2014.0 1.0 4.0 0.0 4.0
37789 2014.0 4.0 3.0 8.0 1.0
2、显示索引、列和底层的Numpy数据
- df.index 显示索引
- df.columns 显示列名
- df.values 返回的是一个numpy.ndarray类型
3、显示数据的快速统计摘要
df.describe()
a b c d
count 6.000000 6.000000 6.000000 6.000000
mean -0.574091 0.550811 -0.058059 -0.819249
std 0.658465 1.683878 0.967726 1.374977
min -1.123833 -2.080332 -1.892730 -2.513003
25% -1.034116 -0.119852 -0.165884 -1.875080
50% -0.868035 0.496209 0.237396 -0.693288
75% -0.174961 1.751775 0.512319 -0.058571
max 0.448769 2.547690 0.765936 1.100093
4、翻转数据
- df.T
5、按轴排序
df2.sort_index(axis=0,ascending=False)
A B C D E F
3 1 2010-01-23 1.0 3 train foobar
2 1 2010-01-23 1.0 3 test foobar
1 1 2010-01-23 1.0 3 train foobar
0 1 2010-01-23 1.0 3 test foobar
6、按值排序
df2.sort_values(by='E')
A B C D E F
0 1 2010-01-23 1.0 3 test foobar
2 1 2010-01-23 1.0 3 test foobar
1 1 2010-01-23 1.0 3 train foobar
3 1 2010-01-23 1.0 3 train foobar
四、选择数据
1、通过['column_name']选择一个列，得到Series
df['A'] #等效于df.A
2、通过[]切片选择行
df['day'][:6]
0 29.0
1 15.0
2 6.0
3 5.0
4 25.0
5 26.0
Name: day, dtype: float64
3、基于标签选择
.loc属性是主访问方法。以下是有效的输入：
- 单个标签，例如5或'a'(在这里5被解释为索引的标签)
- 标签的列表或者数组['a,'b','c']
- 具有标签 'b':'e'的切片对象（注意，这里与通常的python切片相反，包括开始和停止，他是包括开始和结束的）
- 可以是一个布尔数组
- 一个callable
s1 = pd.Series(np.random.randn(6),index=list('abcdef'))
out:
a 1.715955
b 0.307930
c -0.971638
d -0.594908
e -3.134987
f 0.396613
dtype: float64
s1.loc['b':'e']
out:
b 0.307930
c -0.971638
d -0.594908
e -3.134987
dtype: float64
s1.loc['b']
out:
0.30792993178289157
还可以用来设置value
s1.loc['b'] = 0
out:
a 1.715955
b 0.000000
c -0.971638
d -0.594908
e -3.134987
f 0.396613
dtype: float64
使用在DataFrame
df1 = pd.DataFrame(np.random.randn(6,4),
index = list('abcdef'),
columns=list('ABCD'))
out:
A B C D
a 1.235823 -0.767938 -0.750474 0.342353
b 0.506219 0.388180 0.400716 0.207014
c -0.813548 0.509618 0.311099 -0.645569
d -0.510755 -0.195760 1.162505 -2.125746
e -0.559745 -0.937668 0.363403 0.554602
f -1.512407 0.865061 -0.602054 0.207695
df1.loc[['a','b','e'],:]
out:
A B C D
a 1.235823 -0.767938 -0.750474 0.342353
b 0.506219 0.388180 0.400716 0.207014
e -0.559745 -0.937668 0.363403 0.554602
使用标签获取行（等效于df.xs('a')）
df1.loc['a']
out:
A 1.235823
B -0.767938
C -0.750474
D 0.342353
Name: a, dtype: float64
获取带有布尔数组的值
df1.loc['a'] > 0
out:
A True
B False
C False
D True
Name: a, dtype: bool
显示获取值.loc['行标签','列标签']
df1.loc['a','A']
out:
1.2358232787452161
4、基于索引的选择
.iloc属性可以获得纯粹基于整数的索引。语义准讯python和numpy切片，包括起始便捷，不包括结束边界。
如果使用的索引是非整数，即使是有效的便签也会参数IndexError。
以下是.iloc属性的有效输入
- 整数，例如7
- 整数列表或者数组，例如[4,2,0]
- 整数的切片(slice)对象，例如1::7
- 一个布尔数组
- 一个callable
s2 = pd.Series(np.random.randn(5),index=list(range(0,10,2)))
out:
0 -1.051477
2 -0.495461
4 2.417686
6 0.329432
8 1.479104
dtype: float64
s2.iloc[:3]
out:
0 -1.051477
2 -0.495461
4 2.417686
6 0.000000
8 1.479104
dtype: float64
s2.iloc[3] = 0 #还可以使用iloc来修改一个的value
out：
0 -1.051477
2 -0.495461
4 2.417686
6 0.000000
8 1.479104
dtype: float64
s2.iloc[:3] = 0 #还是使用iloc连续赋值
out:
0 0.000000
2 0.000000
4 0.000000
6 0.000000
8 1.479104
dtype: float64
使用在DataFrame
df2 = pd.DataFrame(np.random.randn(6,4),
index=list(range(0,12,2)),
columns=list(range(0,8,2)))
out:
0 2 4 6
0 -0.708809 -0.417166 -1.296387 0.620899
2 -1.514339 1.145004 0.877585 -1.695285
4 1.365427 -0.721800 -0.719877 -0.418820
6 0.980937 0.230571 -0.783681 -0.985872
8 1.031649 -1.232232 0.795309 1.294055
10 0.618609 -1.370898 0.229622 0.817530
通过整数切片进行选择
df2.iloc[:3]
out:
0 2 4 6
0 -0.708809 -0.417166 -1.296387 0.620899
2 -1.514339 1.145004 0.877585 -1.695285
4 1.365427 -0.721800 -0.719877 -0.418820
通过整数列表进行选择
df2.iloc[[1,3,5],[1,3]]
out:
2 6
2 1.145004 -1.695285
6 0.230571 -0.985872
10 -1.370898 0.817530
df2.iloc[1:3,:] #df2.iloc[:,1:3]
out:
0 2 4 6
2 -1.514339 1.145004 0.877585 -1.695285
4 1.365427 -0.721800 -0.719877 -0.418820
还可以获得值 .loc['行位置','列位置']
df2.iloc[0,1]
out:
-0.41716586227691288
获取整数位置的行（等于df.xs(1)）
df2.iloc[1]
out:
0 -1.514339
2 1.145004
4 0.877585
6 -1.695285
Name: 2, dtype: float64
超出范围的切片索引，会像python、numpy一样优雅的处理(pandas v0.14.0之前并不能这样，否则可能会导致返回一个空的DataFrame)
df2.iloc[:3,:1000]
out:
0 2 4 6
0 -0.708809 -0.417166 -1.296387 0.620899
2 -1.514339 1.145004 0.877585 -1.695285
4 1.365427 -0.721800 -0.719877 -0.418820
超出范围的单个索引器将生成IndexError（并不能像切片那样优雅地处理）。任何元素超出边界的索引器列表将生成IndexError
df2.iloc[[1,2,8]]
IndexError: positional indexers are out-of-bounds
。。。。有一个重要的是，不要把里面的iloc里面的范围值当做是索引，他表示从0开始的第几个。。。。
5、通过布尔索引选择数据
使用单个列的值条件来选择数据
df1[df1.A>0]
out:
A B C D
a 1.235823 -0.767938 -0.750474 0.342353
b 0.506219 0.388180 0.400716 0.207014
使用where的方法来获取数据
df2[df2>0]
out:
0 2 4 6
0 NaN NaN NaN 0.620899
2 NaN 1.145004 0.877585 NaN
4 1.365427 NaN NaN NaN
6 0.980937 0.230571 NaN NaN
8 1.031649 NaN 0.795309 1.294055
10 0.618609 NaN 0.229622 0.817530
使用isin()方法进行过滤
df3 = df2.copy()
df3['E'] = ['one','one','two','three','four','three']
df3[df3['E'].isin(['two','four'])]
out:
0 2 4 6 E
4 1.365427 -0.721800 -0.719877 -0.418820 two
8 1.031649 -1.232232 0.795309 1.294055 four
五、设置数据
添加新列会自动按照索引对齐数据
s3 = pd.Series([1,2,3,4,5,6],index=pd.date_range('20170125',periods=6))
out:
2017-01-25 1
2017-01-26 2
2017-01-27 3
2017-01-28 4
2017-01-29 5
2017-01-30 6
Freq: D, dtype: int64
df3['F'] = s3
out:
0 2 4 6 F
0 -0.708809 -0.417166 -1.296387 0.620899 NaN
2 -1.514339 1.145004 0.877585 -1.695285 NaN
4 1.365427 -0.721800 -0.719877 -0.418820 NaN
按标签设置值
dates = pd.date_range('20180101',periods=6)
df = pd.DataFrame(np.random.randn(6,4),index=dates,columns=list('ABCD'))
df.at[dates[0],'A'] = 0
按位置设置值
df.iat[0,1] = 0
通过分配numpy数组进行设置
df.loc[:,'D'] = np.array([5] * len(df)) #这里新增一个D列
结果：
A B C D
2018-01-01 0.000000 0.000000 -0.312618 5
2018-01-02 -0.774510 -0.322384 0.396792 5
2018-01-03 -0.696162 0.603657 0.581143 5
2018-01-04 1.301474 1.053966 -1.172106 5
2018-01-05 0.619973 1.181660 1.153085 5
2018-01-06 -0.213277 1.306106 1.008972 5
使用where的方法进行操作和设置
df2 = df.copy()
df2[df2 > 0] = -df2
out:
A B C D
2018-01-01 0.000000 0.000000 -0.312618 -5
2018-01-02 -0.774510 -0.322384 -0.396792 -5
2018-01-03 -0.696162 -0.603657 -0.581143 -5
2018-01-04 -1.301474 -1.053966 -1.172106 -5
2018-01-05 -0.619973 -1.181660 -1.153085 -5
2018-01-06 -0.213277 -1.306106 -1.008972 -5
补充删除行列的方法
#删除列
del df['E'] #删除'E'列
e = df.pop('E') #删除并返回E列
e = df.drop(['E'],axis=1,inplace=True) #删除E列并返回，是否在原数据中删除取决于参数inplace。axis=0可删除行
#删除行
e = df.drop([2,5]) #删除索引中2-5列，如果指定参数inplace则在原数据中相应行也被删除
六、丢失数据的处理
pandas主要使用np.nan来表示缺失的数据（NaN == Not a Number）。在计算中是默认不包括缺失值的。。
在内部使用NaN表示丢失数据的选择在很大程度上是出于简单性和性能原因。
df3 = df.reindex(index=dates[0:4],columns=list(df.columns) + ['E']) #新增E列
out:
A B C D E
2018-01-01 0.000000 0.000000 -0.312618 5 NaN
2018-01-02 -0.774510 -0.322384 0.396792 5 NaN
2018-01-03 -0.696162 0.603657 0.581143 5 NaN
2018-01-04 1.301474 1.053966 -1.172106 5 NaN
df3.loc[dates[0]:dates[1],'E'] = 1 #对前两行的E列进行赋值
out:
A B C D E
2018-01-01 0.000000 0.000000 -0.312618 5 1.0
2018-01-02 -0.774510 -0.322384 0.396792 5 1.0
2018-01-03 -0.696162 0.603657 0.581143 5 NaN
2018-01-04 1.301474 1.053966 -1.172106 5 NaN
删除任何含有确实数据的行
df3.dropna(how='any') #使用dropna方法删除任何含有缺少数据的行，并返回一个副本
out:
A B C D E
2018-01-01 0.00000 0.000000 -0.312618 5 1.0
2018-01-02 -0.77451 -0.322384 0.396792 5 1.0
df3.fillna(value=5) #使用fillna方法填充确实的值，并返回一个副本
out:
A B C D E
2018-01-01 0.000000 0.000000 -0.312618 5 1.0
2018-01-02 -0.774510 -0.322384 0.396792 5 1.0
2018-01-03 -0.696162 0.603657 0.581143 5 5.0
2018-01-04 1.301474 1.053966 -1.172106 5 5.0
判断是否有空，返回布尔值
df3.isnull() #获取值为nan的布尔值，等同于pd.isnull(df3),与.notnull()相反。注意，不能使用==比较，否则返回的都是False
out:
A B C D E
2018-01-01 False False False False False
2018-01-02 False False False False False
2018-01-03 False False False False True
2018-01-04 False False False False True
未完待续...