本章介绍pandas的重要功能,只记录一些重点内容
1、重新索引
pandas对象的一个重要方法是reindex,其作用是创建一个适应用新索引的新对象
#重新索引 obj = pd.Series([4.5, 7.2, -5.3, 3.6], index = ['d', 'b', 'a', 'c']) obj #调用该Series的reindex将会根据新索引进行重排。如果某个索引值当前不存在,就引入缺失值 obj2 = obj.reindex(['a', 'b', 'c', 'd', 'e']) obj2 obj.reindex(['a', 'b', 'c', 'd', 'e'], fill_value = 0) #对于时间序列这样的有序数据,重新索引时可能需要做一些插值处理。method选项即可达到些目标 #使用ffill实现前向值填充 obj3 = pd.Series(['blue', 'purple', 'yellow'], index = [0, 2, 4]) obj3.reindex(range(6), method = 'ffill') #reindex的(插值)method选项 #ffill 或 pad 前向填充值; bfill 或 backfill 后向填充值 obj2.ix[['a']]
输出结果
obj = pd.Series([4.5, 7.2, -5.3, 3.6], index = ['d', 'b', 'a', 'c']) obj Out[15]: d 4.5 b 7.2 a -5.3 c 3.6 dtype: float64 obj2 = obj.reindex(['a', 'b', 'c', 'd', 'e']) obj2 Out[17]: a -5.3 b 7.2 c 3.6 d 4.5 e NaN dtype: float64 obj.reindex(['a', 'b', 'c', 'd', 'e'], fill_value = 0) Out[18]: a -5.3 b 7.2 c 3.6 d 4.5 e 0.0 dtype: float64 obj3 = pd.Series(['blue', 'purple', 'yellow'], index = [0, 2, 4]) obj3.reindex(range(6), method = 'ffill') Out[20]: 0 blue 1 blue 2 purple 3 purple 4 yellow 5 yellow dtype: object obj2.ix[['a']] Out[21]: a -5.3 dtype: float64
reindex函数的参数
2、丢弃指定轴上的项
丢弃某条轴上的一个或多个项很简单,只要有一个索引数组或列表即可。
drop方法返回的是一个在指定轴上删除了指定值的新对象
#定义一个数组,索引为 ['a', 'b', 'c', 'd', 'e'] obj = pd.Series(np.arange(5.), index = ['a', 'b', 'c', 'd', 'e']) obj new_obj = obj.drop('c') new_obj obj.drop(['d', 'c']) #对DataFrame, 可以删除任意轴上的索引值
3、索引、选取和过滤
为了在DataFrame的行上进行标签索引,引入专门的索引字段ix,可以通过NumPy式的标记法以及轴标签从DataFrame中选取行和列的子集。
#为了在DataFrame的行上进行标签索引,引入专门的索引字段ix,可以通过NumPy式的标记法以及轴标签从DataFrame中选取行和列的子集。
data = pd.DataFrame(np.arange(16).reshape((4, 4)),
index = ['Ohio', 'Colorado', 'Utah', 'New York'],
columns = ['one', 'two', 'three', 'four'])
data
data.ix['Colorado', ['two', 'three']]
data.ix[['Colorado', 'Utah'], [3, 0, 1]]
#3,0,1代表列标识
data.ix[2]
#第2行
data.ix[:'Utah', 'two']
data.ix[data.three>5, :3]
注意:在设计pandas时, 我觉得必须输入frame[:, col]才能选取列实在有些啰嗦,而且还很容易出错,因为列的选取是一种最常见的操作
于是,我就把所有的标签索引功能都放在ix中了
DataFrame的索引选项
4、算术运算和数据对齐
pd最重要的一个功能是,它可以对不同索引的对象进行算术运算。在将对象相加时,如果存在不同的索引对,则结果的索引就是该索引对的并集
#算术运算和数据对齐 s1 = pd.Series([7.3, -2.5, 3.4, 1.5], index = ['a', 'c', 'd', 'e']) s2 = pd.Series([-2.1, 3.6, -1.5, 4, 3.1], index = ['a', 'c', 'e', 'f', 'g']) s1, s2 s1 + s2 #list('bcd'),相当于列元素,b, c, d df1 = pd.DataFrame(np.arange(9).reshape((3, 3)), columns = list('bcd'), index = ['Ohio', 'Texas', 'Colorado']) df2 = pd.DataFrame(np.arange(12).reshape((4, 3)), columns = list('bde'), index = ['Utah', 'Ohio', 'Texas', 'Oregon']) df1, df2 df1 + df2 #在算术方法中填充值 df1 = pd.DataFrame(np.arange(12.).reshape((3, 4)), columns = list('abcd')) df2 = pd.DataFrame(np.arange(20.).reshape((4, 5)), columns = list('abcde')) df1 df2 #将它们相加时,没有重叠的位置会产生Na df1 + df2 #使用df1的add方法,传入df2以及一个fill_value参数 df1.add(df2, fill_value = 0) #在对Series或DataFrame重新索引时,也可以指定一个填充值 df1.reindex(columns = df2.columns, fill_value = 0)
灵活的算术方法
5、DataFrame和Series之间的运算
#DataFrame和Series之间的运算 arr = np.arange(12.).reshape((3, 4)) arr arr[0] arr - arr[0] #以上叫做广播 #DataFrame和Series之间的运算示例 frame = pd.DataFrame(np.arange(12).reshape((4, 3)), columns = list('bde'), index = ['Utah', 'Ohio', 'Texas', 'Oregon']) #选取标识为0的行,即第一行 series = frame.ix[0] frame series #默认情况下,DataFrame和Series之间的运算会将Series的索引匹配到DataFrame的列,然后沿着行一直向下广播 frame - series #如果找不到,则参与运算的两个对象就会被重新索引以形成并集 series2 = pd.Series(range(3), index = list('bef')) series2 frame + series2
6、函数应用与映射
#函数应用和映射 frame = pd.DataFrame(np.random.randn(4, 3), columns = list('bde'), index = ['Utah', 'Ohio', 'Texas', 'Oregon']) frame np.abs(frame) #另一个常见的操作是,将函数应用到由各列或行所形成的一维数组上。DataFrame的apply方法即可实现功能 #x为输入值,x.max() - x.min()为输出值 f = lambda x: x.max() - x.min() #输入列最大减最小 frame.apply(f) #输入行最大减最小 frame.apply(f, axis = 1)
许多最为常见的数组都被实现 成DataFrame方法,如sum和mean,因此无需使用apply方法
除标量值外,传递给apply的函数还可以返回由多个值 组成的Series
def f(x): return pd.Series([x.min(), x.max()], index = ['min', 'max']) #还是调用行
frame.apply(f)
frame.apply(f)
Out[82]:
b d e
min -2.460592 -0.224366 -0.474713
max 0.102727 0.183401 0.485874
#可以尝试一下调用列
frame.apply(f, axis = 1)
Out[83]:
min max
Utah -1.158899 0.201939
Ohio -0.162430 0.485874
Texas -0.474713 -0.112733
Oregon -2.460592 0.183401
#此外,元素级的python函数也是可以用的,假如你想得到frame中各个浮点值的格式化字符串,使用applymap即可 #输入元素x为两位小数的浮点字符 format = lambda x: '%.2f' % x frame.applymap(format)
format = lambda x: '%.2f' % x frame.applymap(format) Out[85]: b d e Utah -1.16 -0.22 0.20 Ohio 0.10 -0.16 0.49 Texas -0.22 -0.11 -0.47 Oregon -2.46 0.18 0.16
之所以中到applymap, 是因为Series有一个用于应用元素级函数的map方法:
#之所以中到applymap, 是因为Series有一个用于应用元素级函数的map方法:
#指定e列
frame['e'].map(format)
Out[86]:
Utah 0.20
Ohio 0.49
Texas -0.47
Oregon 0.16
Name: e, dtype: object
7、排序与排名
根据条件对数据集排序 也是一种重要的内置运算。要对行或列索引进行排序,可使用sort_index方法,它将返回一个已排序的新对象
#排序和排名 obj = pd.Series(range(4), index = ['d', 'a', 'b', 'c']) obj.sort_index()
obj.sort_index() Out[88]: a 1 b 2 c 3 d 0 dtype: int32
#根据任意一个轴上的索引进行排序 frame = pd.DataFrame(np.arange(8).reshape((2, 4)), index = ['three', 'one'], columns = ['d', 'a', 'b', 'c']) frame #按行索引进行排序 frame.sort_index() #按列索引进行排序 frame.sort_index(axis = 1) #数据默认是按升序排序的,但也可以降序排序 frame.sort_index(axis =1, ascending = False) #若要按值对Series进行排序,可使用其order方法 obj = pd.Series([4, 7, -3, 2]) obj obj.order() #在排序时,任何缺失 值默认都会被放到Series的末尾 obj = pd.Series([4, np.nan, 7, np.nan, -3, 2]) obj obj.order() #希望根据一个或多个列中的值进行排序,将一个或多个列的名字传递给by选项即可 frame = pd.DataFrame({'b':[4, 7, -2, 3], 'a':[0, 1, 0, -1]}) frame frame.sort_index(by = 'b') #根据a, b进行排序 frame.sort_index(by = ['a', 'b'])
排名跟排序关系密切,且它会增设一个排名值(从1开始, 一直到数组中有效数据的数量)
它跟numpy.argsort产生的间接排序索引差不多,只不过它可以根据某种规则破坏平级关系。
接下来介绍rank 方法。默认情况下,rank是通过“为各组分配一个平均排名”的方式破坏平级关系的
#排名,rank方法 obj = pd.Series([7, -5, 7, 4, 2, 0 ,4]) obj obj.rank()
obj.rank() Out[107]: 0 6.5 1 1.0 2 6.5 3 4.5 4 3.0 5 2.0 6 4.5 dtype: float64
#也可以根据值在原数据中出现的顺序给出排名 obj.rank(method = 'first') obj.rank(method = 'first') Out[108]: 0 6.0 1 1.0 2 7.0 3 4.0 4 3.0 5 2.0 6 5.0 dtype: float64
#按降序进行排名 obj.rank(ascending = False, method = 'max') obj.rank(ascending = False, method = 'max') Out[109]: 0 2.0 1 7.0 2 2.0 3 4.0 4 5.0 5 6.0 6 4.0 dtype: float64
8、带有重复值的轴索引
以上介绍的所有范例都有着唯一的轴标签(索引值)。虽然许多pd函数(如reindex)都要求标签唯一,但这并不是强制性的
#带有重复值的轴索引 obj = pd.Series(range(5), index = ['a', 'a', 'b', 'b', 'c']) obj #索引的is_unique属性可以告诉你它的值是唯一的 obj.index.is_unique
obj.index.is_unique
Out[112]: False
对于带有重复值的索引,数据选取的行为将会有些不同,如果某个索引对应多个值,则返回一个Series;而对应单个值的,则返回一个标量值
#对DataFrame的行进行索引时也是如此 df = pd.DataFrame(np.random.randn(4, 3), index = ['a', 'a', 'b', 'b']) df df.ix['b']
df Out[116]: 0 1 2 a 0.747649 2.128339 -1.192042 a 0.479568 1.813696 -0.197266 b 0.340015 -0.187988 1.244151 b -1.858814 -0.188538 -0.985478 df.ix['b'] Out[117]: 0 1 2 b 0.340015 -0.187988 1.244151 b -1.858814 -0.188538 -0.985478
上面介绍 了pandas数据处理的基础知识,以后可以查阅并参考,接下来将pandas汇总和计算描述统计进行梳理