(转)Python科学计算之Pandas详解，pythonpandas

https://www.cnblogs.com/linux-wangkun/p/5903380.html-------pandas 学习（1）： pandas 数据结构之Series

https://www.cnblogs.com/linux-wangkun/p/5903945.html-------pandas 学习（2）： pandas 数据结构之DataFrame

https://morvanzhou.github.io/tutorials/data-manipulation/np-pd/3-1-pd-intro/--------Pandas 学习

原文：http://www.bkjia.com/Pythonjc/1189627.html#top

起步

Pandas最初被作为金融数据分析工具而开发出来，因此 pandas 为时间序列分析提供了很好的支持。 Pandas 的名称来自于面板数据（panel data）和python数据分析（data analysis）。panel data是经济学中关于多维数据集的一个术语，在Pandas中也提供了panel的数据类型。

在我看来，对于 Numpy 以及 Matplotlib ，Pandas可以帮助创建一个非常牢固的用于数据挖掘与分析的基础。而Scipy当然是另一个主要的也十分出色的科学计算库。

安装与导入

通过pip进行安装: pip install pandas

导入：

import pandas as pd

Pandas的数据类型

Pandas基于两种数据类型： series 与 dataframe 。

Series

一个series是一个一维的数据类型，其中每一个元素都有一个标签。类似于Numpy中元素带标签的数组。其中，标签可以是数字或者字符串。

# coding: utf-8

import numpy as np

import pandas as pd

s = pd.Series([1, 2, 5, np.nan, 6, 8])

print s

输出：

0 1.0

1 2.0

2 5.0

3 NaN

4 6.0

5 8.0

dtype: float64

DataFrame

一个dataframe是一个二维的表结构。Pandas的dataframe可以存储许多种不同的数据类型，并且每一个坐标轴都有自己的标签。你可以把它想象成一个series的字典项。

创建一个 DateFrame：

#创建日期索引序列

dates = pd.date_range('20130101', periods=6)

#创建Dataframe，其中 index 决定索引序列，columns 决定列名

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print df

输出：

   A  B  C  D

2013-01-01 -0.334482 0.746019 -2.205026 -0.803878

2013-01-02 2.007879 1.559073 -0.527997 0.950946

2013-01-03 -1.053796 0.438214 -0.027664 0.018537

2013-01-04 -0.208744 -0.725155 -0.395226 -0.268529

2013-01-05 0.080822 -1.215433 -0.785030 0.977654

2013-01-06 -0.126459 0.426328 -0.474553 -1.968056

字典创建 DataFrame

df2 = pd.DataFrame({ 'A' : 1.,

   'B' : pd.Timestamp('20130102'),

   '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' : 'foo' })

输出：

 A  B C D E F

0 1 2013-01-02 1 3 test foo

1 1 2013-01-02 1 3 train foo

2 1 2013-01-02 1 3 test foo

3 1 2013-01-02 1 3 train foo

将文件数据导入Pandas

df = pd.read_csv("Average_Daily_Traffic_Counts.csv", header = 0)

df.head()

数据源可以是英国政府数据或美国政府数据来获取数据源。当然， Kaggle 是另一个好用的数据源。

选择/切片

# 选择单独的一列，返回 Serires，与 df.A 效果相当。

df['A']

# 位置切片

df[0:3]

# 索引切片

df['20130102':'20130104']

#　通过标签选择

df.loc[dates[0]]

# 对多个轴同时通过标签进行选择

df.loc[:,['A','B']]

# 获得某一个单元的数据

df.loc[dates[0],'A']

# 或者

df.at[dates[0],'A'] #　速度更快的做法

# 通过位置进行选择

df.iloc[3]

# 切片

df.iloc[3:5,0:2]

# 列表选择

df.iloc[[1,2,4],[0,2]]

# 获得某一个单元的数据

df.iloc[1,1]

# 或者

df.iat[1,1] # 更快的做法

# 布尔索引

df[df.A > 0]

# 获得大于零的项的数值

df[df > 0]

# isin 过滤

df2[df2['E'].isin(['two','four'])]

赋值

# 新增一列，根据索引排列

s1 = pd.Series([1,2,3,4,5,6], index=pd.date_range('20130102', periods=6))

df['F'] = s1

# 缺省项

# 在 pandas 中使用 np.nan 作为缺省项的值。

df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ['E'])

df1.loc[dates[0]:dates[1],'E'] = 1

# 删除所有带有缺省项的行

df1.dropna(how='any')

# 填充缺省项

df1.fillna(value=5)

# 获得缺省项的布尔掩码

pd.isnull(df1)

观察操作

# 观察开头的数据

df.head()

# 观察末尾的数据

df.tail(3)

# 显示索引

df.index

# 显示列

df.columns

# 显示底层 numpy 结构

df.values

# DataFrame 的基本统计学属性预览

df.describe()

"""

  A  B  C  D

count 6.000000 6.000000 6.000000 6.000000 #数量

mean 0.073711 -0.431125 -0.687758 -0.233103 #平均值

std 0.843157 0.922818 0.779887 0.973118 #标准差

min -0.861849 -2.104569 -1.509059 -1.135632 #最小值

25% -0.611510 -0.600794 -1.368714 -1.076610 #正态分布 25%

50% 0.022070 -0.228039 -0.767252 -0.386188 #正态分布 50%

75% 0.658444 0.041933 -0.034326 0.461706 #正态分布 75%

max 1.212112 0.567020 0.276232 1.071804 #最大值

"""

# 转置

df.T

# 根据某一轴的索引进行排序

df.sort_index(axis=1, ascending=False)

# 根据某一列的数值进行排序

df.sort(columns='B')

统计

# 求平均值

df.mean()

"""

A -0.004474

B -0.383981

C -0.687758

D 5.000000

F 3.000000

dtype: float64

"""

# 指定轴上的平均值

df.mean(1)

# 不同维度的 pandas 对象也可以做运算，它会自动进行对应，shift 用来做对齐操作。

s = pd.Series([1,3,5,np.nan,6,8], index=dates).shift(2)

"""

2013-01-01 NaN

2013-01-02 NaN

2013-01-03 1

2013-01-04 3

2013-01-05 5

2013-01-06 NaN

Freq: D, dtype: float64

"""

# 对不同维度的 pandas 对象进行减法操作

df.sub(s, axis='index')

"""

   A  B  C D F

2013-01-01 NaN NaN NaN NaN NaN

2013-01-02 NaN NaN NaN NaN NaN

2013-01-03 -1.861849 -3.104569 -1.494929 4 1

2013-01-04 -2.278445 -3.706771 -4.039575 2 0

2013-01-05 -5.424972 -4.432980 -4.723768 0 -1

2013-01-06 NaN NaN NaN NaN NaN

"""

函数应用

# 累加

df.apply(np.cumsum)

直方图

s = pd.Series(np.random.randint(0, 7, size=10))

s.value_counts()

"""

4 5

6 2

2 2

1 1

dtype: int64

String Methods

"""

字符处理

s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca', np.nan, 'CABA', 'dog', 'cat'])

s.str.lower()

"""

0 a

1 b

2 c

3 aaba

4 baca

5 NaN

6 caba

7 dog

8 cat

dtype: object

"""

合并

使用 concat() 连接 pandas 对象:

df = pd.DataFrame(np.random.randn(10, 4))

"""

  0  1  2  3

0 -0.548702 1.467327 -1.015962 -0.483075

1 1.637550 -1.217659 -0.291519 -1.745505

2 -0.263952 0.991460 -0.919069 0.266046

3 -0.709661 1.669052 1.037882 -1.705775

4 -0.919854 -0.042379 1.247642 -0.009920

5 0.290213 0.495767 0.362949 1.548106

6 -1.131345 -0.089329 0.337863 -0.945867

7 -0.932132 1.956030 0.017587 -0.016692

8 -0.575247 0.254161 -1.143704 0.215897

9 1.193555 -0.077118 -0.408530 -0.862495

"""

pieces = [df[:3], df[3:7], df[7:]]

pd.concat(pieces)

"""

  0  1  2  3

0 -0.548702 1.467327 -1.015962 -0.483075

1 1.637550 -1.217659 -0.291519 -1.745505

2 -0.263952 0.991460 -0.919069 0.266046

3 -0.709661 1.669052 1.037882 -1.705775

4 -0.919854 -0.042379 1.247642 -0.009920

5 0.290213 0.495767 0.362949 1.548106

6 -1.131345 -0.089329 0.337863 -0.945867

7 -0.932132 1.956030 0.017587 -0.016692

8 -0.575247 0.254161 -1.143704 0.215897

9 1.193555 -0.077118 -0.408530 -0.862495

"""

join 合并：

left = pd.DataFrame({'key': ['foo', 'foo'], 'lval': [1, 2]})

right = pd.DataFrame({'key': ['foo', 'foo'], 'rval': [4, 5]})

pd.merge(left, right, on='key')

"""

 key lval rval

0 foo 1 4

1 foo 1 5

2 foo 2 4

3 foo 2 5

"""

追加

在 dataframe 数据后追加行

df = pd.DataFrame(np.random.randn(8, 4), columns=['A','B','C','D'])

s = df.iloc[3]

df.append(s, ignore_index=True)

分组

分组常常意味着可能包含以下的几种的操作中一个或多个

依据一些标准分离数据
对组单独地应用函数
将结果合并到一个数据结构中

df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',

    'foo', 'bar', 'foo', 'foo'],

   'B' : ['one', 'one', 'two', 'three',

    'two', 'two', 'one', 'three'],

   'C' : np.random.randn(8),

   'D' : np.random.randn(8)})

# 对单个分组应用函数，数据被分成了 bar 组与 foo 组，分别计算总和。

df.groupby('A').sum()

# 依据多个列分组会构成一个分级索引

df.groupby(['A','B']).sum()

"""

   C  D

A B

bar one -1.814470 2.395985

 three -0.595447 0.166599

 two -0.392670 -0.136473

foo one -1.195665 -0.616981

 three 1.928123 -1.623033

 two 2.414034 1.600434

"""

数据透视表

df = pd.DataFrame({'A' : ['one', 'one', 'two', 'three'] * 3,

   'B' : ['A', 'B', 'C'] * 4,

   'C' : ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2,

   'D' : np.random.randn(12),

   'E' : np.random.randn(12)})

# 生成数据透视表

pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C'])

"""

C  bar foo

A B

one A -0.773723 1.418757

 B -0.029716 -1.879024

 C -1.146178 0.314665

three A 1.006160 NaN

 B NaN -1.035018

 C 0.648740 NaN

two A NaN 0.100900

 B -1.170653 NaN

 C NaN 0.536826

"""

时间序列

pandas 拥有既简单又强大的频率变换重新采样功能，下面的例子从 1次/秒转换到了 1次/5分钟：

rng = pd.date_range('1/1/2012', periods=100, freq='S')

ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)

ts.resample('5Min', how='sum')

"""

2012-01-01 25083

Freq: 5T, dtype: int32

"""

# 本地化时区表示

rng = pd.date_range('3/6/2012 00:00', periods=5, freq='D')

ts = pd.Series(np.random.randn(len(rng)), rng)

"""

2012-03-06 0.464000

2012-03-07 0.227371

2012-03-08 -0.496922

2012-03-09 0.306389

2012-03-10 -2.290613

Freq: D, dtype: float64

"""

ts_utc = ts.tz_localize('UTC')

"""

2012-03-06 00:00:00+00:00 0.464000

2012-03-07 00:00:00+00:00 0.227371

2012-03-08 00:00:00+00:00 -0.496922

2012-03-09 00:00:00+00:00 0.306389

2012-03-10 00:00:00+00:00 -2.290613

Freq: D, dtype: float64

"""

# 转换为周期

ps = ts.to_period()

# 转换为时间戳

ps.to_timestamp()

分类

df = pd.DataFrame({"id":[1,2,3,4,5,6], "raw_grade":['a', 'b', 'b', 'a', 'a', 'e']})

# 将 raw_grades 转换成 Categoricals 类型

df["grade"] = df["raw_grade"].astype("category")

df["grade"]

"""

0 a

1 b

2 b

3 a

4 a

5 e

Name: grade, dtype: category

Categories (3, object): [a, b, e]

"""

# 重命名分类

df["grade"] = df["grade"].cat.set_categories(["very bad", "bad", "medium", "good", "very good"])

# 根据分类的顺序对数据进行排序

df.sort("grade")

"""

 id raw_grade  grade

5 6   e very bad

1 2   b  good

2 3   b  good

0 1   a very good

3 4   a very good

4 5   a very good

"""

作图

ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))

ts = ts.cumsum()

ts.plot()

数据IO

# 从 csv 文件读取数据

pd.read_csv('foo.csv')

# 保存到 csv 文件

df.to_csv('foo.csv')

# 读取 excel 文件

pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values=['NA'])

# 保存到 excel 文件

df.to_excel('foo.xlsx', sheet_name='Sheet1')

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家学习或者使用python能带来一定的帮助，如果有疑问大家可以留言交流。

巴特西

(转)Python科学计算之Pandas详解，pythonpandas

最新文章

热门文章