pandas入门指南

上一篇讲了numpy，除此之外，还有一个工具我们一定会使用，那就是pandas。如果说numpy中数据存储形式是列表的话，那么pandas中数据的存储形式更像是字典。为什么这么说呢？因为pandas中的数据每一行每一列都有名字，而numpy中没有。本文主要介绍pandas的基本使用方法，更多高级用法大家可以参考 pandas官方文档

一、pandas的安装及导入

安装：命令行中输入以下代码

pip3 install pandas

导入：为了简便，这里使用pd作为pandas的缩写（因为pandas依赖numpy，所以在使用之前需要安装和导入numpy）

import numpy as np
import pandas as pd

二、新建pandas列表、矩阵及其属性

创建方法：
pd.Series：创建pandas列表
pd.date_range：创建pandas日期列表
pd.DataFrame：创建pandas矩阵
矩阵属性
dtypes：数据类型
index：行名
columns：列名
values：数据值
describe()：实值数据列的统计数据
T：矩阵的倒置
sort_index(axis=, ascending=)：矩阵排序{axis：0(行排序)，1(列排序)}{ascending：True(升序)，False(降序)}
sort_values(by=, ascending=)：按某一列的值排序{by：列名}

s = pd.Series([1, 3, 6, np.nan, 23, 3])
dates = pd.date_range('20180708', periods=6)
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=['a', 'b', 'c', 'd'])
df2 = pd.DataFrame({
  'a':pd.Series([1, 2, 3, 4]),
  'b':pd.Timestamp('20180708'),
  'c':pd.Categorical(['cate1', 'cate2', 'cate3', 'cate4'])
})
print(df2)
print(df2.dtypes)
print(df2.index)
print(df2.columns)
print(df2.values)
print(df2.describe())
print(df2.T)
print(df2.sort_index(axis=1, ascending=False))
print(df2.sort_index(axis=0, ascending=False))
print(df2.sort_values(by='a', ascending=False))

三、pandas选择数据

.列名：选择某一列
[列名]：选择某一列
[start : end]：选择行索引以start开头，end - 1结尾的数据
[行名start：行名end]：选择行名以start开头，end结尾的数据
loc[行名选择, 列名选择]：根据行名和列名选择数据
iloc[行索引选择, 列索引选择]：根据行索引和列索引选择数据
ix[行 名/索引 选择，列 名/索引 选择]：混合 名/索引 选择数据
[布尔表达式]：根据布尔表达式结果选择数据，只有当布尔表达式为真时的数据才会被选择

dates = pd.date_range('20180709', periods=3)
df = pd.DataFrame(np.arange(12).reshape((3, 4)), index=dates, columns=['A', 'B', 'C', 'D'])
print(df.A)
print(df['A'])
print(df[2:3])
print(df['20180709':'20180710'])

# loc: select by label
print(df.loc['20180711'])
print(df.loc[:,['B','C']])

# iloc : select by position
print(df.iloc[1:3, 2:4])
print(df.iloc[[0, 2], 2:4])

# ix : mixed selection
print(df.ix[[0, 2], ['B']])

# Boolean indexing
print(df[df.A > 3])

四、pandas设置数据值

首先选择数据，然后直接通过赋值表达式，即可将选择的数据设置为相应的值

dates = pd.date_range('20180709', periods=3)
df = pd.DataFrame(np.arange(12).reshape((3, 4)), index=dates, columns=['A', 'B', 'C', 'D'])
df.loc['20180709', 'B'] = 666
df.iloc[2, 2] = 999
df.ix['20180709', 3] = 777
df.A[df.A > 3] = 888
df['F'] = np.nan
print(df)

五、pandas处理NaN值

dropna(axis=, how=)：丢弃NaN数据，{axis：0(按行丢弃)，1(按列丢弃)} {how：'any'(只要含有NaN数据就丢弃)，'all'(所有数据都为NaN时丢弃)}
fillna(value=)：将NaN值都设置为value的值
isnull()：对每各元素进行判断是否是NaN，返回结果矩阵
np.any(matrix) == value：判断matrix矩阵中是否有value值
np.all(matrix) == value：判断matrix矩阵中是否所有元素都是value值

dates = pd.date_range('20180709', periods=5)
df = pd.DataFrame(np.arange(20).reshape((5, 4)), index=dates, columns=['A', 'B', 'C', 'D'])
df.iloc[3, 3] = np.nan
print(df.dropna(axis=1, how='all')) # how = {'any', 'all'}
print(df.fillna(value=666))
print(df.isnull())
print(np.any(df.isnull()) == True)
print(np.all(df.isnull()) == True)

六、pandas读取数据、导出数据

根据数据的格式，pandas提供了多种数据读取和导出的方法，如：
读取数据：read_csv、read_table、read_fwf、read_clipboard、read_excel、read_hdf
导出数据：to_csv、to_table、to_fwf、to_clipboard、to_excel、to_hdf

df = pd.read_csv('Q1.csv')
print(df)
df.to_csv('Q1_pandas.csv')

七、pandas合并数据

concat方法
第一个参数：需要合并的矩阵
axis：合并维度，0：按行合并，1：按列合并
join：处理非公有 列/行 的方式，inner：去除非公有的 列/行，outer：对非公有的 列/行 进行NaN值填充然后合并
ignore_index：是否重排行索引

df1 = pd.DataFrame(np.arange(12).reshape(3, 4), columns=['A', 'B', 'C', 'D'], index=[0, 1, 2])
df2 = pd.DataFrame(np.ones((3, 4)), columns=['B', 'C', 'D', 'E'], index=[1, 2, 3])

print(pd.concat([df1, df2], join='outer', ignore_index=True)) # join = {'outer', 'inner'}
print(pd.concat([df1, df2], axis=1, join_axes=[df1.index]))
print(df1.append([df2], ignore_index=True))

merge方法
第一个参数、第二个参数：需要合并的矩阵
on：公有列名
how：处理非公有行的方式，inner：去除非公有行，outer：对非公有的行进行NaN值填充然后合并，left：保留左矩阵的所有行，对非公有的元素进行NaN值填充，right：保留右边矩阵的所有行，对非公有的元素进行NaN值填充
indicator：是否显示每一行的merge方式
suffixes：非公有列的列名后缀

df1 = pd.DataFrame({
  'key':['K1', 'K2', 'K3'],
  'A':['A1', 'A2', 'A3'],
  'B':['B1', 'B2', 'B3']
})
df2 = pd.DataFrame({
  'key':['K1', 'K2', 'K3'],
  'C':['C1', 'C2', 'C3'],
  'D':['D1', 'D2', 'D3']
})
print(pd.merge(df1, df2, on='key'))
df3 = pd.DataFrame({
  'key1':['K1', 'K1', 'K0'],
  'key2':['K1', 'K0', 'K1'],
  'col':[1, 2, 3]
})
df4 = pd.DataFrame({
  'key1':['K0', 'K1', 'K0'],
  'key2':['K1', 'K0', 'K0'],
  'col':[6, 7, 8]
})
# how = {'inner', 'outer', 'left', 'right'}
print(pd.merge(df3, df4, on=['key1', 'key2'], how='right', suffixes=['_left', '_right'], indicator=True))

八、pandas数据可视化

pandas数据可视化依赖matplotlib库，所以在可视化数据之前应该先导入该库

import matplotlib.pyplot as plt

首先通过np.ramdom方法生成四列随机数据
然后通过cumsum对随机数据做累加
再通过scatter方法以其中两列为绿色点X, Y的值，另两列为蓝色点X, Y的值
最后使用plt.show()方法画图

data = pd.DataFrame(np.random.randn(1000, 4),
  index=np.arange(1000),
  columns=list("ABCD"))
data = data.cumsum()
# plot methods:
# 'bar', 'hist', 'box', 'kde', 'area', 'scatter', 'hexbin', 'pie'
ax = data.plot.scatter(x='A', y='B', color='blue', label='class 1')
data.plot.scatter(x='C', y='D', color='green', label='class 2', ax=ax)
plt.show()