pandas 的数据结构（Series， DataFrame）

Pandas 讲解

Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。

pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

Series：一维数组，与Numpy中的一维array类似。
　　　　二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，
　　　　而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。
Time- Series：以时间为索引的Series。
DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。
　　　　　　可以将DataFrame理解为Series的容器。以下的内容主要以DataFrame为主。
Panel ：三维的数组，可以理解为DataFrame的容器。

 ---------------------------------------------------

Series

Series 是一种类似于一维数组的对象， 它由一组数据（各种numpy数据类型）以及一组与之相关的数据标签（索引）组成。

"""
In [1]: from pandas import Series

In [2]: from pandas import DataFrame

In [3]: obj = Series([4, 7, -5, 3])

In [4]: obj
Out[4]:
0    4
1    7
2   -5
3    3
dtype: int64
"""

Series 索引，指定索引（也就是左边的列）

通过 上面的例子， 我们知道Series的字符表现形式为索引在左边， 值在右边。没有指定索引，
那么索引会自动从0开始的整数型索引

可以通过Series的values和index属性获取其数组表示形式和索引对象。

"""
In [5]: obj.values
Out[5]: array([ 4,  7, -5,  3])

In [6]: obj.index
Out[6]: RangeIndex(start=0, stop=4, step=1)

"""

那么我们可以自定义索引

In [7]: obj2 = Series([4, 7, -5, 3], index=['d', 'b', 'a', 'c'])

In [8]: obj2
Out[8]:
d    4
b    7
a   -5
c    3
dtype: int64

In [9]: obj2.index
Out[9]: Index([u'd', u'b', u'a', u'c'], dtype='object')

索引赋值

In [11]: obj2['d'] = 9

In [12]: obj2
Out[12]:
d    9
b    7
a   -5
c    3
dtype: int64

索引取值

In [13]: obj2[["a", "b", "c"]]
Out[13]:
a   -5
b    7
c    3
dtype: int64

索引值映射

In:'b' in obj2
Out:True

In:'f' in obj2
Out:False

通过字典创建Series

"""
In [14]: sdata = {"Ohio":3500, "Texas":71000, "Oregon":16000, "Utah":51000}

In [15]: obj3 = Series(sdata)

In [16]: obj3
Out[16]:
Ohio       3500
Oregon    16000
Texas     71000
Utah      51000
dtype: int64
"""

索引匹配值和判断缺失

相对应Series也可以匹配对应的索引，如果找不到结果为NaN(非数字)，pandas中用于表示缺失的数据
同时isnull和notnull函数用于检测缺失数据。

In [17]: states = ['California', 'Ohio', 'Oregon', 'Texas']

In [18]: obj4 = Series(sdata, index=states)

In [19]: obj4
Out[19]:
California        NaN
Ohio           3500.0
Oregon        16000.0
Texas         71000.0
dtype: float64

In [22]: pd.isnull(obj4)
Out[22]:
California     True
Ohio          False
Oregon        False
Texas         False
dtype: bool
-------------
In [23]: pd.notnull(obj4)
Out[23]:
California    False
Ohio           True
Oregon         True
Texas          True
dtype: bool
-----------
In [24]: obj4.isnull()
Out[24]:
California     True
Ohio          False
Oregon        False
Texas         False
dtype: bool

　　

Series 数据对齐

In [25]: obj3 + obj4
Out[25]:
California         NaN
Ohio            7000.0
Oregon         32000.0
Texas         142000.0
Utah               NaN
dtype: float64

name属性

Series 对象本身及其索引都有一个name属性， 该属性跟pandas其他的关键功能关系非常密切

In [26]: obj4.name = 'population'
In [27]: obj4.index.name = 'state'
In [29]: obj4
Out[29]:
state
California        NaN
Ohio           3500.0
Oregon        16000.0
Texas         71000.0
Name: population, dtype: float64

Series修改索引名称

Series 的索引也可以通过索引的方式就地修改

In [30]: obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan']

In [31]: obj
Out[31]:
Bob      4
Steve    7
Jeff    -5
Ryan     3
dtype: int64

 --------------------------------------------------------

DataFrame及常用方法

    ix  标签索引
    T   index和columns变换方向
    index
    reindex

DataFrame 是一个表格行的数据结构， 他含有一组有序的列，每列可以是不同的值类型
（数值，字符串，布尔值等）。
DataFrame既有行索引也有列索引，他可以被看做是由Series组成的字典（共用同一个索引）
跟其他类似的数据结构相比，DataFrame中面向行和面向列的操作基本上是平衡的。
DataFrame 是以二维数据结构保存数据的

构建DataFrame

最常用的一种是直接传入一个有等长列表或Numpy数组组成的字典

In [2]: data = {"state": ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'], 'year':[2000, 2001, 2002, 2001, 2002], 'pop':[1.5, 1.7, 3.6, 2.4, 2.9]}

In [3]: from pandas import Series, DataFrame

In [4]: DataFrame(data)
Out[4]:
   pop   state  year
0  1.5    Ohio  2000
1  1.7    Ohio  2001
2  3.6    Ohio  2002
3  2.4  Nevada  2001
4  2.9  Nevada  2002

另一种嵌套字典生成DataFrame

In [29]: pop = {'Nevada': {2001:2.4, 2003:2.9}, 'Ohio':{2000:1.5, 2001:1.7, 2002:3.6}}

In [30]: frame3 = Dataframe(pop)
---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-30-da7c61f3c94a> in <module>()
----> 1 frame3 = Dataframe(pop)

NameError: name 'Dataframe' is not defined

In [31]: frame3 = DataFrame(pop)

In [32]: frame3
Out[32]:
      Nevada  Ohio
2000     NaN   1.5
2001     2.4   1.7
2002     NaN   3.6
2003     2.9   NaN

第三种：

>>> d = [{"a":1,"b":2}, {"b":1,"a":2}]
>>> D = DataFrame(d)

>>> D
a b
0 1 2
1 2 1

 第四种

In [52]: data = DataFrame(np.arange(16).reshape((4,4)), index=["Ohio", "Colorado", "Utah", "New York"], columns=["one", "two", "three", "four"])

In [53]: data
Out[53]:
          one  two  three  four
Ohio        0    1      2     3
Colorado    4    5      6     7
Utah        8    9     10    11
New York   12   13     14    15

DataFrame 的列按照顺序进行排列（列排序）

In [6]: DataFrame(data, columns=['year', 'state', 'pop'])

In [7]: data
Out[7]:
year state pop
0 2000 Ohio 1.5
1 2001 Ohio 1.7
2 2002 Ohio 3.6
3 2001 Nevada 2.4
4 2002 Nevada 2.9

跟Series一样，如果传入的列在数据中找不到， 就会产生NA值

In [11]: frame2 = DataFrame(data, columns=['year', 'state', 'pop', 'debt'], index=['one', 'two', 'three', 'four', 'five'])

In [12]: frame2
Out[12]:
       year   state  pop debt
one    2000    Ohio  1.5  NaN
two    2001    Ohio  1.7  NaN
three  2002    Ohio  3.6  NaN
four   2001  Nevada  2.4  NaN
five   2002  Nevada  2.9  NaN

axis=0和1分别的表格的纵轴和横轴

通过字典标记（索引）的方式获取一个Series

In [13]: frame2['year']    也可以写成frame2.year
Out[13]:
one      2000
two      2001
three    2002
four     2001
five     2002
Name: year, dtype: int64

返回的Series拥有同样的索引

行也可以通过位置或名称的方式进行获取，例如用索引字段ix

In [14]: frame2.ix['three']
Out[14]:
year     2002
state    Ohio
pop       3.6
debt      NaN
Name: three, dtype: object

索引赋值

In [23]: df2.loc['d'] = [i*0 for i in range(len(df2.columns))]

In [24]: df2
Out[24]: 
            b     d     e  dd
Uhahdd    0.0   1.0   2.0   0
Ohiodd    3.0   4.0   5.0   0
Texasdd   6.0   7.0   8.0   0
Oregondd  9.0  10.0  11.0   0
dd        1.0   2.0   3.0   4
d         0.0   0.0   0.0   0

列表推到式还可以写成

map(lambda x:0 if x >0 else 0, a)

列赋值

列可以通过赋值的方式进行修改。例如我们可以给那个空的‘debt’列附上一个附上一个标量或一组值

In [15]: frame2['debt'] = 16.5

In [16]: frame2
Out[16]:
       year   state  pop  debt
one    2000    Ohio  1.5  16.5
two    2001    Ohio  1.7  16.5
three  2002    Ohio  3.6  16.5
four   2001  Nevada  2.4  16.5
five   2002  Nevada  2.9  16.5

In [17]: import numpy as np

In [18]: frame2['debt'] = np.arange(5.)

In [19]: frame2
Out[19]:
       year   state  pop  debt
one    2000    Ohio  1.5   0.0
two    2001    Ohio  1.7   1.0
three  2002    Ohio  3.6   2.0
four   2001  Nevada  2.4   3.0

将一个列表或数组赋值给某个列时， 如果赋值的是Series， 就会精确匹配DataFrame的索引，
所有的空值将会被填上缺失值。

n [20]: val = Series([1.2, 1.3, -1.2], index=['two', 'four', 'five'])

In [21]: frame2['debt'] = val

In [22]: frame2
Out[22]:
       year   state  pop  debt
one    2000    Ohio  1.5   NaN
two    2001    Ohio  1.7   1.2
three  2002    Ohio  3.6   NaN
four   2001  Nevada  2.4   1.3
five   2002  Nevada  2.9  -1.2

创建列

可以创建新列

In [23]: frame2['eastern'] = frame2.state == 'Ohio'

In [24]: frame2
Out[24]:
       year   state  pop  debt eastern
one    2000    Ohio  1.5   NaN    True
two    2001    Ohio  1.7   1.2    True
three  2002    Ohio  3.6   NaN    True
four   2001  Nevada  2.4   1.3   False
five   2002  Nevada  2.9  -1.2   False

删除列

In [26]: del frame2['eastern']

In [27]: frame2
Out[27]:
       year   state  pop  debt
one    2000    Ohio  1.5   NaN
two    2001    Ohio  1.7   1.2
three  2002    Ohio  3.6   NaN
four   2001  Nevada  2.4   1.3
five   2002  Nevada  2.9  -1.2

In [28]: frame2.columns
Out[28]: Index([u'year', u'state', u'pop', u'debt'], dtype='object')

结果 行、列倒置,调换位置

In [33]: frame3.T
Out[33]:
        2000  2001  2002  2003
Nevada   NaN   2.4   NaN   2.9
Ohio     1.5   1.7   3.6   NaN

内层字典的键会被合并、排序以形成最终的索引。如果显示指定了索引， 则按照索引走

In [35]: DataFrame(pop, index=[2001, 2002, 2003, 2004])
Out[35]:
      Nevada  Ohio
2001     2.4   1.7
2002     NaN   3.6
2003     2.9   NaN
2004     NaN   NaN

也可以根据索引key和切片取值赋值

In [36]: pdata = {'Ohio': frame3['Ohio'][:-1], 'Nevada': frame3['Nevada'][:2]}

In [39]: DataFrame(pdata)
Out[39]:
      Nevada  Ohio
2000     NaN   1.5
2001     2.4   1.7
2002     NaN   3.6

可以输入给DataFrame构造器的数据

二维ndarray   数据矩阵，还可以传入行标和列标
由数组、列表和元组组成的字典  每个序列会变成DataFrame的一列。 所有序列的长度必须相同
Numpy的结构化/记录数组  类似于“由数组组成的字典”
由Series组成的字典    每个Series会成为一列。如果没有显示指定索引， 则各Series的索引会被合并成结果的行索引
由字典组成的字典    各内层字典会成为一列。键会被合并成结果的行索引，跟"由Series组成的字典"的情况一样
字典或Series的列表 各项将会成为DataFrame的一行。字典键或Series索引的并集将会成为DataFrame的列标
由列标或元组组成的列表     类似于“二维ndarray”
另一个DataFrame    该DataFrame的索引将会被沿用，除非显示指定了其他索引
Numpy的MaskedArray   类似于"二维ndarray"的情况， 只是掩码值在结果DataFrame会变成NA/缺失值

行标，列标设置别名

In [40]: frame3.index.name = "year"; frame3.columns.name = "state"

In [41]: frame3
Out[41]:
state  Nevada  Ohio
year
2000      NaN   1.5
2001      2.4   1.7
2002      NaN   3.6
2003      2.9   NaN

获取数据

DataFrame以二维ndarray的形式返回数据

In [42]: frame3.values
Out[42]:
array([[ nan,  1.5],
       [ 2.4,  1.7],
       [ nan,  3.6],
       [ 2.9,  nan]])

如果DataFrame各列的数据类型不同， 则值数组的数据类型就会选用能兼容所有列的数据类型

----------------------------------------

索引对象

pandas的索引对象负责管理轴标签和其他元数据（比如轴名称等。）构建Series或Data Frame时，所用到的任何数组或其他序列的标签都会被转换成一个Index。

In [1]: from pandas import Series, DataFrame

In [2]: obj = Series(range(3), index=["a", "b", "c"])

In [3]: index = obj.index

In [4]: index
Out[4]: Index([a, b, c], dtype=object)

In [5]: obj
Out[5]:
a    0
b    1
c    2

In [6]: index[1:]
Out[6]: Index([b, c], dtype=object)

而索引是不可修改的

那么根据上面的例子，报错，证明索引是不可以修改的

In [7]: index[1]
Out[7]: 'b'

In [8]: index[1] = "d"
---------------------------------------------------------------------------
Exception                                 Traceback (most recent call last)
C:Python27<ipython-input-8-092906bbf8a9> in <module>()
----> 1 index[1] = "d"

C:Python27libsite-packagespandascoreindex.pyc in __setitem__(self, key, value)
    307     def __setitem__(self, key, value):
    308         """Disable the setting of values."""
--> 309         raise Exception(str(self.__class__) + ' object is immutable')
    310
    311     def __getitem__(self, key):

Exception: <class 'pandas.core.index.Index'> object is immutable

而这样做的目的是index对象在多个数据结果之间安全共享

In [11]: index = pd.Index(np.arange(3))

In [12]: index
Out[12]: Int64Index([0, 1, 2], dtype=int64)

In [13]: obj2 = Series([1.5, -2.5, 0], index=index)

In [14]: obj2
Out[14]:
0    1.5
1   -2.5
2    0.0

证明是共享的

In [16]: obj2.index is index
Out[16]: True

pandas中主要的Index对象

Index　　最泛化的Index对象， 将轴标签表示为一个由python对象组成的Numpy数组
Int64Index　　针对整数的特殊Index
MultiIdex　　“层次化”索引对象， 表示单个轴上的多层索引。可以看做由元组组成的数组
DatatimeIndex　　存储纳秒级时间戳（用NumPy的datatime64类型表示）
PeriodIndex　　针对Period数据（时间jiange）的特殊Index

Index的方法和属性

append    连接另一个index对象，产生另一个新的Index
diff    计算差集，并得到一个index
intersection    计算交集
union    计算并集
isin    计算一个指示各值是否都包含在参数集合中的布尔型数据
delete    删除索引i处的元素，bing得到一个新的Index
drop    删除传入的值，并得到新的Index
insert　　将元素插入到索引i出， 并得到新的index
is_monotonic　　当各元素均大于等于前一个元素是，返回True
is_unique　　当index没有重复值时，返回True
unique　　计算Index中唯一值的数组

In [42]: index3.delete(2)
Out[42]: Int64Index([0, 1, 4, 5, 6], dtype=int64)

In [28]: index3 = index.append(Index2)

In [29]: index3
Out[29]: Int64Index([0, 1, 2, 4, 5, 6], dtype=int64)

　　

reindex重新索引 (fill_value 设置默认值)

pandas对象的一个重要方法是reindex， 其作用是创建一个适应新索引的新对象。

而调用Series的reindex将会根据新索引进行重排。如果某个索引值不存在，就引入缺失值。

obj = Series([4.5, 7.l2, -5.3, 3.6], index=['d', 'b', 'a', 'c'])

In [25]: obj2 = obj.reindex([i for i in list("abcde")], fill_value=0)
In [26]: obj2
Out[26]:
a   -5.2
b    7.2
c    3.6
d    4.5
e    0.0
dtype: float64

但是注意：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选项即可达到目的

例如使用ffill可以实现向前值填充：

In [27]: obj3 = Series(["blue", "purple", "yellow"], index=[0, 2, 4])

In [28]: obj3.reindex(range(6), method="ffill")
Out[28]:
0      blue
1      blue
2    purple
3    purple
4    yellow
5    yellow
dtype: object

In [29]: obj3
Out[29]:
0      blue
2    purple
4    yellow
dtype: object

reindex 可以重新 修改（行）索引、列， 或两个都可以修改。传入一个值默认为行索引

In [33]: frame = DataFrame(np.arange(9).reshape((3, 3)), index=[i for i in list('abc')], columns=["Ohio", "Texas", "California"])

In [34]: frame
Out[34]:
   Ohio  Texas  California
a     0      1           2
b     3      4           5
c     6      7           8

In [35]: frame2 = frame.reindex([i for i in list("abcd")])

In [36]: frame2
Out[36]:
   Ohio  Texas  California
a   0.0    1.0         2.0
b   3.0    4.0         5.0
c   6.0    7.0         8.0
d   NaN    NaN         NaN

In [37]: states = ["Texas", "Utah", "California"]

In [38]: frame.reindex(columns=states)
Out[38]:
   Texas  Utah  California
a      1   NaN           2
b      4   NaN           5
c      7   NaN           8

In [39]: frame.ix[[i for i in list("abcd")], states]
Out[39]:
   Texas  Utah  California
a    1.0   NaN         2.0
b    4.0   NaN         5.0
c    7.0   NaN         8.0
d    NaN   NaN         NaN

-------------------------------------------------------------------

 Series 和 DataFrame 丢弃指定轴上的项  pandas删除行

丢弃某条轴上的一个或多个项很简单， 只要偶一个索引数组或列表即可。

而drop方法返回的是一个在指定轴上删除了指定值的新对象。 

In [46]: obj = Series(np.arange(5.), index=[i for i in list("abcde")])

In [47]: obj
Out[47]:
a    0.0
b    1.0
c    2.0
d    3.0
e    4.0
dtype: float64

In [48]: new_obj = obj.drop("c")

In [49]: new_obj
Out[49]:
a    0.0
b    1.0
d    3.0
e    4.0
dtype: float64

In [50]: obj.drop(["b", "c"])
Out[50]:
a    0.0
d    3.0
e    4.0
dtype: float64

而DataFrame可以删除任意轴上的索引值 

In [52]: data = DataFrame(np.arange(16).reshape((4,4)), index=["Ohio", "Colorado", "Utah", "New York"], columns=["one", "two", "three", "four"])

In [53]: data
Out[53]:
          one  two  three  four
Ohio        0    1      2     3
Colorado    4    5      6     7
Utah        8    9     10    11
New York   12   13     14    15

In [54]: data.drop(["Colorado", ""Ohio])
  File "<ipython-input-54-8d771dda6c46>", line 1
    data.drop(["Colorado", ""Ohio])
                                ^
SyntaxError: invalid syntax


In [55]: data.drop(["Colorado", "Ohio"])
Out[55]:
          one  two  three  four
Utah        8    9     10    11
New York   12   13     14    15

-------
In [57]: data.drop(["one"], axis=1)
Out[57]:
          two  three  four
Ohio        1      2     3
Colorado    5      6     7
Utah        9     10    11
New York   13     14    15

In [58]: data.drop(["one", "four"], axis=1)
Out[58]:
          two  three
Ohio        1      2
Colorado    5      6
Utah        9     10
New York   13     14

---------------------------------------------

索引选取和过滤

Series

 Series 索引（obj[...]）的工作方式类似与Numpy数组的索引，只不过Series的索引值不只是整数

In [8]: obj = Series(np.arange(4.), index = [i for i in list("abcd")])

In [9]: obj['b']
Out[9]: 1.0

In [10]: obj[1]
Out[10]: 1.0

In [11]: obj[2:4]
Out[11]:
c    2.0
d    3.0
dtype: float64

In [12]: obj[['b', 'c', 'd']]
Out[12]:
b    1.0
c    2.0
d    3.0
dtype: float64

In [13]: obj[[1, 3]]
Out[13]:
b    1.0
d    3.0
dtype: float64

In [14]: obj[obj<2]
Out[14]:
a    0.0
b    1.0
dtype: float64

利用索引赋值 

In [15]: obj['b':'c']
Out[15]:
b 1.0
c 2.0
dtype: float64

In [16]: obj['b':'c'] = 5

In [17]: obj
Out[17]:
a 0.0
b 5.0
c 5.0
d 3.0
dtype: float64

 DataFrame

而DataFrame进行索引就是获取一个或多个列， 默认是columns
data【columns， index】的格式

In [18]: data = DataFrame(np.arange(16).reshape((4,4)), index=['Ohio', 'Colorado', 'Utah', 'New York'], columns = ['one', 'two', 'three', 'four'])

In [19]: data
Out[19]:
          one  two  three  four
Ohio        0    1      2     3
Colorado    4    5      6     7
Utah        8    9     10    11
New York   12   13     14    15

In [20]: data['two']
Out[20]:
Ohio         1
Colorado     5
Utah         9
New York    13
Name: two, dtype: int64

In [21]: data[['three', 'one']]
Out[21]:
          three  one
Ohio          2    0
Colorado      6    4
Utah         10    8
New York     14   12

In [23]: data[:2]
Out[23]:
          one  two  three  four
Ohio        0    1      2     3
Colorado    4    5      6     7

In [24]: data[data['three'] > 5]
Out[24]:
          one  two  three  four
Colorado    4    5      6     7
Utah        8    9     10    11
New York   12   13     14    15

值为bool类型

In [25]: data < 5
Out[25]:
            one    two  three   four
Ohio       True   True   True   True
Colorado   True  False  False  False
Utah      False  False  False  False
New York  False  False  False  False

重新赋值

In [26]: data[data < 5] = 0

In [27]: data
Out[27]:
          one  two  three  four
Ohio        0    0      0     0
Colorado    0    5      6     7
Utah        8    9     10    11
New York   12   13     14    15

DataFrame.ix

如果DataFrame 使用标签索引的话，就是index，需要引入专门的ix,其实就是调换方向
data【index， columns】

In [28]: data.ix['Colorado', ['three']]
Out[28]:
three    6
Name: Colorado, dtype: int64

In [29]: data.ix[['Colorado', 'Utah'], [3, 0, 1]]
Out[29]:
          four  one  two
Colorado     7    0    5
Utah        11    8    9

 

Chrome://flags/#enable-smooth-scrolling