pandas 安装: pip install pandas 应用: import pandas as pd 两个数据结构: a. Series: 定义:Series是一种类似于一维数组的对象,由一组数据和一组与之相关的数据标签(索引)组成 创建方式: 第一种: pd.Series([4,5,6,7,8]) 执行结果: 0 4 1 5 2 6 3 7 4 8 dtype: int64 # 将数组索引以及数组的值打印出来,索引在左,值在右; # 没有为数据指定索引,会自动创建一个0到N-1的整数型索引,取值的时候可以通过索引取值 ----------------------------------------------- 第二种: pd.Series([4,5,6,7,8],index=['a','b','c','d','e']) 执行结果: a 4 b 5 c 6 d 7 e 8 dtype: int64 # 自定义索引,index是一个索引列表,里面包含的是字符串,依然可以通过默认索引取值。 ----------------------------------------------- 第三种: pd.Series({"a":1,"b":2}) 执行结果: a 1 b 2 dtype: int64 # 指定索引 ----------------------------------------------- 第四种: pd.Series(0,index=['a','b','c']) 执行结果: a 0 b 0 c 0 dtype: int64 # 创建一个值都是0的数组 1.对缺失值的处理 1.dropna:删掉缺失值 2.filena:填充缺失数据 3.isnull:返回布尔数组,缺失值为true 4.notnull: 缺失值为flase # 第一步,创建一个字典,通过Series方式创建一个Series对象 st = {"sean":18,"yang":19,"bella":20,"cloud":21} obj = pd.Series(st) obj 运行结果: sean 18 yang 19 bella 20 cloud 21 dtype: int64 ------------------------------------------ # 第二步 a = {'sean','yang','cloud','rocky'} # 定义一个索引变量 ------------------------------------------ #第三步 obj1 = pd.Series(st,index=a) obj1 # 将第二步定义的a变量作为索引传入 # 运行结果: rocky NaN cloud 21.0 sean 18.0 yang 19.0 dtype: float64 # 因为rocky没有出现在st的键中,所以返回的是缺失值 通过上面的代码演示,对于缺失值已经有了一个简单的了解,接下来就来看看如何判断缺失值 Copy 1、 obj1.isnull() # 是缺失值返回Ture 运行结果: rocky True cloud False sean False yang False dtype: bool 2、 obj1.notnull() # 不是缺失值返回Ture 运行结果: rocky False cloud True sean True yang True dtype: bool 3、过滤缺失值 # 布尔型索引 obj1[obj1.notnull()] 运行结果: cloud 21.0 yang 19.0 sean 18.0 dtype: float64 2.series特性: 与标量(数字)进行运算:sr * 2 srx = sr * 2 # 与标量(数字)进行运算 两个Series运算 sr * srx # 两个Series运算 布尔值过滤:sr[sr>0] sr[sr>3] # 布尔索引 2.1支持字典的特性: # 字典创建Series dic_arr = pd.Series({"A":1,"B":2,"C":3,"D":4,"E":5} ) In运算:'a'in sr、for x in sr "A" in dic_arr ------------------------------ for i in dic_arr: print(i) 键索引:sr['a'],sr[['a','b','d']] dic_arr[['A','B']] # 键索引 键切片:sr['a':'c'] dic_arr['A':'C'] # 键切片 其他函数:get('a',default=0)等 dic_arr.get("A",default=0) loc属性 # 以标签解释 iloc属性 # 以下标解释 b. DataFrame: 1.定义:是一个表格型的数据结构,相当于是一个二维数组,含有一组有序的列。 他可以被看做是由Series组成的字典,并且共用一个索引。 2.创建: 第一种: pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]}) # 产生的DataFrame会自动为Series分配所索引,并且列会按照排序的顺序排列 运行结果: one two 0 1 4 1 2 3 2 3 2 3 4 1 > 指定列 可以通过columns参数指定顺序排列 data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]}) pd.DataFrame(data,columns=['one','two']) 第二种: pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([1,2,3],index=['b','a','c'])}) 运行结果: one two a 1 2 b 2 1 c 3 3 3.常用属性和方法: 1.index 获取行索引 2.columns 获取列索引 3.T 转置 4.values 获取值索引 5.describe 获取快速统计 one two a 1 2 b 2 1 c 3 3 ----------------------------------------------------------------------------- df.index 运行结果: Index(['a', 'b', 'c'], dtype='object') ---------------------------------------------------------------------------- df.columns 运行结果: Index(['one', 'two'], dtype='object') -------------------------------------------------------------------------- df.T 运行结果: a b c one 1 2 3 two 2 1 3 ------------------------------------------------------------------------- df.values 运行结果: array([[1, 2], [2, 1], [3, 3]], dtype=int64) ------------------------------------------------------------------------ df.describe() 运行结果: one two count 3.0 3.0 #数据统计 mean 2.0 2.0 #平均值 std 1.0 1.0 #标准差 min 1.0 1.0 25% 1.5 1.5 #四分之一均值 50% 2.0 2.0 75% 2.5 2.5 max 3.0 3.0 4.索引切片 loc属性: 解释为标签 iloc属性:解释为下标 data.loc[:10,"open":"low"] # 用标签取值 data.iloc[:10,1:5] # 用下标取值 注: DataFrame有行索引和列索引。 DataFrame同样可以通过标签和位置两种方法进行索引和切片 5.时间处理对象 import dateutil dateutil.parser.parse("2019 Jan 2nd") # 这中间的时间格式一定要是英文格式 >datetime.datetime(2019, 1, 2, 0, 0) pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019']) 运行结果: DatetimeIndex(['2018-03-01', '2019-02-03', '2019-08-12'], dtype='datetime64[ns]', freq=None) # 产生一个DatetimeIndex对象 # 转换时间索引 ind = pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019']) sr = pd.Series([1,2,3],index=ind) sr 运行结果: 2018-03-01 1 2019-02-03 2 2019-08-12 3 dtype: int64 通过以上方式就可以将索引转换为时间 补充: pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019']).to_pydatetime() 运行结果: array([datetime.datetime(2018, 3, 1, 0, 0), datetime.datetime(2019, 2, 3, 0, 0), datetime.datetime(2019, 8, 12, 0, 0)], dtype=object) # 通过to_pydatetime()方法将其转换为array数组 产生时间对象数组:data_range start 开始时间 end 结束时间 periods 时间长度 freq 时间频率,默认为'D',可选H(our),W(eek),B(usiness),S(emi-)M(onth),(min)T(es), S(econd), A(year),… pd.date_range("2019-1-1","2019-2-2") 运行结果: DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04', '2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08', '2019-01-09', '2019-01-10', '2019-01-11', '2019-01-12', '2019-01-13', '2019-01-14', '2019-01-15', '2019-01-16', '2019-01-17', '2019-01-18', '2019-01-19', '2019-01-20', '2019-01-21', '2019-01-22', '2019-01-23', '2019-01-24', '2019-01-25', '2019-01-26', '2019-01-27', '2019-01-28', '2019-01-29', '2019-01-30', '2019-01-31', '2019-02-01', '2019-02-02'], dtype='datetime64[ns]', freq='D') 时间序列 时间序列就是以时间对象为索引的Series或DataFrame。datetime对象作为索引时是存储在DatetimeIndex对象中的。 # 转换时间索引 dt = pd.date_range("2019-01-01","2019-02-02") a = pd.DataFrame({"num":pd.Series(random.randint(-100,100) for _ in range(30)),"date":dt}) # 先生成一个带有时间数据的DataFrame数组 a.index = pd.to_datetime(a["date"]) # 再通过index修改索引 特殊功能: 传入“年”或“年月”作为切片方式 传入日期范围作为切片方式 丰富的函数支持:resample(), strftime(), …… 批量转换为datetime对象:to_pydatetime() a.resample("3D").mean() # 计算每三天的均值 a.resample("3D").sum() # 计算每三天的和 6.数据分组与聚合 apply: GroupBy当中自由度最高的方法, 用法:它会将待处理的对象拆分为多个片段,然后各个片段分别调用传入的函数,最后将它们组合到一起。 df.apply( ['func', 'axis=0', 'broadcast=None', 'raw=False', 'reduce=None', 'result_type=None', 'args=()', '**kwds'] ) func:传入一个自定义函数 axis:函数传入参数当axis=1就会把一行数据作为Series的数据 a.分组(GroupBY机制) df = pd.DataFrame({'key1':['x','x','y','y','x', 'key2':['one','two','one',',two','one'], 'data1':np.random.randn(5), 'data2':np.random.randn(5)}) df > key1 key2 data1 data2 0 x one 0.951762 1.632336 1 x two -0.369843 0.602261 2 y one 1.512005 1.331759 3 y two 1.383214 1.025692 4 x one -0.475737 -1.182826 访问data1,并根据key1调用groupby: f1 = df['data1'].groupby(df['key1']).groups #属性 f1 > <pandas.core.groupby.groupby.SeriesGroupBy object at 0x00000275906596D8> 上述运行是没有进行任何计算的,接下来,就可以调用groupby进行任何计算 f1.mean() # 调用mean函数求出平均值 > key1 x 0.106183 y 2.895220 Name: data1, dtype: float64 以上数据经过分组键(一个Series数组)进行了聚合,产生了一个新的Series,索引就是key1列中的唯一值。这些索引的名称就为key1。接下来就尝试一次将多个数组的列表传进来 f2 = df['data1'].groupby([df['key1'],df['key2']]) f2.mean() > key1 key2 x one 0.083878 two 0.872437 y one -0.665888 two -0.144310 Name: data1, dtype: float64 传入多个数据之后会发现,得到的数据具有一个层次化的索引,key1对应的xy;key2对应的one wo. f2.mean().unstack() # 通过unstack方法就可以让索引不堆叠在一起了 > key2 one two key1 x 0.083878 0.872437 y -0.665888 -0.144310 补充: 1、分组键可以是任意长度的数组 2、分组时,对于不是数组数据的列会从结果中排除,例如key1、key2这样的列 3、GroupBy的size方法,返回一个含有分组大小的Series # 以上面的f2测试 f2.size() > key1 key2 x one 2 two 1 y one 1 two 1 Name: data1, dtype: int64 b.聚合 um 非NA值的和 median 非NA值的算术中位数 std、var 无偏(分母为n-1)标准差和方差 prod 非NA值的积 first、last 第一个和最后一个非NA值 常用方法: mean(axis=0,skipna=False) sum(axis=1) sort_index(axis, …, ascending) # 按行或列索引排序 sort_values(by, axis, ascending) # 按值排序 apply(func, axis=0) # 将自定义函数应用在各行或者各列上,func可返回标量或者Series applymap(func) # 将函数应用在DataFrame各个元素上 map(func) # 将函数应用在Series各个元素上