目录
第一章.预备知识
1、Python基础
1.列表推导式与条件赋值
L = []
def my_func(x):
return 2*x
for i in range(5):
L.append(my_func(i))
L
#[0, 2, 4, 6, 8]
列表表达式还支持多层嵌套，如下面的例子中第一个for为外层循环，第二个为内层循环：
[m+'_'+n for m in ['a', 'b'] for n in ['c', 'd']]
#['a_c', 'a_d', 'b_c', 'b_d']
2. 匿名函数与map方法
my_func = lambda x: 2*x
my_func(3)[(lambda x: 2*x)(i) for i in range(5)]对于上述的这种列表推导式的匿名函数映射，Python中提供了map函数来完成，它返回的是一个map对象，需要通过list转为列表：
list(map(lambda x: 2*x, range(5)))对于多个输入值的函数映射，可以通过追加迭代对象实现：
list(map(lambda x, y: str(x)+'_'+y, range(5), list('abcde')))3. zip对象与enumerate方法
zip函数能够把多个可迭代对象打包成一个元组构成的可迭代对象，它返回了一个zip对象，通过tuple, list可以得到相应的打包结果：
L1, L2, L3 = list('abc'), list('def'), list('hij')
list(zip(L1, L2, L3))
#[('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j')]
tuple(zip(L1, L2, L3))
#(('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j'))
'''
往往会在循环迭代的时候使用到zip函数：
'''
for i, j, k in zip(L1, L2, L3):
print(i, j, k)
#
a d h
b e i
c f j
'''
enumerate是一种特殊的打包，它可以在迭代时绑定迭代元素的遍历序号：
'''
L = list('abcd')
for index, value in enumerate(L):
print(index, value)
#0 a
1 b
2 c
3 d
'''
用zip对象也能够简单地实现这个功能：
'''
for index, value in zip(range(len(L)), L):
print(index, value)
#0 a
1 b
2 c
3 d
'''
当需要对两个列表建立字典映射时，可以利用zip对象：
'''
dict(zip(L1, L2))
#{'a': 'd', 'b': 'e', 'c': 'f'}
'''
既然有了压缩函数，那么Python也提供了*操作符和zip联合使用来进行解压操作：
'''
zipped = list(zip(L1, L2, L3))
zipped
#[('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j')]
list(zip(*zipped)) # 三个元组分别对应原来的列表
#[('a', 'b', 'c'), ('d', 'e', 'f'), ('h', 'i', 'j')]
二、Numpy基础
1. np数组的构造
...
2. np数组的变形与合并
【a】转置：T
np.zeros((2,3)).T
#array([[0., 0.],
, [0., 0.],
, [0., 0.]])【b】合并操作：r_, c_
对于二维数组而言，r_和c_分别表示上下合并和左右合并
一维数组和二维数组进行合并时，应当把其视作列向量，在长度匹配的情况下只能够使用左右合并的c_操作
【c】维度变换：reshape
reshape能够帮助用户把原数组按照新的维度重新排列。在使用时有两种模式，分别为C模式和F模式，分别以逐行和逐列的顺序进行填充读取。
3. np数组的切片与索引
数组的切片模式支持使用slice类型的start:end:step切片，还可以直接传入列表指定某个维度的索引进行切片
此外，还可以利用np.ix_在对应的维度上使用布尔索引，但此时不能使用slice切片：
target[np.ix_([True, False, True], [True, False, True])]
#array([[0, 2],
, [6, 8]])4. 常用函数
【a】where
where是一种条件函数，可以指定满足条件与不满足条件位置对应的填充值：
a = np.array([-1,1,-1,0])
np.where(a>0, a, 5) # 对应位置为True时填充a对应元素，否则填充5
#array([5, 1, 5, 5])
【b】nonzero, argmax, argmin
这三个函数返回的都是索引，nonzero返回非零数的索引，argmax, argmin分别返回最大和最小数的索引：
a = np.array([-2,-5,0,1,3,-1])
np.nonzero(a)
#(array([0, 1, 3, 4, 5], dtype=int64),)
a.argmax()
#4
a.argmin()
#1【c】any, all
any指当序列至少 存在一个 True或非零元素时返回True，否则返回False
all指当序列元素 全为 True或非零元素时返回True，否则返回False
a = np.array([0,1])
a.any()
#True
a.all()
#False【d】cumprod, cumsum, diff
cumprod, cumsum分别表示累乘和累加函数，返回同长度的数组，diff表示和前一个元素做差，由于第一个元素为缺失值，因此在默认参数情况下，返回长度是原数组减1
【e】 统计函数
常用的统计函数包括max, min, mean, median, std, var, sum, quantile，其中分位数计算是全局方法，因此不能通过array.quantile的方法调用：
np.quantile(target, 0.5) # 0.5分位数
但是对于含有缺失值的数组，它们返回的结果也是缺失值，如果需要略过缺失值，必须使用nan*类型的函数，上述的几个统计函数都有对应的nan*函数。
最后，需要说明二维Numpy数组中统计函数的axis参数，它能够进行某一个维度下的统计特征计算，当axis=0时结果为列的统计指标，当axis=1时结果为行的统计指标
5. 广播机制
广播机制用于处理两个不同维度数组之间的操作，这里只讨论不超过两维的数组广播机制。
6. 向量与矩阵的计算
【a】向量内积：dot
【b】向量范数和矩阵范数：np.linalg.norm
在矩阵范数的计算中，最重要的是ord参数，可选值如下：
| ord | norm for matrices | norm for vectors |
|---|---|---|
| None | Frobenius norm | 2-norm |
| 'fro' | Frobenius norm | / |
| 'nuc' | nuclear norm | / |
| inf | max(sum(abs(x), axis=1)) | max(abs(x)) |
| -inf | min(sum(abs(x), axis=1)) | min(abs(x)) |
| 0 | / | sum(x != 0) |
| 1 | max(sum(abs(x), axis=0)) | as below |
| -1 | min(sum(abs(x), axis=0)) | as below |
| 2 | 2-norm (largest sing. value) | as below |
| -2 | smallest singular value | as below |
| other | / | sum(abs(x)**ord)**(1./ord) |
【c】矩阵乘法：@
[Am×pBp×n]ij=p∑k=1AikBkj
第二章.pandas基础
import numpy as np import pandas as pd
请确认已经安装了xlrd, xlwt, openpyxl这三个包，其中xlrd版本不得高于2.0.0
一、文件的读取和写入
1. 文件读取
pandas可以读取的文件格式有很多，这里主要介绍读取csv, excel, txt文件。
df_csv = pd.read_csv('../data/my_csv.csv')
df_csv| col1 | col2 | col3 | col4 | col5 | |
|---|---|---|---|---|---|
| 0 | 2 | a | 1.4 | apple | 2020/1/1 |
| 1 | 3 | b | 3.4 | banana | 2020/1/2 |
| 2 | 6 | c | 2.5 | orange | 2020/1/5 |
| 3 | 5 | d | 3.2 | lemon | 2020/1/7 |
df_txt = pd.read_table('../data/my_table.txt')
df_txt| col1 | col2 | col3 | col4 | |
|---|---|---|---|---|
| 0 | 2 | a | 1.4 | apple 2020/1/1 |
| 1 | 3 | b | 3.4 | banana 2020/1/2 |
| 2 | 6 | c | 2.5 | orange 2020/1/5 |
| 3 | 5 | d | 3.2 | lemon 2020/1/7 |
df_excel = pd.read_excel('../data/my_excel.xlsx')
df_excel| col1 | col2 | col3 | col4 | col5 | |
|---|---|---|---|---|---|
| 0 | 2 | a | 1.4 | apple | 2020/1/1 |
| 1 | 3 | b | 3.4 | banana | 2020/1/2 |
| 2 | 6 | c | 2.5 | orange | 2020/1/5 |
| 3 | 5 | d | 3.2 | lemon | 2020/1/7 |
这里有一些常用的公共参数，header=None表示第一行不作为列名，index_col表示把某一列或几列作为索引，索引的内容将会在第三章进行详述，usecols表示读取列的集合，默认读取所有的列，parse_dates表示需要转化为时间的列，关于时间序列的有关内容将在第十章讲解，nrows表示读取的数据行数。上面这些参数在上述的三个函数里都可以使用。
pd.read_table('../data/my_table.txt', header=None)
pd.read_csv('../data/my_csv.csv', index_col=['col1', 'col2'])
pd.read_table('../data/my_table.txt', usecols=['col1', 'col2'])
pd.read_csv('../data/my_csv.csv', parse_dates=['col5'])
pd.read_excel('../data/my_excel.xlsx', nrows=2)
在读取txt文件时，经常遇到分隔符非空格的情况，read_table有一个分割参数sep，它使得用户可以自定义分割符号，进行txt数据的读取。例如，下面的读取的表以||||为分割：
pd.read_table('../data/my_table_special_sep.txt')| col1 |||| col2 | |
|---|---|
| 0 | TS |||| This is an apple. |
| 1 | GQ |||| My name is Bob. |
| 2 | WT |||| Well done! |
| 3 | PT |||| May I help you? |
上面的结果显然不是理想的，这时可以使用sep，同时需要指定引擎为python：
pd.read_table('../data/my_table_special_sep.txt', sep=' \|\|\|\| ', engine='python')| col1 | col2 | |
|---|---|---|
| 0 | TS | This is an apple. |
| 1 | GQ | My name is Bob. |
| 2 | WT | Well done! |
| 3 | PT | May I help you? |
【WARNING】sep是正则参数
在使用read_table的时候需要注意，参数sep中使用的是正则表达式，因此需要对|进行转义变成\|，否则无法读取到正确的结果。有关正则表达式的基本内容可以参考第八章或者其他相关资料。
2. 数据写入
一般在数据写入中，最常用的操作是把index设置为False，特别当索引没有特殊意义的时候，这样的行为能把索引在保存的时候去除。
df_csv.to_csv('../data/my_csv_saved.csv', index=False)
df_excel.to_excel('../data/my_excel_saved.xlsx', index=False)pandas中没有定义to_table函数，但是to_csv可以保存为txt文件，并且允许自定义分隔符，常用制表符\t分割：
df_txt.to_csv('../data/my_txt_saved.txt', sep='\t', index=False)如果想要把表格快速转换为markdown和latex语言，可以使用to_markdown和to_latex函数，此处需要安装tabulate包。
二、基本数据结构
pandas中具有两种基本的数据存储结构，存储一维values的Series和存储二维values的DataFrame，在这两种结构上定义了很多的属性和方法
1. Series
Series一般由四个部分组成，分别是序列的值data、索引index、存储类型dtype、序列的名字name。其中，索引也可以指定它的名字，默认为空。
s = pd.Series(data = [100, 'a', {'dic1':5}],
index = pd.Index(['id1', 20, 'third'], name='my_idx'),
dtype = 'object',
name = 'my_name')
s
'''
my_idx
,id1 100
,20 a
,third {'dic1': 5}
,Name: my_name, dtype: object
'''【NOTE】object类型
object代表了一种混合类型，正如上面的例子中存储了整数、字符串以及Python的字典数据结构。此外，目前pandas把纯字符串序列也默认认为是一种object类型的序列，但它也可以用string类型存储，文本序列的内容会在第八章中讨论。
对于这些属性，可以通过 . 的方式来获取：
索引是pandas中最重要的概念之一，它将在第三章中被详细地讨论。如果想要取出单个索引对应的值，可以通过[index_item]可以取出
2. DataFrame¶
DataFrame在Series的基础上增加了列索引，一个数据框可以由二维的data与行列索引来构造：
data = [[1, 'a', 1.2], [2, 'b', 2.2], [3, 'c', 3.2]]
df = pd.DataFrame(data = data,
index = ['row_%d'%i for i in range(3)],
columns=['col_0', 'col_1', 'col_2'])
df| col_0 | col_1 | col_2 | |
|---|---|---|---|
| row_0 | 1 | a | 1.2 |
| row_1 | 2 | b | 2.2 |
| row_2 | 3 | c | 3.2 |
但一般而言，更多的时候会采用从列索引名到数据的映射来构造数据框，同时再加上行索引：
df = pd.DataFrame(data = {'col_0': [1,2,3],
'col_1':list('abc'),
'col_2': [1.2, 2.2, 3.2]},
index = ['row_%d'%i for i in range(3)])
df由于这种映射关系，在DataFrame中可以用[col_name]与[col_list]来取出相应的列与由多个列组成的表，结果分别为Series和DataFrame：
与Series类似，在数据框中同样可以取出相应的属性：
三、常用基本函数
为了进行举例说明，在接下来的部分和其余章节都将会使用一份learn_pandas.csv的虚拟数据集，它记录了四所学校学生的体测个人信息。
df = pd.read_csv('../data/learn_pandas.csv')
df.columns
'''
Index(['School', 'Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer',
, 'Test_Number', 'Test_Date', 'Time_Record'],
, dtype='object')
'''上述列名依次代表学校、年级、姓名、性别、身高、体重、是否为转系生、体测场次、测试时间、1000米成绩，本章只需使用其中的前七列
df = df[df.columns[:7]]1. 汇总函数
head, tail函数分别表示返回表或者序列的前n行和后n行，其中n默认为5：
info, describe分别返回表的信息概况和表中数值列对应的主要统计量 ：
【NOTE】更全面的数据汇总
info, describe只能实现较少信息的展示，如果想要对一份数据集进行全面且有效的观察，特别是在列较多的情况下，推荐使用pandas-profiling包，它将在第十一章被再次提到。
2. 特征统计函数
在Series和DataFrame上定义了许多统计函数，最常见的是sum, mean, median, var, std, max, min。例如，选出身高和体重列进行演示：
df_demo = df[['Height', 'Weight']]
df_demo.mean()
'''
Height 163.218033
,Weight 55.015873
,dtype: float64
'''
df_demo.max()
'''
Height 193.9
,Weight 89.0
,dtype: float64
'''此外，需要介绍的是quantile, count, idxmax这三个函数，它们分别返回的是分位数、非缺失值个数、最大值对应的索引：
上面这些所有的函数，由于操作后返回的是标量，所以又称为聚合函数，它们有一个公共参数axis，默认为0代表逐列聚合，如果设置为1则表示逐行聚合：
3. 唯一值函数
对序列使用unique和nunique可以分别得到其唯一值组成的列表和唯一值的个数：
如果想要观察多个列组合的唯一值，可以使用drop_duplicates。其中的关键参数是keep，默认值first表示每个组合保留第一次出现的所在行，last表示保留最后一次出现的所在行，False表示把所有重复组合所在的行剔除。
此外，duplicated和drop_duplicates的功能类似，但前者返回了是否为唯一值的布尔列表，其keep参数与后者一致。其返回的序列，把重复元素设为True，否则为False。 drop_duplicates等价于把duplicated为True的对应行剔除。
4. 替换函数
一般而言，替换操作是针对某一个列进行的，因此下面的例子都以Series举例。pandas中的替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。其中映射替换包含replace方法、第八章中的str.replace方法以及第九章中的cat.codes方法，此处介绍replace的用法。
在replace中，可以通过字典构造，或者传入两个列表来进行替换：
另外，replace还有一种特殊的方向替换，指定method参数为ffill则为用前面一个最近的未被替换的值进行替换，bfill则使用后面最近的未被替换的值进行替换。从下面的例子可以看到，它们的结果是不同的：
【WARNING】正则替换请使用str.replace
虽然对于replace而言可以使用正则替换，但是当前版本下对于string类型的正则替换还存在bug，因此如有此需求，请选择str.replace进行替换操作，具体的方式将在第八章中讲解。
【END】
逻辑替换包括了where和mask，这两个函数是完全对称的：where函数在传入条件为False的对应行进行替换，而mask在传入条件为True的对应行进行替换，当不指定替换值时，替换为缺失值。
需要注意的是，传入的条件只需是与被调用的Series索引一致的布尔序列即可：
5. 排序函数
排序共有两种方式，其一为值排序，其二为索引排序，对应的函数是sort_values和sort_index。
为了演示排序函数，下面先利用set_index方法把年级和姓名两列作为索引，多级索引的内容和索引设置的方法将在第三章进行详细讲解。
对身高进行排序，默认参数ascending=True为升序：
在排序中，经常遇到多列排序的问题，比如在体重相同的情况下，对身高进行排序，并且保持身高降序排列，体重升序排列：
索引排序的用法和值排序完全一致，只不过元素的值在索引中，此时需要指定索引层的名字或者层号，用参数level表示。另外，需要注意的是字符串的排列顺序由字母顺序决定。
6. apply方法
apply方法常用于DataFrame的行迭代或者列迭代，它的axis含义与第2小节中的统计聚合函数一致，apply的参数往往是一个以序列为输入的函数。例如对于.mean()，使用apply可以如下地写出：
同样的，可以利用lambda表达式使得书写简洁，这里的x就指代被调用的df_demo表中逐个输入的序列：
若指定axis=1，那么每次传入函数的就是行元素组成的Series，其结果与之前的逐行均值结果一致。
这里再举一个例子：mad函数返回的是一个序列中偏离该序列均值的绝对值大小的均值，例如序列1,3,7,10中，均值为5.25，每一个元素偏离的绝对值为4.25,2.25,1.75,4.75，这个偏离序列的均值为3.25。现在利用apply计算升高和体重的mad指标：
【WARNING】谨慎使用apply¶
得益于传入自定义函数的处理，apply的自由度很高，但这是以性能为代价的。一般而言，使用pandas的内置函数处理和apply来处理同一个任务，其速度会相差较多，因此只有在确实存在自定义需求的情境下才考虑使用apply。
四、窗口对象
pandas中有3类窗口，分别是滑动窗口rolling、扩张窗口expanding以及指数加权窗口ewm。需要说明的是，以日期偏置为窗口大小的滑动窗口将在第十章讨论，指数加权窗口见本章练习。
1. 滑窗对象
要使用滑窗函数，就必须先要对一个序列使用.rolling得到滑窗对象，其最重要的参数为窗口大小window。
在得到了滑窗对象后，能够使用相应的聚合函数进行计算，需要注意的是窗口包含当前行所在的元素，例如在第四个位置进行均值运算时，应当计算(2+3+4)/3，而不是(1+2+3)/3
此外，还支持使用apply传入自定义函数，其传入值是对应窗口的Series，例如上述的均值函数可以等效表示
shift, diff, pct_change是一组类滑窗函数，它们的公共参数为periods=n，默认为1，分别表示取向前第n个元素的值、与向前第n个元素做差（与Numpy中不同，后者表示n阶差分）、与向前第n个元素相比计算增长率。这里的n可以为负，表示反方向的类似操作。
将其视作类滑窗函数的原因是，它们的功能可以用窗口大小为n+1的rolling方法等价代替：
2. 扩张窗口
扩张窗口又称累计窗口，可以理解为一个动态长度的窗口，其窗口的大小就是从序列开始处到具体操作的对应位置，其使用的聚合函数会作用于这些逐步扩张的窗口上。具体地说，设序列为a1, a2, a3, a4，则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]。
第三章 索引
一、索引器
1. 表的列索引
列索引是最常见的索引形式，一般通过[]来实现。通过[列名]可以从DataFrame中取出相应的列，返回值为Series，例如从表中取出姓名一列：
如果要取出多个列，则可以通过[列名组成的列表]，其返回值为一个DataFrame，例如从表中取出性别和姓名两列：
此外，若要取出单列，且列名中不包含空格，则可以用.列名取出，这和[列名]是等价的：
2. 序列的行索引
【a】以字符串为索引的Series
如果取出单个索引的对应元素，则可以使用[item]，若Series只有单个值对应，则返回这个标量值，如果有多个值对应，则返回一个Series：
如果想要取出某两个索引之间的元素，并且这两个索引是在整个索引中唯一出现，则可以使用切片,，同时需要注意这里的切片会包含两个端点：
如果前后端点的值重复出现，那么需要经过排序才能使用切片：
【b】以整数为索引的Series
在使用数据的读入函数时，如果不特别指定所对应的列作为索引，那么会生成从0开始的整数索引作为默认索引。当然，任意一组符合长度要求的整数都可以作为索引。
和字符串一样，如果使用[int]或[int_list]，则可以取出对应索引元素的值：
如果使用整数切片，则会取出对应索引位置的值，注意这里的整数切片同Python中的切片一样不包含右端点：
【WARNING】关于索引类型的说明
如果不想陷入麻烦，那么请不要把纯浮点以及任何混合类型（字符串、整数、浮点类型等的混合）作为索引，否则可能会在具体的操作时报错或者返回非预期的结果，并且在实际的数据分析中也不存在这样做的动机。
3. loc索引器
前面讲到了对DataFrame的列进行选取，下面要讨论其行的选取。对于表而言，有两种索引器，一种是基于元素的loc索引器，另一种是基于位置的iloc索引器。
loc索引器的一般形式是loc[*, *]，其中第一个*代表行的选择，第二个*代表列的选择，如果省略第二个位置写作loc[*]，这个*是指行的筛选。其中，*的位置一共有五类合法对象，分别是：单个元素、元素列表、元素切片、布尔列表以及函数，下面将依次说明。
为了演示相应操作，先利用set_index方法把Name列设为索引，关于该函数的其他用法将在多级索引一章介绍。
【a】*为单个元素
此时，直接取出相应的行或列，如果该元素在索引中重复则结果为DataFrame，否则为Series：
【b】*为元素列表
此时，取出列表中所有元素值对应的行或列：
【c】*为切片
之前的Series使用字符串索引时提到，如果是唯一值的起点和终点字符，那么就可以使用切片，并且包含两个端点，如果不唯一则报错：
需要注意的是，如果DataFrame使用整数索引，其使用整数切片的时候和上面字符串索引的要求一致，都是元素切片，包含端点且起点、终点不允许有重复值。
？？？？？？？？？？？
【d】*为布尔列表
在实际的数据处理中，根据条件来筛选行是极其常见的，此处传入loc的布尔列表与DataFrame长度相同，且列表为True的位置所对应的行会被选中，False则会被剔除。
例如，选出体重超过70kg的学生：
前面所提到的传入元素列表，也可以通过isin方法返回的布尔列表等价写出，例如选出所有大一和大四的同学信息：
对于复合条件而言，可以用|（或）, &（且）, ~（取反）的组合来实现，例如选出复旦大学中体重超过70kg的大四学生，或者北大男生中体重超过80kg的非大四的学生：
【e】*为函数
这里的函数，必须以前面的四种合法形式之一为返回值，并且函数的输入值为DataFrame本身。假设仍然是上述复合条件筛选的例子，可以把逻辑写入一个函数中再返回，需要注意的是函数的形式参数x本质上即为df_demo：
此外，还支持使用lambda表达式，其返回值也同样必须是先前提到的四种形式之一：
由于函数无法返回如start: end: step的切片形式，故返回切片时要用slice对象进行包装：
最后需要指出的是，对于Series也可以使用loc索引，其遵循的原则与DataFrame中用于行筛选的loc[*]完全一致，此处不再赘述。
【WARNING】不要使用链式赋值
在对表或者序列赋值时，应当在使用一层索引器后直接进行赋值操作，这样做是由于进行多次索引后赋值是赋在临时返回的copy副本上的，而没有真正修改元素从而报出SettingWithCopyWarning警告。例如，下面给出的例子：
4. iloc索引器
iloc的使用与loc完全类似，只不过是针对位置进行筛选，在相应的*位置处一共也有五类合法对象，分别是：整数、整数列表、整数切片、布尔列表以及函数，函数的返回值必须是前面的四类合法对象中的一个，其输入同样也为DataFrame本身。
在使用布尔列表的时候要特别注意，不能传入Series而必须传入序列的values，否则会报错。因此，在使用布尔筛选的时候还是应当优先考虑loc的方式。
例如，选出体重超过80kg的学生：
对Series而言同样也可以通过iloc返回相应位置的值或子序列：
5. query方法
在pandas中，支持把字符串形式的查询表达式传入query方法来查询数据，其表达式的执行结果必须返回布尔列表。在进行复杂索引时，由于这种检索方式无需像普通方法一样重复使用DataFrame的名字来引用列名，一般而言会使代码长度在不降低可读性的前提下有所减少。
例如，将loc一节中的复合条件查询例子可以如下改写：
在query表达式中，帮用户注册了所有来自DataFrame的列名，所有属于该Series的方法都可以被调用，和正常的函数调用并没有区别，例如查询体重超过均值的学生：
NOTE】query中引用带空格的列名
对于含有空格的列名，需要使用`col name`的方式进行引用。
【END】
同时，在query中还注册了若干英语的字面用法，帮助提高可读性，例如：or, and, or, is in, not in。例如，筛选出男生中不是大一大二的学生：
此外，在字符串中出现与列表的比较时，==和!=分别表示元素出现在列表和没有出现在列表，等价于is in和not in，例如查询所有大三和大四的学生：
对于query中的字符串，如果要引用外部变量，只需在变量名前加@符号。例如，取出体重位于70kg到80kg之间的学生
6. 随机抽样
如果把DataFrame的每一行看作一个样本，或把每一列看作一个特征，再把整个DataFrame看作总体，想要对样本或特征进行随机抽样就可以用sample函数。有时在拿到大型数据集后，想要对统计特征进行计算来了解数据的大致分布，但是这很费时间。同时，由于许多统计特征在等概率不放回的简单随机抽样条件下，是总体统计特征的无偏估计，比如样本均值和总体均值，那么就可以先从整张表中抽出一部分来做近似估计。
sample函数中的主要参数为n, axis, frac, replace, weights，前三个分别是指抽样数量、抽样的方向（0为行、1为列）和抽样比例（0.3则为从总体中抽出30%的样本）。
replace和weights分别是指是否放回和每个样本的抽样相对概率，当replace = True则表示有放回抽样。例如，对下面构造的df_sample以value值的相对大小为抽样概率进行有放回抽样，抽样数量为3。
二、多级索引¶
1. 多级索引及其表的结构
为了更加清晰地说明具有多级索引的DataFrame结构，下面新构造一张表，读者可以忽略这里的构造方法，它们将会在第4小节被更详细地讲解。
np.random.seed(0)
multi_index = pd.MultiIndex.from_product([list('ABCD'), df.Gender.unique()], names=('School', 'Gender'))
multi_column = pd.MultiIndex.from_product([['Height', 'Weight'], df.Grade.unique()], names=('Indicator', 'Grade'))
df_multi = pd.DataFrame(np.c_[(np.random.randn(8,4)*5 + 163).tolist(), (np.random.randn(8,4)*5 + 65).tolist()],
index = multi_index, columns = multi_column).round(1)
df_multi| Indicator | Height | Weight | |||||||
|---|---|---|---|---|---|---|---|---|---|
| Grade | Freshman | Senior | Sophomore | Junior | Freshman | Senior | Sophomore | Junior | |
| School | Gender | ||||||||
| A | Female | 171.8 | 165.0 | 167.9 | 174.2 | 60.6 | 55.1 | 63.3 | 65.8 |
| Male | 172.3 | 158.1 | 167.8 | 162.2 | 71.2 | 71.0 | 63.1 | 63.5 | |
| B | Female | 162.5 | 165.1 | 163.7 | 170.3 | 59.8 | 57.9 | 56.5 | 74.8 |
| Male | 166.8 | 163.6 | 165.2 | 164.7 | 62.5 | 62.8 | 58.7 | 68.9 | |
| C | Female | 170.5 | 162.0 | 164.6 | 158.7 | 56.9 | 63.9 | 60.5 | 66.9 |
| Male | 150.2 | 166.3 | 167.3 | 159.3 | 62.4 | 59.1 | 64.9 | 67.1 | |
| D | Female | 174.3 | 155.7 | 163.2 | 162.1 | 65.3 | 66.5 | 61.8 | 63.2 |
| Male | 170.7 | 170.3 | 163.8 | 164.9 | 61.6 | 63.2 | 60.9 | 56.4 | |
下图通过颜色区分，标记了DataFrame的结构。与单层索引的表一样，具备元素值、行索引和列索引三个部分。其中，这里的行索引和列索引都是MultiIndex类型，只不过索引中的一个元素是元组而不是单层索引中的标量。例如，行索引的第四个元素为("B", "Male")，列索引的第二个元素为("Height", "Senior")，这里需要注意，外层连续出现相同的值时，第一次之后出现的会被隐藏显示，使结果的可读性增强。
与单层索引类似，MultiIndex也具有名字属性，图中的School和Gender分别对应了表的第一层和第二层行索引的名字，Indicator和Grade分别对应了第一层和第二层列索引的名字。
索引的名字和值属性分别可以通过names和values获得：
但对于索引而言，无论是单层还是多层，用户都无法通过index_obj[0] = item的方式来修改元素，也不能通过index_name[0] = new_name的方式来修改名字，关于如何修改这些属性的话题将在第三节被讨论。
2. 多级索引中的loc索引器¶
熟悉了结构后，现在回到原表，将学校和年级设为索引，此时的行为多级索引，列为单级索引，由于默认状态的列索引不含名字，因此对应于刚刚图中Indicator和Grade的索引名位置是空缺的。
由于多级索引中的单个元素以元组为单位，因此之前在第一节介绍的 loc 和 iloc 方法完全可以照搬，只需把标量的位置替换成对应的元组。
当传入元组列表或单个元组或返回前二者的函数时，需要先进行索引排序以避免性能警告：
当使用切片时需要注意，在单级索引中只要切片端点元素是唯一的，那么就可以进行切片，但在多级索引中，无论元组在索引中是否重复出现，都必须经过排序才能使用切片，否则报错：
此外，在多级索引中的元组有一种特殊的用法，可以对多层的元素进行交叉组合后索引，但同时需要指定loc的列，全选则用:表示。其中，每一层需要选中的元素用列表存放，传入loc的形式为[(level_0_list, level_1_list), cols]。例如，想要得到所有北大和复旦的大二大三学生，可以如下写出：
下面的语句和上面类似，但仍然传入的是元素（这里为元组）的列表，它们的意义是不同的，表示的是选出北大的大三学生和复旦的大二学生：
3. IndexSlice对象¶
前面介绍的方法，即使在索引不重复的时候，也只能对元组整体进行切片，而不能对每层进行切片，也不允许将切片和布尔列表混合使用，引入IndexSlice对象就能解决这个问题。Slice对象一共有两种形式，第一种为loc[idx[*,*]]型，第二种为loc[idx[*,*],idx[*,*]]型，下面将进行介绍。为了方便演示，下面构造一个索引不重复的DataFrame：
np.random.seed(0)
L1,L2 = ['A','B','C'],['a','b','c']
mul_index1 = pd.MultiIndex.from_product([L1,L2],names=('Upper', 'Lower'))
L3,L4 = ['D','E','F'],['d','e','f']
mul_index2 = pd.MultiIndex.from_product([L3,L4],names=('Big', 'Small'))
df_ex = pd.DataFrame(np.random.randint(-9,10,(9,9)), index=mul_index1, columns=mul_index2)
df_ex| Big | D | E | F | |||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Small | d | e | f | d | e | f | d | e | f | |
| Upper | Lower | |||||||||
| A | a | 3 | 6 | -9 | -6 | -6 | -2 | 0 | 9 | -5 |
| b | -3 | 3 | -8 | -3 | -2 | 5 | 8 | -4 | 4 | |
| c | -1 | 0 | 7 | -4 | 6 | 6 | -9 | 9 | -6 | |
| B | a | 8 | 5 | -2 | -9 | -8 | 0 | -9 | 1 | -6 |
| b | 2 | 9 | -7 | -9 | -9 | -5 | -4 | -3 | -1 | |
| c | 8 | 6 | -5 | 0 | 1 | -8 | -8 | -2 | 0 | |
| C | a | -6 | -3 | 2 | 5 | 9 | -9 | 5 | -6 | 3 |
| b | 1 | 2 | -5 | -3 | -5 | 6 | -6 | 3 | -5 | |
| c | -1 | 5 | 6 | -6 | 6 | 4 | 7 | 8 | -4 | |
为了使用silce对象，先要进行定义：
【a】loc[idx[*,*]]型
这种情况并不能进行多层分别切片，前一个*表示行的选择，后一个*表示列的选择，与单纯的loc是类似的：
| Big | D | E | F | |||||
|---|---|---|---|---|---|---|---|---|
| Small | f | d | e | f | d | e | f | |
| Upper | Lower | |||||||
| C | a | 2 | 5 | 9 | -9 | 5 | -6 | 3 |
| b | -5 | -3 | -5 | 6 | -6 | 3 | -5 | |
| c | 6 | -6 | 6 | 4 | 7 | 8 | -4 | |
另外，也支持布尔序列的索引：
| Big | D | F | ||
|---|---|---|---|---|
| Small | d | e | e | |
| Upper | Lower | |||
| A | a | 3 | 6 | 9 |
| b | -3 | 3 | -4 | |
| c | -1 | 0 | 9 | |
【b】loc[idx[*,*],idx[*,*]]型
这种情况能够分层进行切片，前一个idx指代的是行索引，后一个是列索引。
| Big | E | F | |||
|---|---|---|---|---|---|
| Small | e | f | e | f | |
| Upper | Lower | ||||
| A | b | -2 | 5 | -4 | 4 |
| c | 6 | 6 | 9 | -6 | |
但需要注意的是，此时不支持使用函数：
4. 多级索引的构造
前面提到了多级索引表的结构和切片，那么除了使用set_index之外，如何自己构造多级索引呢？常用的有from_tuples, from_arrays, from_product三种方法，它们都是pd.MultiIndex对象下的函数。
from_tuples指根据传入由元组组成的列表进行构造：
三、索引的常用方法
1. 索引层的交换和删除
为了方便理解交换的过程，这里构造一个三级索引的例子：
np.random.seed(0)
L1,L2,L3 = ['A','B'],['a','b'],['alpha','beta']
mul_index1 = pd.MultiIndex.from_product([L1,L2,L3], names=('Upper', 'Lower','Extra'))
L4,L5,L6 = ['C','D'],['c','d'],['cat','dog']
mul_index2 = pd.MultiIndex.from_product([L4,L5,L6], names=('Big', 'Small', 'Other'))
df_ex = pd.DataFrame(np.random.randint(-9,10,(8,8)), index=mul_index1, columns=mul_index2)
df_ex| Big | C | D | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Small | c | d | c | d | ||||||
| Other | cat | dog | cat | dog | cat | dog | cat | dog | ||
| Upper | Lower | Extra | ||||||||
| A | a | alpha | 3 | 6 | -9 | -6 | -6 | -2 | 0 | 9 |
| beta | -5 | -3 | 3 | -8 | -3 | -2 | 5 | 8 | ||
| b | alpha | -4 | 4 | -1 | 0 | 7 | -4 | 6 | 6 | |
| beta | -9 | 9 | -6 | 8 | 5 | -2 | -9 | -8 | ||
| B | a | alpha | 0 | -9 | 1 | -6 | 2 | 9 | -7 | -9 |
| beta | -9 | -5 | -4 | -3 | -1 | 8 | 6 | -5 | ||
| b | alpha | 0 | 1 | -8 | -8 | -2 | 0 | -6 | -3 | |
| beta | 2 | 5 | 9 | -9 | 5 | -6 | 3 | 1 | ||
索引层的交换由swaplevel和reorder_levels完成，前者只能交换两个层，而后者可以交换任意层，两者都可以指定交换的是轴是哪一个，即行索引或列索引：
【NOTE】轴之间的索引交换¶
这里只涉及行或列索引内部的交换，不同方向索引之间的交换将在第五章中被讨论。
【END】
若想要删除某一层的索引，可以使用droplevel方法：
2. 索引属性的修改
通过rename_axis可以对索引层的名字进行修改，常用的修改方式是传入字典的映射：
通过rename可以对索引的值进行修改，如果是多级索引需要指定修改的层号level：
传入参数也可以是函数，其输入值就是索引元素：
【END】
对于整个索引的元素替换，可以利用迭代器实现：
若想要对某个位置的元素进行修改，在单层索引时容易实现，即先取出索引的values属性，再给对得到的列表进行修改，最后再对index对象重新赋值。但是如果是多级索引的话就有些麻烦，一个解决的方案是先把某一层索引临时转为表的元素，然后再进行修改，最后重新设定为索引，下面一节将介绍这些操作。
另外一个需要介绍的函数是map，它是定义在Index上的方法，与前面rename方法中层的函数式用法是类似的，只不过它传入的不是层的标量值，而是直接传入索引的元组，这为用户进行跨层的修改提供了遍历。例如，可以等价地写出上面的字符串转大写的操作：
关于map的另一个使用方法是对多级索引的压缩，这在第四章和第五章的一些操作中是有用的：
同时，也可以反向地展开：
3. 索引的设置与重置
为了说明本节的函数，下面构造一个新表：
df_new = pd.DataFrame({'A':list('aacd'), 'B':list('PQRT'), 'C':[1,2,3,4]})
df_new| A | B | C | |
|---|---|---|---|
| 0 | a | P | 1 |
| 1 | a | Q | 2 |
| 2 | c | R | 3 |
| 3 | d | T | 4 |
索引的设置可以使用set_index完成，这里的主要参数是append，表示是否来保留原来的索引，直接把新设定的添加到原索引的内层
可以同时指定多个列作为索引：
如果想要添加索引的列没有出现在其中，那么可以直接在参数中传入相应的Series：
reset_index是set_index的逆函数，其主要参数是drop，表示是否要把去掉的索引层丢弃，而不是添加到列中：
如果重置了所有的索引，那么pandas会直接重新生成一个默认索引：
4. 索引的变形
在某些场合下，需要对索引做一些扩充或者剔除，更具体地要求是给定一个新的索引，把原表中相应的索引对应元素填充到新索引构成的表中。例如，下面的表中给出了员工信息，需要重新制作一张新的表，要求增加一名员工的同时去掉身高列并增加性别列：
这种需求常出现在时间序列索引的时间点填充以及ID编号的扩充。另外，需要注意的是原来表中的数据和新表中会根据索引自动对齐，例如原先的1002号位置在1003号之后，而新表中相反，那么reindex中会根据元素对齐，与位置无关。
还有一个与reindex功能类似的函数是reindex_like，其功能是仿照传入的表索引来进行被调用表索引的变形。例如，现在已经存在一张表具备了目标索引的条件，那么上述功能可采用下述代码得到：
四、索引运算
1. 集合的运算法则
经常会有一种利用集合运算来取出符合条件行的需求，例如有两张表A和B，它们的索引都是员工编号，现在需要筛选出两表索引交集的所有员工信息，此时通过Index上的运算操作就很容易实现。
不过在此之前，不妨先复习一下常见的四种集合运算：
2. 一般的索引运算
由于集合的元素是互异的，但是索引中可能有相同的元素，先用unique去重后再进行运算。下面构造两张最为简单的示例表进行演示：
若两张表需要做集合运算的列并没有被设置索引，一种办法是先转成索引，运算后再恢复，另一种方法是利用isin函数，例如在重置索引的第一张表中选出id列交集的所在行：
9469
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
