Pandas_02索引及增删改查

一、索引

1、索引的基本设置

1.1、设置行索引

• DataFrame.set_index() 设置索引

准备数据：

import pandas as pd
stock_data = pd.read_csv('File/csv_files/stock_day.csv')

# pd.head()默认查看前五行数据
stock_data.head()

设置索引

'''
DataFrame.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False) 
参数解释：
    keys：列标签（列索引）
    drop：默认为True，在values中删除被设置为索引的列
    append：默认为False，保留原来的索引，追加索引
    inplace：默认为False，就地修改DataFrame，不再创建新对象
    verify_integrity：默认为false，检查新索引的副本。否则，请将检查推迟到必要时进行。将其设置为false将提高该方法的性能
'''
# 设置trandate列数据为行索引
stock_data.set_index(keys = 'trandate',inplace=True)
stock_data.head()

查看行索引：

stock_data.index

Index(['2018-02-27', '2018-02-26', '2018-02-23', '2018-02-22', '2018-02-14',
       '2018-02-13', '2018-02-12', '2018-02-09', '2018-02-08', '2018-02-07',
       ...
       '2015-03-13', '2015-03-12', '2015-03-11', '2015-03-10', '2015-03-09',
       '2015-03-06', '2015-03-05', '2015-03-04', '2015-03-03', '2015-03-02'],
      dtype='object', name='trandate', length=643)

查看行索引的名字

stock_data.index.name
# 'trandate'

• DataFrame.reset_index() 重置索引

'''
DataFrame.reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill='')

参数解释
level：可填入int, str, tuple, list类型, 默认 None，
        仅从索引中删除给定级别。默认情况下删除所有级别。
        
drop：默认False,索引列会被还原为普通列，行索引被重置为默认的int索引
      设置为True,索引列丢失。

inplace：默认为False，就地修改DataFrame，不再创建新对象
col_level：int或str，默认值为0，如果列有多个级别，则确定将标签插入到哪个级别。默认情况下，它将插入到第一级。
col_fill：对象，默认''，如果列有多个级别，则确定其他级别的命名方式。如果没有，则重复索引名

使用场景：
数据清洗时，若将带空值的行删除，此时DataFrame或Series类型的数据不再是连续的索引，可以使用reset_index()重置索引
'''
stock_data.head()

重置索引

stock_data.reset_index(drop=True,inplace=True)
stock_data.head()

行索引变成了默认的int型索引，且因为设置了inplace=True，数据中没有了trandate
1.2、设置列索引

数据准备：

stock_data = pd.read_csv('File/csv_files/stock_day.csv',usecols = ['trandate','open','close'])
stock_data.head()

列索引：

stock_data.columns
# Index(['trandate', 'open', 'close'], dtype='object')

虽然列索引返回的是个列表，但是不可以通过下标去修改其中的元素，会出现如下的报错：

stock_data.columns[0]='date'
TypeError: Index does not support mutable operations

正确修改姿势：

对整个列索引进行修改并重新赋值

column_label = ['交易日期','开市价格','闭市价格']

# 替换整个列索引
stock_data.columns = column_label
stock_data

2、数据的索引查询

1.1、使用索引名直接索引

直接使用行索引或列索引，要注意先列后行！

数据如下：

• 使用列索引

stock_data["open"].head()

返回行索引及想要查询的列数据

• 使用行索引

直接使用行索引，报错KeyError。

stock_data["2018-02-07"]

先索引列，再索引行

# 直接使用行列索引名时，需要先列再行
stock_data['open']["2018-02-07"]

1.2、按索引名字索引： DataFrame.loc[ ]

• 可直接单独使用行索引名进行索引，不能单独使用列索引名进行索引

 stock_data.loc["2018-02-07"]

• 同时对行和列进行索引时，先行后列

stock_data.loc["2018-02-07"]['close']

21.29

• 可结合数字索引一起使用

stock_data.loc["2018-02-07"][5]

-0.5

1.3、按数字索引： DataFrame.iloc[ ]

• 可单独索引行

# 取第二行的数据
stock_data.iloc[1]

• 可单独索引列

# 取第五列的数据
stock_data.iloc[:,4].head()

• 行在前列在后

# 取第2行、第4列的数据
stock_data.iloc[1][3]

22.8

取多行多列数据

# 取3-4行、1-2列数据
stock_data.iloc[2:4,0:2].head()

根据坐标取数据

# 根据坐标取数据(2,0)、(4,2)
stock_data.iloc[[2,4],[0,2]] 

3、索引的排序

DataFrame.sort_index()

'''
DataFrame.sort_index(axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None)

常用参数说明：
axis：默认为0，按列进行排序
ascending：默认为True，升序排序；False,降序排序
inplace：默认False，创建一个排序后的新对象；为True时，对DataFrame数组进行原地操作，不创建新对象
'''
stock_data.sort_index().head()

升序：

stock_data.sort_index(ascending = False).head()

降序：

二、DataFrame的增删改查

主要以DataFrame为例，方法差不多

1、增

'''
对新列进行复制
DataFrame[new_column] = 
'''

stock_data['diff_price'] = stock_data['close'] - stock_data['open']
stock_data.head()

新增了diff_price列

2、删

删除行

'''
DataFrame.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise')

常用参数说明：
labels：要删除的行或列索引标签
axis：默认0，删除行；1，删除列
index：效果等同于labels
columns：效果等同于labels
inplace：是否直接对原数组进行操作

注意：
使用labels要注意指定axis
使用index，columns则无需搭配axis
'''
stock_data.drop(labels =['2018-02-26','2018-02-23']).head()

箭头为原本’2018-02-26’,'2018-02-23’行所存在的位置，数据被删除

删除列

# 等同于stock_data.drop(columns =['open','close'],axis = 1).head()
stock_data.drop(labels =['open','close'],axis = 1).head()

‘open’,'close’两列被删除

3、改

初始数据：

• 修改列顺序

'''
DataFrame.insert(loc, column, value, allow_duplicates=False)

常用参数说明：
loc：要插入的位置
column：列标签
value：列标签对应的列数据
'''

# 1、取出要改变位置的列数据（Seires）
high = stock_data['high']
high.head()

# 删除要改变位置的列数据
stock_data.drop(columns='high',inplace = True)
stock_data.head()

open后面的high列已被删除

# 插入删除的数据到指定位置
stock_data.insert(2,'high',high)
stock_data.head()

• 修改行列索引

'''
DataFrame.rename(mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None)

常用参数说明：
index：行索引 ，index = {旧索引名:新索引名}
columns：列索引 ，columns = {旧索引名:新索引名}
'''

stock_data.rename(index = {'2018-02-27':'2018年2月27号'},columns ={'open':'开市','close':'闭市'}).head()

4、查

• DataFrame.query()

'''
DataFrame.query(expr, inplace=False, **kwargs)

常用参数说明：
expr：表达式
inplace：是否将原数组修改为返回的查询结果
'''
stock_data.query("open >20 & open<22",inplace=True)

• DataFrame.between()

返回布尔值

'''
DataFrame[column].between(a, b, inclusive =True)

常用参数说明：
inclusive = True ,区间为[a, b] 闭区间
inclusive = False ,区间为(a, b) 开区间
'''

stock_data['p_change'].between(-1,1,inclusive =True).head()

• DataFrame.isin()

'''
DataFrame.isin(values)

values：只能放入列表或者字典类型的数据

函数作用：
查看数组是否有元素与values中的元素相同
'''
cust_data.isin(['行业码支付',]).head()

• DataFrame.str.contain()

'''
DataFrame[columns].str.contain(values)

函数作用：
查看数组是否有元素包含values中的字符
'''
cust_data['渠道返回说明'].str.contains('交易').head()