python之pandas的基本使用（1）

一、pandas概述

pandas ：pannel data analysis（面板数据分析）。pandas是基于numpy构建的，为时间序列分析提供了很好的支持。pandas中有两个主要的数据结构，一个是Series，另一个是DataFrame。

二、数据结构 Series

Series 类似于一维数组与字典(map)数据结构的结合。它由一组数据和一组与数据相对应的数据标签（索引index）组成。这组数据和索引标签的基础都是一个一维ndarray数组。可将index索引理解为行索引。 Series的表现形式为：索引在左，数据在右。

• 获取数据和索引：ser_obj.index, ser_obj.values

• 预览数据：ser_obj.head(n), ser_obj.tail(n)

Series的使用代码示例：

import pandas as pd
from pandas import Series,DataFrame

print '用一维数组生成Series'
x = Series([1,2,3,4]) 
print x
'''
0    1
1    2
2    3
3    4
'''
print x.values # [1 2 3 4]
# 默认标签为0到3的序号
print x.index # RangeIndex(start=0, stop=4, step=1) 

print '指定Series的index' # 可将index理解为行索引
x = Series([1, 2, 3, 4], index = ['a', 'b', 'd', 'c'])
print x
'''
a    1
b    2
d    3
c    4
'''
print x.index # Index([u'a', u'b', u'd', u'c'], dtype='object')
print x['a'] # 通过行索引来取得元素值：1
x['d'] = 6 # 通过行索引来赋值
print x[['c', 'a', 'd']] # 类似于numpy的花式索引
'''
c    4
a    1
d    6
'''
print x[x > 2]  # 类似于numpy的布尔索引
'''
d    6
c    4
'''
print 'b' in x # 类似于字典的使用：是否存在该索引：True
print 'e' in x # False


print '使用字典来生成Series'
data = {'a':1, 'b':2, 'd':3, 'c':4}
x = Series(data)
print x
'''
a    1
b    2
c    4
d    3
'''
print '使用字典生成Series,并指定额外的index，不匹配的索引部分数据为NaN。'
exindex = ['a', 'b', 'c', 'e']
y = Series(data, index = exindex) # 类似替换索引
print y
'''
a    1.0
b    2.0
c    4.0
e    NaN
'''
print 'Series相加，相同行索引相加，不同行索引则数值为NaN'
print x+y
'''
a    2.0
b    4.0
c    8.0
d    NaN
e    NaN
'''
print '指定Series/索引的名字'
y.name = 'weight of letters'
y.index.name = 'letter'
print y
'''
letter
a    1.0
b    2.0
c    4.0
e    NaN
Name: weight of letters, dtype: float64
'''
print '替换index'
y.index = ['a', 'b', 'c', 'f']
print y # 不匹配的索引部分数据为NaN
'''
a    1.0
b    2.0
c    4.0
f    NaN
Name: weight of letters, dtype: float64
'''

三、数据结构 DataFrame

DataFrame是一个类似表格的数据结构，索引包括列索引和行索引，包含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame的每一行和每一列都是一个Series，这个Series的name属性为当前的行索引名/列索引名。

• 通过列索引获取列数据（Series类型 ）：df_obj[col_idx] 或 df_obj.col_idx

• .ix，标签与位置混合索引

可输入给DataFrame构造器的数据：

DataFrame的使用代码示例：

print '使用字典生成DataFrame，key为列名字。'
data = {'state':['ok', 'ok', 'good', 'bad'],
        'year':[2000, 2001, 2002, 2003],
        'pop':[3.7, 3.6, 2.4, 0.9]}
print DataFrame(data) # 行索引index默认为0，1，2，3 
'''
   pop state  year
0  3.7    ok  2000
1  3.6    ok  2001
2  2.4  good  2002
3  0.9   bad  2003
'''
# 指定列索引columns,不匹配的列为NaN
print DataFrame(data, columns = ['year', 'state', 'pop','debt']) 
'''
   year state  pop
0  2000    ok  3.7
1  2001    ok  3.6
2  2002  good  2.4
3  2003   bad  0.9
'''
print '指定行索引index'
x = DataFrame(data,
                    columns = ['year', 'state', 'pop', 'debt'],
                    index = ['one', 'two', 'three', 'four'])
print x
'''
       year state  pop debt
one    2000    ok  3.7  NaN
two    2001    ok  3.6  NaN
three  2002  good  2.4  NaN
four   2003   bad  0.9  NaN
'''

import numpy
print 'DataFrame元素的索引与修改'
print x['state'] # 返回一个名为state的Series
'''
one        ok
two        ok
three    good
four      bad
Name: state, dtype: object
'''
print x.state # 可直接用.进行列索引
print x.ix['three'] # 用.ix[]来区分[]进行行索引
'''
year     2002
state    good
pop       2.4
debt      NaN
Name: three, dtype: object
'''
x['debt'] = 16.5 # 修改一整列数据
print x
'''
       year state  pop  debt
one    2000    ok  3.7  16.5
two    2001    ok  3.6  16.5
three  2002  good  2.4  16.5
four   2003   bad  0.9  16.5
'''
x.debt = numpy.arange(4)  # 用numpy数组修改元素
print x
'''
       year state  pop  debt
one    2000    ok  3.7     0
two    2001    ok  3.6     1
three  2002  good  2.4     2
four   2003   bad  0.9     3
'''

print '用Series修改元素，没有指定的默认数据用NaN'
val = Series([-1.2, -1.5, -1.7,0], index = ['one', 'two', 'five','six']) 
x.debt = val # DataFrame的行索引不变
print x
'''
       year state  pop  debt
one    2000    ok  3.7  -1.2
two    2001    ok  3.6  -1.5
three  2002  good  2.4   NaN
four   2003   bad  0.9   NaN
'''

print '给DataFrame添加新列'
x['gain'] = (x.debt > 0)  # 如果debt大于0为True
print x
'''
       year state  pop  debt   gain
one    2000    ok  3.7  -1.2  False
two    2001    ok  3.6  -1.5  False
three  2002  good  2.4   NaN  False
four   2003   bad  0.9   NaN  False
'''
print x.columns
# Index([u'year', u'state', u'pop', u'debt', u'gain'], dtype='object')

print 'DataFrame转置'
print x.T
'''
         one    two  three   four
year    2000   2001   2002   2003
state     ok     ok   good    bad
pop      3.7    3.6    2.4    0.9
debt    -1.2   -1.5    NaN    NaN
gain   False  False  False  False
'''

print '使用切片初始化数据,未被匹配的数据为NaN'
pdata = {'state':x['state'][0:3], 'pop':x['pop'][0:2]}
y = DataFrame(pdata)
print y
'''
       pop state
one    3.7    ok
three  NaN  good
two    3.6    ok
'''

print '指定索引和列的名称'
# 与Series的index.name相区分
y.index.name = '序号'
y.columns.name = '信息' 
print y
'''
信息 pop state
序号              
one    3.7    ok
three  NaN  good
two    3.6    ok
'''
print y.values
'''
[[3.7 'ok']
 [nan 'good']
 [3.6 'ok']]
'''

四、索引对象

pandas的索引对象负责管理轴标签和轴名称等。构建Series或DataFrame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对象。 Index对象是不可修改的，Series和DataFrame中的索引都是Index对象。

代码示例：

from pandas import Index
print '获取Index对象'
x = Series(range(3), index = ['a', 'b', 'c'])
index = x.index
print index 
# Index([u'a', u'b', u'c'], dtype='object')
print index[0:2]
# Index([u'a', u'b'], dtype='object')
try:
    index[0]='d'
except:
    print "Index is immutable"

print '构造/使用Index对象'
index = Index(numpy.arange(3))
obj2 = Series([1.5, -2.5, 0], index = index)
print obj2
'''
0    1.5
1   -2.5
2    0.0
dtype: float64
'''
print obj2.index is index # True


print '判断列/行索引是否存在'
data = {'pop':{2.4, 2.9},
        'year':{2001, 2002} }
x = DataFrame(data)
print x
'''
          pop          year
0  {2.4, 2.9}  {2001, 2002}
1  {2.4, 2.9}  {2001, 2002}
'''
print 'pop' in x.columns # True
print 1 in x.index # True

五、基本功能

1. 对列/行索引重新指定索引（删除/增加：行/列）：reindex函数

   reindex的method选项：

   

   代码示例：

   print '重新指定索引及NaN填充值'
   x = Series([4, 7, 5], index = ['a', 'b', 'c'])
   y = x.reindex(['a', 'b', 'c', 'd'])
   print y
   '''
   a    4.0
   b    7.0
   c    5.0
   d    NaN
   dtype: float64
   '''
   print x.reindex(['a', 'b', 'c', 'd'], fill_value = 0) 
   # fill_value 指定不存在元素NaN的默认值
   '''
   a    4
   b    7
   c    5
   d    0
   dtype: int64
   '''
   
   print '重新指定索引并指定填充NaN的方法'
   x = Series(['blue', 'purple'], index = [0, 2]) 
   print x.reindex(range(4), method = 'ffill')
   '''
   0      blue
   1      blue
   2    purple
   3    purple
   dtype: object
   '''
   
   print '对DataFrame重新指定行/列索引'
   x = DataFrame(numpy.arange(9).reshape(3, 3),
                     index = ['a', 'c', 'd'],
                     columns = ['A', 'B', 'C'])
   print x
   '''
      A  B  C
   a  0  1  2
   c  3  4  5
   d  6  7  8
   '''
   x =  x.reindex(['a', 'b', 'c', 'd'],method = 'bfill')
   print x
   '''
      A  B  C
   a  0  1  2
   b  3  4  5
   c  3  4  5
   d  6  7  8
   '''
   print '重新指定column'
   states = ['A', 'B', 'C','D']
   x =  x.reindex(columns = states,fill_value = 0)
   print x
   '''
      A  B  C  D
   a  0  1  2  0
   b  3  4  5  0
   d  6  7  8  0
   c  3  4  5  0
   '''
   print x.ix[['a', 'b', 'd', 'c'], states]
   '''
      A  B  C  D
   a  0  1  2  0
   b  3  4  5  0
   d  6  7  8  0
   c  3  4  5  0
   '''
   

2. 删除（丢弃）整一行/列的元素：drop函数

   print 'Series根据行索引删除行'
   x = Series(numpy.arange(4), index = ['a', 'b', 'c','d'])
   print x.drop('c')
   '''
   a    0
   b    1
   d    3
   dtype: int32
   '''
   print x.drop(['a', 'b'])  #  花式删除
   '''
   c    2
   d    3
   dtype: int32
   '''
   
   print 'DataFrame根据索引行/列删除行/列'
   x = DataFrame(numpy.arange(16).reshape((4, 4)),
                     index = ['a', 'b', 'c', 'd'],
                     columns = ['A', 'B', 'C', 'D'])
   print x
   '''
       A   B   C   D
   a   0   1   2   3
   b   4   5   6   7
   c   8   9  10  11
   d  12  13  14  15
   '''
   print x.drop(['A','B'],axis=1) # 在列的维度上删除AB两行
   '''
       C   D
   a   2   3
   b   6   7
   c  10  11
   d  14  15
   '''
   print x.drop('a', axis = 0) # 在行的维度上删除行
   '''
       A   B   C   D
   b   4   5   6   7
   c   8   9  10  11
   d  12  13  14  15
   '''
   print x.drop(['a', 'b'], axis = 0)
   '''
     A   B   C   D
   c   8   9  10  11
   d  12  13  14  15
   '''
   

3. 索引、选取和过滤：

   DataFrame的索引选项：

   

   print 'Series的数组索引/字典索引'
   x = Series(numpy.arange(4), index = ['a', 'b', 'c', 'd'])
   print x['b'] # 1 像字典一样索引
   print x[1] # 1  像数组一样索引
   print x[[1, 3]] # 花式索引
   '''
   b    1
   d    3
   dtype: int32
   '''
   print x[x < 2] # 布尔索引
   '''
   a    0
   b    1
   dtype: int32
   '''
   print 'Series的数组切片'
   print x['a':'c']  # 闭区间，索引顺序须为前后
   '''
   a    0
   b    1
   c    2
   '''
   x['a':'c'] = 5
   print x
   '''
   a    5
   b    5
   c    5
   d    3
   '''
   
   print 'DataFrame的索引'
   data = DataFrame(numpy.arange(16).reshape((4, 4)),
                     index = ['a', 'b', 'c', 'd'],
                     columns = ['A', 'B', 'C', 'D'])
   print data
   '''
       A   B   C   D
   a   0   1   2   3
   b   4   5   6   7
   c   8   9  10  11
   d  12  13  14  15
   '''
   print data['A'] # 打印列
   '''
   a     0
   b     4
   c     8
   d    12
   Name: A, dtype: int32
   '''
   print data[['A', 'B']] # 花式索引
   '''
       A   B
   a   0   1
   b   4   5
   c   8   9
   d  12  13
   '''
   print data[:2] # 切片索引,选择行
   '''
      A  B  C  D
   a  0  1  2  3
   b  4  5  6  7
   '''
   print data.ix[:2, ['A', 'B']] # 指定行和列索引
   '''
      A  B
   a  0  1
   b  4  5
   '''
   print data.ix[['a', 'b'], [3, 0, 1]] #行:字典索引，列:数组索引
   '''
      D  A  B
   a  3  0  1
   b  7  4  5
   '''
   print data.ix[2]  # 打印第2行（从0开始）
   '''
   A     8
   B     9
   C    10
   D    11
   '''
   print data.ix[:'b', 'A'] # 行从开始到b，第A列。
   '''
   a    0
   b    4
   Name: A, dtype: int32
   '''
   print '根据条件选择'
   print data
   '''
       A   B   C   D
   a   0   1   2   3
   b   4   5   6   7
   c   8   9  10  11
   d  12  13  14  15
   '''
   print data[data.A > 5] # 根据条件选择行
   '''
       A   B   C   D
   c   8   9  10  11
   d  12  13  14  15
   '''
   print data < 5  # 打印True或者False
   '''
          A      B      C      D
   a   True   True   True   True
   b   True  False  False  False
   c  False  False  False  False
   d  False  False  False  False
   '''
   data[data < 5] = 0 # 条件索引
   print data
   '''
       A   B   C   D
   a   0   0   0   0
   b   0   5   6   7
   c   8   9  10  11
   d  12  13  14  15
   '''
   

4. 算术运算和数据对齐

   代码示例：

   print 'DataFrame算术:不重叠部分为NaN,重叠部分元素运算'
   x = DataFrame(numpy.arange(9.).reshape((3, 3)),
                   columns = ['A','B','C'],
                   index = ['a', 'b', 'c'])
   y = DataFrame(numpy.arange(12).reshape((4, 3)),
                   columns = ['A','B','C'],
                   index = ['a', 'b', 'c', 'd'])
   print x
   print y
   print x + y
   '''
         A     B     C
   a   0.0   2.0   4.0
   b   6.0   8.0  10.0
   c  12.0  14.0  16.0
   d   NaN   NaN   NaN
   '''
   print '对x/y的不重叠部分填充，不是对结果NaN填充'
   print x.add(y, fill_value = 0) # x不变化
   '''
   
         A     B     C
   a   0.0   2.0   4.0
   b   6.0   8.0  10.0
   c  12.0  14.0  16.0
   d   9.0  10.0  11.0
   '''
   
   print 'DataFrame与Series运算：每行/列进行运算'
   frame = DataFrame(numpy.arange(9).reshape((3, 3)),
                     columns = ['A','B','C'],
                     index = ['a', 'b', 'c'])
   series = frame.ix[0]
   print frame
   '''
      A  B  C
   a  0  1  2
   b  3  4  5
   c  6  7  8
   '''
   print series
   '''
   A    0
   B    1
   C    2
   '''
   print frame - series # 默认按行运算
   '''
      A  B  C
   a  0  0  0
   b  3  3  3
   c  6  6  6
   '''
   series2 = Series(range(4), index = ['A','B','C','D'])
   print frame + series2 # 按行运算：缺失列则为NaN
   '''
      A  B   C   D
   a  0  2   4 NaN
   b  3  5   7 NaN
   c  6  8  10 NaN
   '''
   series3 = frame.A
   print series3
   '''
   a    0
   b    3
   c    6
   '''
   print frame.sub(series3, axis = 0)  # 按列运算。
   '''
      A  B  C
   a  0  1  2
   b  0  1  2
   c  0  1  2
   '''
   

5. numpy函数应用与映射

   代码示例：

   print 'numpy函数在Series/DataFrame的应用'
   frame = DataFrame(numpy.arange(9).reshape(3,3),
                     columns = ['A','B','C'],
                     index = ['a', 'b', 'c'])
   print frame
   '''
      A  B  C
   a  0  1  2
   b  3  4  5
   c  6  7  8
   '''
   print numpy.square(frame)
   '''
       A   B   C
   a   0   1   4
   b   9  16  25
   c  36  49  64
   '''
   
   series = frame.A
   print series
   '''
   a    0
   b    3
   c    6
   '''
   print numpy.square(series)
   '''
   a     0
   b     9
   c    36
   '''
   
   
   print 'lambda(匿名函数)以及应用'
   print frame
   '''
   
      A  B  C
   a  0  1  2
   b  3  4  5
   c  6  7  8
   '''
   print frame.max()
   '''
   A    6
   B    7
   C    8
   '''
   f = lambda x: x.max() - x.min()
   print frame.apply(f) # 作用到每一列
   '''
   A    6
   B    6
   C    6
   '''
   print frame.apply(f, axis = 1) # 作用到每一行
   '''
   a    2
   b    2
   c    2
   '''
   def f(x): # Series的元素的类型为Series
       return Series([x.min(), x.max()], index = ['min', 'max'])
   print frame.apply(f)
   '''
        A  B  C
   min  0  1  2
   max  6  7  8
   '''
   
   print 'applymap和map：作用到每一个元素'
   _format = lambda x: '%.2f' % x
   print frame.applymap(_format) # 针对DataFrame
   '''
         A     B     C
   a  0.00  1.00  2.00
   b  3.00  4.00  5.00
   c  6.00  7.00  8.00
   '''
   print frame['A'].map(_format) # 针对Series
   '''
   a    0.00
   b    3.00
   c    6.00
   Name: A, dtype: object
   '''
   

全部代码：Github