前言
在这里，我们将会讨论很多 pandas 数据结构所共有的基本功能函数
先让我们来创建一个示例对象
In [1]: index = pd.date_range("1/1/2000", periods=8)
In [2]: s = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])
In [3]: df = pd.DataFrame(np.random.randn(8, 3), index=index, columns=["A", "B", "C"])
介绍
1. head 和 tail
顾名思义，我们可以通过 head() 和 tail() 函数，快速访问 Series 或 DataFrame 的前面和后面几行数据。默认只显示 5 行，也可以指定需要显示的行数。
In [4]: long_series = pd.Series(np.random.randn(1000))
In [5]: long_series.head()
Out[5]:
0 0.825854
1 -1.891351
2 -1.420520
3 -0.014777
4 0.380429
dtype: float64
In [6]: long_series.tail(3)
Out[6]:
997 -2.097890
998 1.353178
999 -1.000323
dtype: float64
2. 属性与底层数据
pandas 对象有许多属性，能让你方便的访问元数据
shape：对象的轴维度，与ndarray一样- 轴标签：
Series：只有indexDataFrame：index和columns
注意：可以为这些属性赋值
In [7]: df[:2]
Out[7]:
A B C
2000-01-01 -0.173215 0.119209 -1.044236
2000-01-02 -0.861849 -2.104569 -0.494929
In [8]: df.columns = [x.lower() for x in df.columns]
In [9]: df
Out[9]:
a b c
2000-01-01 -0.173215 0.119209 -1.044236
2000-01-02 -0.861849 -2.104569 -0.494929
2000-01-03 1.071804 0.721555 -0.706771
2000-01-04 -1.039575 0.271860 -0.424972
2000-01-05 0.567020 0.276232 -1.087401
2000-01-06 -0.673690 0.113648 -1.478427
2000-01-07 0.524988 0.404705 0.577046
2000-01-08 -1.715002 -1.039268 -0.370647
你可以把 pandas 对象（Series、Index、DataFrame）看成是数组容器，保存数据并执行运算。
大部分类型的底层都是 numpy.ndarray。一般 pandas 和其他第三方库都会扩展 numpy 的类型系统。
可以使用 array 属性获取索引或 Series 中的实际数据
In [10]: s.array
Out[10]:
<PandasArray>
[ 0.4691122999071863, -0.2828633443286633, -1.5090585031735124,
-1.1356323710171934, 1.2121120250208506]
Length: 5, dtype: float64
In [11]: s.index.array
Out[11]:
<PandasArray>
['a', 'b', 'c', 'd', 'e']
Length: 5, dtype: object
也可以直接转换为 NumPy 数组
In [12]: s.to_numpy()
Out[12]: array([ 0.4691, -0.2829, -1.5091, -1.1356, 1.2121])
In [13]: np.asarray(s)
Out[13]: array([ 0.4691, -0.2829, -1.5091, -1.1356, 1.2121])
to_numpy() 的 dtype 参数控制生成的 numpy.ndarray 的类型。例如，带时区的日期时间，NumPy 并未提供带时区信息的 datetime 数据类型，pandas 则有了两种表现形式
Timestamp： 一种对象类型的numpy.ndarray，提供了正确的tz信息。
In [14]: ser = pd.Series(pd.date_range("2000", periods=2, tz="CET"))
In [15]: ser.to_numpy(dtype=object)
Out[15]:
array([Timestamp('2000-01-01 00:00:00+0100', tz='CET', freq='D'),
Timestamp('2000-01-02 00:00:00+0100', tz='CET', freq='D')],
dtype=object)
datetime64[ns]：也是一种numpy.ndarray，去除时区信息的UTC值
In [16]: ser.to_numpy(dtype="datetime64[ns]")
Out[16]:
array(['1999-12-31T23:00:00.000000000', '2000-01-01T23:00:00.000000000'],
dtype='datetime64[ns]')
当 DataFrame 里所有列的数据类型都一样时，DataFrame.to_numpy() 可以返回底层数据
In [17]: df.to_numpy()
Out[17]:
array([[-0.1732, 0.1192, -1.0442],
[-0.8618, -2.1046, -0.4949],
[ 1.0718, 0.7216, -0.7068],
[-1.0396, 0.2719, -0.425 ],
[ 0.567 , 0.2762, -1.0874],
[-0.6737, 0.1136, -1.4784],
[ 0.525 , 0.4047, 0.577 ],
[-1.715 , -1.0393, -0.3706]])
但是，如果每列的值不是一样的，获取底层数据则会比较复杂。如果 DataFrame 里包含了字符串，输出结果的类型就是 object，如果包含整数和浮点数，则会输出浮点类型。
之前，pandas 推荐使用 Series.values 或 DataFrame.values 从 Series 和 DataFrame 中获取数据。但是现在推荐使用 .array 或 to_numpy 提取数据，因为使用 .values 有以下几个缺点
-
当
Series包含扩展类型时，.values无法判断到底是该返回NumPy数组，还是返回ExtensionArray。而
.array则只返回ExtensionArray，且不会复制数据。.to_numpy()则返回NumPy数组，但是需要复制、并强制转换类型。 -
当
DataFrame是混合数据类型时，.values会复制数据，并将数据强制转换为同一种数据类型，但这是一种代价较高的操作。而
to_numpy()返回的是NumPy数组，这种方式更清晰，也不会把DataFrame里的数据都当作同一种类型
3. 加速操作
pandas 使用 numexpr 与 bottleneck 库来加速某些类型的二进制数值与布尔运算。
这些库在处理大型数据集时特别有用，并且可以大大提高速度。numexpr 使用了智能分块、缓存和多核，bottleneck 是一组专门的 cython 例程，在处理有 nans 的数组时特别快。
对于包含 100 列 X 10 万行数据的 DataFrame
| 操作 | 0.11.0版 (ms) | 旧版 (ms) | 提升比率 |
|---|---|---|---|
| df1 > df2 | 13.32 | 125.35 | 0.1063 |
| df1 * df2 | 21.71 | 36.63 | 0.5928 |
| df1 + df2 | 22.04 | 36.50 | 0.6039 |
这两个库默认是开启状态，可以使用下面的设置禁用
pd.set_option('compute.use_bottleneck', False)
pd.set_option('compute.use_numexpr', False)
4. 灵活的二元操作
对于 pandas 数据结构之间的二元操作，需要注意以下几点
- 多维（如
DataFrame）与低维（如Series）对象之间的广播机制 - 缺失值处理
4.1 匹配/广播机制
DataFrame 支持 add(), sub(), mul(), div() 以及相应的 radd(), rsub() 等函数执行二元操作。对于这些函数，可以使用 axis 参数设置应用于索引还是列
In [18]: df = pd.DataFrame(
....: {
....: "one": pd.Series(np.random.randn(3), index=["a", "b", "c"]),
....: "two": pd.Series(np.random.randn(4), index=["a", "b", "c", "d"]),
....: "three": pd.Series(np.random.randn(3), index=["b", "c", "d"]),
....: }
....: )
....:
In [19]: df
Out[19]:
one two three
a 1.394981 1.772517 NaN
b 0.343054 1.912123 -0.050390
c 0.695246 1.478369 1.227435
d NaN 0.279344 -0.613172
In [20]: row = df.iloc[1]
In [21]: column = df["two"]
In [22]: df.sub(row, axis="columns")
Out[22]:
one two three
a 1.051928 -0.139606 NaN
b 0.000000 0.000000 0.000000
c 0.352192 -0.433754 1.277825
d NaN -1.632779 -0.562782
In [23]: df.sub(row, axis=1)
Out[23]:
one two three
a 1.051928 -0.139606 NaN
b 0.000000 0.000000 0.000000
c 0.352192 -0.433754 1.277825
d NaN -1.632779 -0.562782
In [24]: df.sub(column, axis="index")
Out[24]:
one two three
a -0.377535 0.0 NaN
b -1.569069 0.0 -1.962513
c -0.783123 0.0 -0.250933
d NaN 0.0 -0.892516
In [25]: df.sub(column, axis=0)
Out[25]:
one two three
a -0.377535 0.0 NaN
b -1.569069 0.0 -1.962513
c -0.783123 0.0 -0.250933
d NaN 0.0 -0.892516
还可以使用 Series 与多级索引的某一级对应
In [26]: dfmi = df.copy()
In [27]: dfmi.index = pd.MultiIndex.from_tuples(
....: [(1, "a"), (1, "b"), (1, "c"), (2, "a")], names=["first", "second"]
....: )
....:
In [28]: dfmi.sub(column, axis=0, level="second")
Out[28]:
one two three
first second
1 a -0.377535 0.000000 NaN
b -1.569069 0.000000 -1.962513
c -0.783123 0.000000 -0.250933
2 a NaN -1.493173 -2.385688
Series 和 Index 支持 divmod() 内置函数，支持同时整除和取模运算，返回包含两个元素的元组
In [29]: s = pd.Series(np.arange(10))
In [30]: s
Out[30]:
0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
dtype: int64
In [31]: div, rem = divmod(s, 3)
In [32]: div
Out[32]:
0 0
1 0
2 0
3 1
4 1
5 1
6 2
7 2
8 2
9 3
dtype: int64
In [33]: rem
Out[33]:
0 0
1 1
2 2
3 0
4 1
5 2
6 0
7 1
8 2
9 0
dtype: int64
In [34]: idx = pd.Index(np.arange(10))
In [35]: idx
Out[35]: Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype='int64')
In [36]: div, rem = divmod(idx, 3)
In [37]: div
Out[37]: Int64Index([0, 0, 0, 1, 1, 1, 2, 2, 2, 3], dtype='int64')
In [38]: rem
Out[38]: Int64Index([0, 1, 2, 0, 1, 2, 0, 1, 2, 0], dtype='int64')
而且，还支持按元素 divmod()
In [39]: div, rem = divmod(s, [2, 2, 3, 3, 4, 4, 5, 5, 6, 6])
In [40]: div
Out[40]:
0 0
1 0
2 0
3 1
4 1
5 1
6 1
7 1
8 1
9 1
dtype: int64
In [41]: rem
Out[41]:
0 0
1 1
2 2
3 0
4 0
5 1
6 1
7 2
8 2
9 3
dtype: int64
4.2 缺失值处理和填充
Series 与 DataFrame 的算数函数支持 fill_value 参数，可以用指定值替换某个位置的缺失值。
例如，两个 DataFrame 相加，如果两个 DataFrame 的同一个位置都有缺失值，其相加的和仍为 NaN，如果只有一个 DataFrame 里存在缺失值，则可以使用 fill_value 指定的值来替代 NaN。
当然，也可以直接使用 fillna 把所有 NaN 替换为想要的值。
我们将 df 拷贝一份，并且将第一行第三列的 NaN 赋值为 1，保存为 df2
>>> df2 = df2.copy()
>>> df2.loc['a', 'three'] = np.nan
In [42]: df
Out[42]:
one two three
a 1.394981 1.772517 NaN
b 0.343054 1.912123 -0.050390
c 0.695246 1.478369 1.227435
d NaN 0.279344 -0.613172
In [43]: df2
Out[43]:
one two three
a 1.394981 1.772517 1.000000
b 0.343054 1.912123 -0.050390
c 0.695246 1.478369 1.227435
d NaN 0.279344 -0.613172
In [44]: df + df2
Out[44]:
one two three
a 2.789963 3.545034 NaN
b 0.686107 3.824246 -0.100780
c 1.390491 2.956737 2.454870
d NaN 0.558688 -1.226343
In [45]: df.add(df2, fill_value=0)
Out[45]:
one two three
a 2.789963 3.545034 1.000000
b 0.686107 3.824246 -0.100780
c 1.390491 2.956737 2.454870
d NaN 0.558688 -1.226343
4.3 比较操作
二元比较操作也有对应的函数：eq, ne, lt, gt, le 和 ge
| 函数 | 英文 | 运算符 |
|---|---|---|
| eq | equal | == |
| ne | not equal | != |
| lt | less than | < |
| le | less than or equal | ≤ |
| gt | greater than | > |
| ge | greater than or equal | ≥ |
In [46]: df.gt(df2)
Out[46]:
one two three
a False False False
b False False False
c False False False
d False False False
In [47]: df2.ne(df)
Out[47]:
one two three
a False False True
b False False False
c False False False
d True False False
这些函数或运算会生成一个与左侧对象相同的 pandas 对象，但是对应的值都是布尔值，可以使用这些布尔值进行索引操作
4.4 布尔简化
可以使用 empty, any(), all() 和 bool() 把布尔数据进行汇总
In [48]: (df > 0).all()
Out[48]:
one False
two True
three False
dtype: bool
In [49]: (df > 0).any()
Out[49]:
one True
two True
three True
dtype: bool
可以把上面的结果进一步汇总为单个布尔值
In [50]: (df > 0).any().any()
Out[50]: True
使用 enmty 属性判断一个 pandas 对象是否为空
In [51]: df.empty
Out[51]: False
In [52]: pd.DataFrame(columns=list("ABC")).empty
Out[52]: True
使用 bool() 在布尔语境中评估单元素 pandas 对象
In [53]: pd.Series([True]).bool()
Out[53]: True
In [54]: pd.Series([False]).bool()
Out[54]: False
In [55]: pd.DataFrame([[True]]).bool()
Out[55]: True
In [56]: pd.DataFrame([[False]]).bool()
Out[56]: False
注意：不要使用下面的判断
>>> if df:
... pass
>>> df and df2
两种方法都会引发错误
4.5 比较对象是否等效
一般有许多方法能够得到一样的结果，例如 df + df，df * 2。你可能想用 (df + df == df * 2).all() 来判断，但其实结果是 False
In [57]: df + df == df * 2
Out[57]:
one two three
a True True False
b True True True
c True True True
d False True True
In [58]: (df + df == df * 2).all()
Out[58]:
one False
two True
three False
dtype: bool
注意：df+df==df*2 包含一些 False！因为 NaN 不会相等
In [59]: np.nan == np.nan
Out[59]: False
因此， N 维数据有 equals() 函数用于判断相等
In [60]: (df + df).equals(df * 2)
Out[60]: True
注意：Series 或 DataFrame 索引的顺序必须是相同的，验证结果才为 True
In [61]: df1 = pd.DataFrame({"col": ["foo", 0, np.nan]})
In [62]: df2 = pd.DataFrame({"col": [np.nan, 0, "foo"]}, index=[2, 1, 0])
In [63]: df1.equals(df2)
Out[63]: False
In [64]: df1.equals(df2.sort_index())
Out[64]: True
4.6 比较数组对象
标量值与 pandas 数据结构比较是逐元素比较的
In [65]: pd.Series(["foo", "bar", "baz"]) == "foo"
Out[65]:
0 True
1 False
2 False
dtype: bool
In [66]: pd.Index(["foo", "bar", "baz"]) == "foo"
Out[66]: array([ True, False, False])
pandas 还可以比较相同长度的数组对象之间的逐元素比较
In [67]: pd.Series(["foo", "bar", "baz"]) == pd.Index(["foo", "bar", "qux"])
Out[67]:
0 True
1 True
2 False
dtype: bool
In [68]: pd.Series(["foo", "bar", "baz"]) == np.array(["foo", "bar", "qux"])
Out[68]:
0 True
1 True
2 False
dtype: bool
如果尝试比较不同长度的 Index 或 Series 对象将会引发 ValueError 错误
In [55]: pd.Series(['foo', 'bar', 'baz']) == pd.Series(['foo', 'bar'])
ValueError: Series lengths must match to compare
In [56]: pd.Series(['foo', 'bar', 'baz']) == pd.Series(['foo'])
ValueError: Series lengths must match to compare
注意：这里的操作与 NumPy 的广播机制不同
In [69]: np.array([1, 2, 3]) == np.array([2])
Out[69]: array([False, True, False])
如果无法广播会返回 False
In [70]: np.array([1, 2, 3]) == np.array([1, 2])
Out[70]: False
4.7 合并重叠数据集
有时需要合并两个相似的数据集，这两个数据集里的其中一个的数据比另一个多。
一个例子是，代表某一特定经济指标的两个数据，其中一个被认为 “质量较高”。然而，质量较低的系列可能追溯到历史上更久远的年代，或具有更完整的数据覆盖面。
因此，我们希望合并两个 DataFrame 对象，其中一个 DataFrame 中的缺失值有条件地填充来自另一个 DataFrame 的相似标签的值。
实现此操作的函数是 combine_first()，我们将对其进行说明
In [71]: df1 = pd.DataFrame(
....: {"A": [1.0, np.nan, 3.0, 5.0, np.nan], "B": [np.nan, 2.0, 3.0, np.nan, 6.0]}
....: )
....:
In [72]: df2 = pd.DataFrame(
....: {
....: "A": [5.0, 2.0, 4.0, np.nan, 3.0, 7.0],
....: "B": [np.nan, np.nan, 3.0, 4.0, 6.0, 8.0],
....: }
....: )
....:
In [73]: df1
Out[73]:
A B
0 1.0 NaN
1 NaN 2.0
2 3.0 3.0
3 5.0 NaN
4 NaN 6.0
In [74]: df2
Out[74]:
A B
0 5.0 NaN
1 2.0 NaN
2 4.0 3.0
3 NaN 4.0
4 3.0 6.0
5 7.0 8.0
In [75]: df1.combine_first(df2)
Out[75]:
A B
0 1.0 NaN
1 2.0 2.0
2 3.0 3.0
3 5.0 4.0
4 3.0 6.0
5 7.0 8.0
4.8 常用 DataFrame 合并
上面的 combine_first() 方法调用更通用的 DataFrame.combine() 方法。
该方法传入另一个 DataFrame 及自定义合并函数，并将之与调用的 DataFrame 对齐，再传递与 Series 配对的合并函数。
下面的代码与 combine_first() 实现同样的功能
In [76]: def combiner(x, y):
....: return np.where(pd.isna(x), y, x)
....:
In [77]: df1.combine(df2, combiner)
Out[77]:
A B
0 1.0 NaN
1 2.0 2.0
2 3.0 3.0
3 5.0 4.0
4 3.0 6.0
5 7.0 8.0
1136
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
