机器学习入门：准备知识笔记(pandas)之一

参考教学笔记：2021年Python人工智能，13天机器学习入门到精通，精讲+14大案例分析（数据来源参考）

pandas的优势 
增强图表可读性
便捷的数据处理能力
读取文件方便
封装了Matplotlib、 Numpy的画图和计算

---

Pandas数据结构

Pandas中一共有三种数据结构， 分别为： Series、 DataFrame和MultiIndex（ 老版本中叫Panel ） 。
其中Series是一维数据结构， DataFrame是二维的表格型数据结构， MultiIndex是三维的数据结构。

Series

Series是一个类似于一维数组的数据结构， 它能够保存任何类型的数据， 比如整数、 字符串、 浮点数等， 主要由一组数据和与之相关的索引两
部分构成。

Series的创建
# 导入pandas
import pandas as pd
pd.Series(data=None, index=None, dtype=None)
参数：
data： 传入的数据， 可以是ndarray、 list等
index： 索引， 必须是唯一的， 且与数据的长度相等。 如果没有传入索引参数， 则默认会自动创建一个从0-N的整数索引。
dtype： 数据的类型

通过已有数据创建
指定内容， 默认索引
pd.Series(np.arange(10))

指定索引
pd.Series([6.7,5.6,3,10,2], index=[1,2,3,4,5])
# 运行结果
1 6.7
2 5.6
3 3.0
4 10.0
5 2.0
dtype: float64

通过字典数据创建
color_count = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
color_count
# 运行结果
blue 200
green 500
red 100
yellow 1000
dtype: int64

Series的属性
为了更方便地操作Series对象中的索引和数据， Series中提供了两个属性index和values
index
color_count.index
# 结果
Index(['blue', 'green', 'red', 'yellow'], dtype='object')
values
color_count.values
# 结果
array([ 200, 500, 100, 1000])
也可以使用索引来获取数据：
color_count[2]
# 结果
100

---

DataFrame

DataFrame是一个类似于二维数组或表格(如excel)的对象， 既有行索引， 又有列索引
行索引， 表明不同行， 横向索引， 叫index， 0轴， axis=0
列索引， 表名不同列， 纵向索引， 叫columns， 1轴， axis=1

 DataFrame的创建
# 导入pandas
import pandas as pd
pd.DataFrame(data=None, index=None, columns=None)
参数：
index： 行标签。 如果没有传入索引参数， 则默认会自动创建一个从0-N的整数索引。
columns： 列标签。 如果没有传入索引参数， 则默认会自动创建一个从0-N的整数索引。
通过已有数据创建
举例一：
pd.DataFrame(np.random.randn(2,3))

举例二： 创建学生成绩表
# 生成10名同学， 5门功课的数据
score = np.random.randint(40, 100, (10, 5))
# 结果
array([[92, 55, 78, 50, 50],
[71, 76, 50, 48, 96],
[45, 84, 78, 51, 68],
[81, 91, 56, 54, 76],
[86, 66, 77, 67, 95],
[46, 86, 56, 61, 99],
[46, 95, 44, 46, 56],
[80, 50, 45, 65, 57],
[41, 93, 90, 41, 97],
[65, 83, 57, 57, 40]])
但是这样的数据形式很难看到存储的是什么的样的数据， 可读性比较差！ ！
问题： 如何让数据更有意义的显示？

# 使用Pandas中的数据结构
score_df = pd.DataFrame(score)

  增加行、 列索引
# 构造行索引序列
subjects = ["语文", "数学", "英语", "政治", "体育"]
# 构造列索引序列
stu = ['同学' + str(i) for i in range(score_df.shape[0])]
# 添加行索引
data = pd.DataFrame(score, columns=subjects, index=stu)

DataFrame的属性
shape
data.shape

index
DataFrame的行索引列表
data.index

columns
DataFrame的列索引列表
data.columns

values
直接获取其中array的值
data.values
array([[92, 55, 78, 50, 50],
[71, 76, 50, 48, 96],
[45, 84, 78, 51, 68],
[81, 91, 56, 54, 76],
[86, 66, 77, 67, 95],
[46, 86, 56, 61, 99],
[46, 95, 44, 46, 56],
[80, 50, 45, 65, 57],
[41, 93, 90, 41, 97],
[65, 83, 57, 57, 40]])

T
转置
data.T

head(5)： 显示前5行内容
如果不补充参数， 默认5行。 填入参数N则显示前N行
data.head(5)

tail(5):显示后5行内容
98
如果不补充参数， 默认5行。 填入参数N则显示后N行
data.tail(5)

DatatFrame索引的设置

修改行列索引值
stu = ["学生_" + str(i) for i in range(score_df.shape[0])]
# 必须整体全部修改
data.index = stu
注意： 以下修改方式是错误的
# 错误修改方式
data.index[3] = '学生_3'

重设索引
reset_index(drop=False)
设置新的下标索引
drop:默认为False， 不删除原来索引， 如果为True,删除原来的索引值
# 重置索引,drop=False
data.reset_index()

# 重置索引,drop=True
data.reset_index(drop=True)

以某列值设置为新的索引
set_index(keys, drop=True)
keys : 列索引名成或者列索引名称的列表
drop : boolean, default True.当做新的索引， 删除原来的列

设置新索引案例
1、 创建
df = pd.DataFrame({'month': [1, 4, 7, 10],
'year': [2012, 2014, 2013, 2014],
'sale':[55, 40, 84, 31]})
month sale year
0 1 55 2012
1 4 40 2014
2 7 84 2013
3 10 31 2014
2、 以月份设置新的索引
df.set_index('month')
sale year
month
1 55 2012
4 40 2014
7 84 2013
10 31 2014
3、 设置多个索引， 以年和月份
df = df.set_index(['year', 'month'])
df
sale
year month
2012 1 55
2014 4 40
2013 7 84
2014 10 31
注： 通过刚才的设置， 这样DataFrame就变成了一个具有MultiIndex的DataFrame。

MultiIndex

注： Pandas从版本0.20.0开始弃用panel： 推荐的用于表示3D数据的方法是通过DataFrame上的MultiIndex方法

MultiIndex是三维的数据结构;
多级索引（ 也称层次化索引） 是pandas的重要功能， 可以在Series、 DataFrame对象上拥有2个以及2个以上的索引。

multiIndex的特性
打印刚才的df的行索引结果
df.index
MultiIndex(levels=[[2012, 2013, 2014], [1, 4, 7, 10]],
labels=[[0, 2, 1, 2], [0, 1, 2, 3]],
names=['year', 'month'])

多级或分层索引对象。
index属性
names:levels的名称
levels： 每个level的元组值
df.index.names
# FrozenList(['year', 'month'])
df.index.levels
# FrozenList([[1, 2], [1, 4, 7, 10]])

multiIndex的创建
arrays = [[1, 1, 2, 2], ['red', 'blue', 'red', 'blue']]
pd.MultiIndex.from_arrays(arrays, names=('number', 'color'))
# 结果
MultiIndex(levels=[[1, 2], ['blue', 'red']],
codes=[[0, 0, 1, 1], [1, 0, 1, 0]],
names=['number', 'color'])

---

基本数据操作

# 读取文件
data = pd.read_csv("./data/stock_day.csv")
# 删除一些列， 让数据更简单些， 再去做后面的操作
data = data.drop(["ma5","ma10","ma20","v_ma5","v_ma10","v_ma20"], axis=1)

1 索引操作
Numpy当中我们已经讲过使用索引选取序列和切片选择， pandas也支持类似的操作， 也可以直接使用列名、 行名称， 甚至组合使用。
1.1 直接使用行列索引(先列后行)
获取'2018-02-27'这天的'close'的结果
# 直接使用行列索引名字的方式（ 先列后行）
data['open']['2018-02-27']
23.53
# 不支持的操作
# 错误
data['2018-02-27']['open']
# 错误
data[:1, :2]

1.2 结合loc或者iloc使用索引

获取从'2018-02-27':'2018-02-22'， 'open'的结果
# 使用loc:只能指定行列索引的名字
data.loc['2018-02-27':'2018-02-22', 'open']
2018-02-27 23.53
2018-02-26 22.80
2018-02-23 22.88
Name: open, dtype: float64
# 使用iloc可以通过索引的下标去获取
# 获取前3天数据,前5列的结果
data.iloc[:3, :5]
open high close low
2018-02-27 23.53 25.88 24.16 23.53
2018-02-26 22.80 23.78 23.53 22.80
2018-02-23 22.88 23.37 22.82 22.71

1.3 使用ix组合索引
Warning:Starting in 0.20.0, the .ix indexer is deprecated, in favor of the more strict .iloc and .loc indexers.
获取行第1天到第4天， ['open', 'close', 'high', 'low']这个四个指标的结果
# 使用ix进行下表和名称组合做引
data.ix[0:4, ['open', 'close', 'high', 'low']]
# 推荐使用loc和iloc来获取的方式
data.loc[data.index[0:4], ['open', 'close', 'high', 'low']]
data.iloc[0:4, data.columns.get_indexer(['open', 'close', 'high', 'low'])]
open close high low
2018-02-27 23.53 24.16 25.88 23.53
2018-02-26 22.80 23.53 23.78 22.80
2018-02-23 22.88 22.82 23.37 22.71
2018-02-22 22.25 22.28 22.76 22.02

赋值操作
对DataFrame当中的close列进行重新赋值为1
# 直接修改原来的值
data['close'] = 1
# 或者
data.close = 1

3 排序
排序有两种形式， 一种对于索引进行排序， 一种对于内容进行排序
3.1 DataFrame排序
使用df.sort_values(by=, ascending=)
单个键或者多个键进行排序,
参数：
by： 指定排序参考的键
ascending:默认升序
ascending=False:降序
ascending=True:升序
# 按照开盘价大小进行排序 , 使用ascending指定按照大小排序
data.sort_values(by="open", ascending=True).head()

# 按照多个键进行排序
data.sort_values(by=['open', 'high'])

使用df.sort_index给索引进行排序
这个股票的日期索引原来是从大到小， 现在重新排序， 从小到大
# 对索引进行排序
data.sort_index()

3.2 Series排序
使用series.sort_values(ascending=True)进行排序
series排序时， 只有一列， 不需要参数
data['p_change'].sort_values(ascending=True).head()
2015-09-01 -10.03
2015-09-14 -10.02
2016-01-11 -10.02
2015-07-15 -10.02
2015-08-26 -10.01
Name: p_change, dtype: float64
使用series.sort_index()进行排序
与df一致
# 对索引进行排序
data['p_change'].sort_index().head()
2015-03-02 2.62
2015-03-03 1.44
2015-03-04 1.57
2015-03-05 2.02
2015-03-06 8.51
Name: p_change, dtype: float64

---

DataFrame运算

1 算术运算
add(other)
比如进行数学运算加上具体的一个数字
data['open'].add(1)
2018-02-27 24.53
2018-02-26 23.80
2018-02-23 23.88
2018-02-22 23.25
2018-02-14 22.49
sub(other)

2 逻辑运算
2.1 逻辑运算符号
例如筛选data["open"] > 23的日期数据
data["open"] > 23返回逻辑结果
data["open"] > 23
2018-02-27 True
2018-02-26 False
2018-02-23 False
2018-02-22 False
2018-02-14 False
# 逻辑判断的结果可以作为筛选的依据
data[data["open"] > 23].head()

完成多个逻辑判断

data[(data["open"] > 23) & (data["open"] < 24)].head()

2.2 逻辑运算函数
query(expr)
expr:查询字符串
通过query使得刚才的过程更加方便简单
data.query("open<24 & open>23").head()
isin(values)
例如判断'open'是否为23.53和23.85
# 可以指定值进行一个判断， 从而进行筛选操作
data[data["open"].isin([23.53, 23.85])]

3 统计运算
3.1 describe
综合分析: 能够直接得出很多统计结果, count , mean , std , min , max 等
# 计算平均值、 标准差、 最大值、 最小值
data.describe()

3.2 统计函数

对于单个函数去进行统计的时候， 坐标轴还是按照默认列“columns” (axis=0, default)， 如果要对行“index” 需要指定(axis=1)

max()、 min()
# 使用统计函数： 0 代表列求结果， 1 代表行求统计结果
data.max(0)
open 34.99
high 36.35
close 35.21
low 34.01
volume 501915.41
price_change 3.03
p_change 10.03
turnover 12.56
my_price_change 3.41
dtype: float64

std()、 var()
# 方差
data.var(0)
open 1.545255e+01
high 1.662665e+01
close 1.554572e+01
low 1.437902e+01
volume 5.458124e+09
price_change 8.072595e-01
p_change 1.664394e+01
turnover 4.323800e+00
my_price_change 6.409037e-01
dtype: float64
# 标准差
data.std(0)
open 3.930973
high 4.077578
close 3.942806
low 3.791968
volume 73879.119354
price_change 0.898476
p_change 4.079698
turnover 2.079375
my_price_change 0.800565
dtype: float64

median()： 中位数
中位数为将数据从小到大排列， 在最中间的那个数为中位数。 如果没有中间数， 取中间两个数的平均值。

idxmax()、 idxmin()
# 求出最大值的位置
data.idxmax(axis=0)
open 2015-06-15
high 2015-06-10
close 2015-06-12
low 2015-06-12
volume 2017-10-26
price_change 2015-06-09
p_change 2015-08-28
turnover 2017-10-26
my_price_change 2015-07-10
dtype: object
# 求出最小值的位置
data.idxmin(axis=0)
open 2015-03-02
high 2015-03-02
close 2015-09-02
low 2015-03-02
volume 2016-07-06
price_change 2015-06-15
p_change 2015-09-01
turnover 2016-07-06
my_price_change 2015-06-15
dtype: object

3.3 累计统计函数

以上这些函数可以对series和dataframe操作
这里我们按照时间的从前往后来进行累计
排序
# 排序之后， 进行累计求和
data = data.sort_index()
对p_change进行求和
stock_rise = data['p_change']
# plot方法集成了前面直方图、 条形图、 饼图、 折线图
stock_rise.cumsum()
2015-03-02 2.62
2015-03-03 4.06
2015-03-04 5.63
2015-03-05 7.65
2015-03-06 16.16
2015-03-09 16.37
2015-03-10 18.75
2015-03-11 16.36
2015-03-12 15.03
2015-03-13 17.58
2015-03-16 20.34
2015-03-17 22.42
2015-03-18 23.28
2015-03-19 23.74
2015-03-20 23.48
2015-03-23 23.74

使用plot函数画图使得结果直观， 需要导入matplotlib.
import matplotlib.pyplot as plt
# plot显示图形
stock_rise.cumsum().plot()
# 需要调用show， 才能显示出结果
plt.show()

4 自定义运算
apply(func, axis=0)
func:自定义函数
axis=0:默认是列， axis=1为行进行运算
定义一个对列， 最大值-最小值的函数
data[['open', 'close']].apply(lambda x: x.max() - x.min(), axis=0)
open 22.74
close 22.85
dtype: float64

后续知识点请看：

机器学习入门：准备知识笔记(pandas)之二