Pandas 公益学习 打卡第二天

先康康什么样

import pandas as pd
import numpy as np
df = pd.read_csv('mashuai/table.csv',index_col='Address')
df.head()

一、单级索引

1、 基本方法

loc方法

1. loc方法、iloc方法、[]操作符
iloc表示位置索引，loc表示标签索引，[]很便利
（a）loc方法
1、行索引

df.loc["street_1"}#单行索引
df.loc[["street_1,street_4"]]#多行索引

注意：所有在loc中使用的切片全部包含右端点，loc为左右全闭
还有的多行索引就像集合一样
中间是冒号

df.loc[1103:2103].head()

还有往前索引的加-1

df.loc[1106::-1].head()

2、列索引（与行索引是一样的）
前面加个冒号，

df.loc[:,'Height'].head()
df.loc[:,['Height','Math']].head()#这两个列得索引
df.loc[1102:2403,"Height":"Math"].head()#联合索引
df.loc[1102:2403:3,"Height":"Math"].head()#联合索引，:3代表每三个取一次

[a: b :c]（大佬告诉的）
a是起始位置或标签
b是结束位置或标签
c是步长
3、函数式索引

df = pd.read_csv('mashuai/table.csv',index_col="ID")
df.loc[lambda x:x['Gender']=='M'].head()
#loc中使用的函数，传入参数就是前面的df

#这里的例子表示，loc中能够传入函数，并且函数的输入值是整张表，输出为标量、切片、合法列表（元素出现在索引中）、合法索引
def f(x):
    return [1101,1103,1203]
df.loc[f]

4、布尔索引

#第一种写法
df.loc[df['Address'].isin(['street_7','street_4'])].head()
#第二种写法+if else语句
df.loc[[True if i[-1]=='4' or i[-1]=='7' else False for i in df['Address'].values]].head()

小节：本质上说，loc中能传入的只有布尔列表和索引子集构成的列表，只要把握这个原则就很容易理解上面那些操作

iiloc方法

注意与loc不同，切片右端点不包含

1.单行索引 loc与iloc一样
2.多行索引(不包括右端)

df.iloc[3:6]

3. 单列索引loc与iloc一样
4. 多列索引（索引列不算入编号内，所以列号为0。1。2。。。8）

df.iloc[:,1:8:2].head()

5.混合索引

df.iloc[3::4,7::-2].head()

6.函数式索引：

df.iloc[lambda x:[3]].head()

小节：iloc中接收的参数只能为整数或整数列表或布尔列表，不能使用布尔Series，如果要用就必须如下把values拿出来

#df.iloc[df['School']=='S_1'].head() #报错
df.iloc[(df['School']=='S_1').values].head()

[]操作符

1.（c.1）Series的[]操作
① 单元素索引：

s = pd.Series(df['Math'],index=df.index)
s[1101]
#使用的是索引标签
34.0

② 多行索引：

s[0:4]
#使用的是绝对位置的整数切片，与元素无关，这里容易混淆

ID
1101    34.0
1102    32.5
1103    87.2
1104    80.4
Name: Math, dtype: float64

③ 函数式索引：

s[lambda x: x.index[16::-6]]
#注意使用lambda函数时，直接切片(如：s[lambda x: 16::-6])就报错，此时使用的不是绝对位置切片，而是元素切片，非常易错
ID
2102    50.6
1301    31.5
1105    84.8
Name: Math, dtype: float64

④ 布尔索引：

s[s>80]
ID
1103    87.2
1104    80.4
1105    84.8
1201    97.0
1302    87.7
1304    85.2
2101    83.3
2205    85.4
2304    95.5
Name: Math, dtype: float64

【注意】如果不想陷入困境，请不要在行索引为浮点时使用[]操作符，因为在Series中[]的浮点切片并不是进行位置比较，而是值比较，非常特殊

2.DataFrame的[]操作

① 单行索引：

row = df.index.get_loc(1102)
df[row:row+1]#跟上一个结果一样

get_loc是吧元素转化为位置，[]操作符可以使用切片进行位置索引
② 多行索引：

#用切片，如果是选取指定的某几行，推荐使用loc，否则很可能报错
df[3:5]

③ 单列索引：

df['School'].head()
ID
1101    S_1
1102    S_1
1103    S_1
1104    S_1
1105    S_1
Name: School, dtype: object

④ 多列索引：

df[['School','Math']].head()

⑤函数式索引：

df[lambda x:['Math','Physics']].head()

⑥ 布尔索引：

df[df['Address']=='street_2'].head()

一般来说，[]操作符常用于列选择或布尔选择，尽量避免行的选择

布尔索引

（a）布尔符号：’&’,’|’,’~’：分别代表和and，或or，取反not

df[(df['Gender']=='F')&(df['Address']=='street_2')].head()
df[(df['Math']>85)|(df['Address']=='street_7')].head()
df[(df['Math']>75)|(df['Address']=='street_1')].head()

loc和[]中相应位置都能使用布尔列表选择；

df.loc[df['Math']>60,df.columns=='Physics'].head()
#思考：为什么df.loc[df['Math']>60,(df[:8]['Address']=='street_6').values].head()得到和上述结果一样？values能去掉吗？
一样，values是不能去掉的

（b） isin方法（三个条件）

2、快速标量索引

当只需要取一个元素时，at和iat方法能够提供更快的实现

display(df.at[1101,'School'])
display(df.loc[1101,'School'])
display(df.iat[0,0])
display(df.iloc[0,0])
#可尝试去掉注释对比时间
#%timeit df.at[1101,'School']
#%timeit df.loc[1101,'School']
#%timeit df.iat[0,0]
#%timeit df.iloc[0,0]
'S_1'
'S_1'
'S_1'
'S_1'

3、区间索引

此处介绍并不是说只能在单级索引中使用区间索引，只是作为一种特殊类型的索引方式

（a）利用interval_range方法

pd.interval_range(start=0,end=5)
#closed参数可选'left''right''both''neither'，默认左开右闭``
IntervalIndex([(0, 1], (1, 2], (2, 3], (3, 4], (4, 5]],
              closed='right',
              dtype='interval[int64]')

pd.interval_range(start=0,periods=8,freq=5)
#periods参数控制区间个数，freq控制步长
IntervalIndex([(0, 5], (5, 10], (10, 15], (15, 20], (20, 25], (25, 30], (30, 35], (35, 40]],
              closed='right',
              dtype='interval[int64]')

（b）利用cut将数值列转为区间为元素的分类变量，例如统计数学成绩的区间情况：

math_interval = pd.cut(df['Math'],bins=[0,40,60,80,100])
#注意，如果没有类型转换，此时并不是区间类型，而是category类型
math_interval.head()
ID
1101      (0, 40]
1102      (0, 40]
1103    (80, 100]
1104    (80, 100]
1105    (80, 100]
Name: Math, dtype: category
Categories (4, interval[int64]): [(0, 40] < (40, 60] < (60, 80] < (80, 100]]

（c）区间索引的选取

如果想要选取某个区间，先要把分类变量转为区间变量，再使用overlap方法：

二、多级索引

1. 创建多级索引

（a）通过from_tuple或from_arrays
① 直接创建元组

tuples = [('A','a'),('A','b'),('B','a'),('B','b')]
mul_index = pd.MultiIndex.from_tuples(tuples, names=('Upper', 'Lower'))
mul_index
MultiIndex([('A', 'a'),
            ('A', 'b'),
            ('B', 'a'),
            ('B', 'b')],
           names=['Upper', 'Lower'])

pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index)

mul_index
#由此看出内部自动转成元组
MultiIndex([('A', 'a'),
            ('A', 'b'),
            ('B', 'a'),
            ('B', 'b')],
           names=['Upper', 'Lower'])

（b）通过from_product

L1 = ['A','B']
L2 = ['a','b']
pd.MultiIndex.from_product([L1,L2],names=('Upper', 'Lower'))
#两两相乘
MultiIndex([('A', 'a'),
            ('A', 'b'),
            ('B', 'a'),
            ('B', 'b')],
           names=['Upper', 'Lower'])

（c）指定df中的列创建（set_index方法）

df_using_mul = df.set_index(['Class','Address'])
df_using_mul.head()

2. 多层索引切片

（a）一般切片

#df_using_mul.loc['C_2','street_5']
#当索引不排序时，单个索引会报出性能警告
#df_using_mul.index.is_lexsorted()
#该函数检查是否排序
df_using_mul.sort_index().loc['C_2','street_5']
#df_using_mul.sort_index().index.is_lexsorted()

（b）第一类特殊情况：由元组构成列表

df_using_mul.sort_index().loc[[('C_2','street_7'),('C_3','street_2')]]
#表示选出某几个元素，精确到最内层索引

（c）第二类特殊情况：由列表构成元组

df_using_mul.sort_index().loc[(['C_2','C_3'],['street_4','street_7']),:]
#选出第一层在‘C_2’和'C_3'中且第二层在'street_4'和'street_7'中的行

3. 多层索引中的slice对象

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_s = pd.DataFrame(np.random.rand(9,9),index=mul_index1,columns=mul_index2)
df_s

idx=pd.IndexSlice

索引Slice的使用非常灵活：

df_s.loc[idx['B':,df_s['D']['d']>0.3],idx[df_s.sum()>4]]
#df_s.sum()默认为对列求和，因此返回一个长度为9的数值列表

4. 索引层的交换

4. 索引层的交换
   （a）swaplevel方法（两层交换）
   
   （b）reorder_levels方法（多层交换）
   

#如果索引有name，可以直接使用name
df_muls.reorder_levels(['Address','School','Class'],axis=0).sort_index().head()

三、索引设定

1. index_col参数

index_col是read_csv中的一个参数，而不是某一个方法

pd.read_csv('mashuai/table.csv',index_col=['Address','School']).head()

2. reindex和reindex_like

reindex是指重新索引，它的重要特性在于索引对齐，很多时候用于重新排序

df.head()
df.reindex(index=[1101,1203,1206,2402])
df.reindex(columns=['Height','Gender','Average']).head()

可以选择缺失值的填充方法：fill_value和method（bfill/ffill/nearest），其中method参数必须索引单调

df.reindex(index=[1101,1203,1206,2402],method='bfill')
#bfill表示用所在索引1206的后一个有效行填充，ffill为前一个有效行，nearest是指最近的
df.reindex(index=[1101,1203,1206,2402],method='nearest')
#数值上1205比1301更接近1206，因此用前者填充

reindex_like的作用为生成一个横纵索引完全与参数列表一致的DataFrame，数据使用被调用的表

df_temp = pd.DataFrame({'Weight':np.zeros(5),
                        'Height':np.zeros(5),
                        'ID':[1101,1104,1103,1106,1102]}).set_index('ID')
df_temp.reindex_like(df[0:5][['Weight','Height']])

如果df_temp单调还可以使用method参数

df_temp = pd.DataFrame({'Weight':range(5),
                        'Height':range(5),
                        'ID':[1101,1104,1103,1106,1102]}).set_index('ID').sort_index()
df_temp.reindex_like(df[0:5][['Weight','Height']],method='bfill')
#可以自行检验这里的1105的值是否是由bfill规则填充

3. set_index和reset_index

set_index：从字面意思看，就是将某些列作为索引
使用表内列作为索引：

df.head()
df.set_index('Class').head()

利用append参数可以将当前索引维持不变

df.set_index('Class',append=True).head()

当使用与表长相同的列作为索引（需要先转化为Series，否则报错）

df.set_index(pd.Series(range(df.shape[0]))).head()

可以直接添加多级索引：

df.set_index([pd.Series(range(df.shape[0])),pd.Series(np.ones(df.shape[0]))]).head()

下面介绍reset_index方法，它的主要功能是将索引重置
默认状态直接恢复到自然数索引

df.reset_index().head()

用level参数指定哪一层被reset，用col_level参数指定set到哪一层：

df_temp1.columns
#看到的确插入了level2
MultiIndex([( '', 'Lower'),
            ('D',     'd'),
            ('D',     'e'),
            ('D',     'f'),
            ('E',     'd'),
            ('E',     'e'),
            ('E',     'f'),
            ('F',     'd'),
            ('F',     'e'),
            ('F',     'f')],
           names=['Big', 'Small'])

df_temp1.index
#最内层索引被移出
Index(['A', 'A', 'A', 'B', 'B', 'B', 'C', 'C', 'C'], dtype='object', name='Upper')

4. rename_axis和rename

rename_axis是针对多级索引的方法，作用是修改某一层的索引名，而不是索引标签

df_temp.rename_axis(index={'Lower':'LowerLower'},columns={'Big':'BigBig'})

rename方法用于修改列或者行索引标签，而不是索引名：

df_temp.rename(index={'A':'T'},columns={'e':'changed_e'}).head()

四、常用索引型函数

1. where函数

1. where函数

df.head()
df.where(df['Gender']=='M').head()
#不满足条件的行全部被设置为NaN

这种方法筛选结果和[]操作符的结果完全一致

df.where(df['Gender']=='M').dropna().head()

第一个参数为布尔条件，第二个参数为填充值：

df.where(df['Gender']=='M',np.random.rand(df.shape[0],df.shape[1])).head()

2. mask函数

mask函数与where功能上相反，其余完全一致，即对条件为True的单元进行填充

3. query函数

query函数中的布尔表达式中，下面的符号都是合法的：行列索引名、字符串、and/not/or/&/|/~/not in/in/==/!=、四则运算符

df.head()
df.query('(Address in ["street_6","street_7"])&(Weight>(70+10))&(ID in [1303,2304,2402])')

五、重复元素处理

1、duplicated方法

该方法返回了是否重复的布尔列表

df.duplicated('Class').head()
ID
1101    False
1102     True
1103     True
1104     True
1105     True
dtype: bool

可选参数keep默认为first，即首次出现设为不重复，若为last，则最后一次设为不重复，若为False，则所有重复项为True

df.duplicated('Class',keep='last').tail()
ID
2401     True
2402     True
2403     True
2404     True
2405    False
dtype: bool
df.duplicated('Class',keep=False).head()
ID
1101    True
1102    True
1103    True
1104    True
1105    True
dtype: bool

2. drop_duplicates方法

从名字上看出为剔除重复项，这在后面章节中的分组操作中可能是有用的，例如需要保留每组的第一个值

df.drop_duplicates('Class')

参数与duplicate函数类似

df.drop_duplicates('Class',keep='last')

在传入多列时等价于将多列共同视作一个多级索引，比较重复项

df.drop_duplicates(['School','Class'])

六、抽样函数

这里的抽样函数指的就是sample函数
（a）n为样本量

df.sample(n=5)

（b）frac为抽样比

df.sample(frac=0.05)

（c）replace为是否放回

df.sample(n=df.shape[0],replace=True).head()

df.sample(n=35,replace=True).index.is_unique
False

（d）axis为抽样维度，默认为0，即抽行

df.sample(n=3,axis=1).head()

（e）weights为样本权重，自动归一化

七、学习心得

掌握了pandas索引的基本用法，然而最重要的还是要用时间去消化和实践，实践是检验真理的唯一标准，这门学习基础很重要，一定要多多动手实践，这样才可以在数据分析行业行云流水，加油吧！铁子。