python科学计算四：pandas

Pandas是python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来，目前由专注于Python数据包开发的PyData开发team继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来，因此，pandas为时间序列分析提供了很好的支持。 Pandas的名称来自于面板数据（panel data）和python数据分析（data analysis）。panel data是经济学中关于多维数据集的一个术语，在Pandas中也提供了panel的数据类型。 这篇文章会介绍一些Pandas的基本知识，偷了些懒其中采用的例子大部分会来自官方的10分钟学Pandas。我会加上个人的理解，帮助大家记忆和学习。

Pandas中的数据结构

Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。

Time- Series：以时间为索引的Series。

DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。以下的内容主要以DataFrame为主。

Panel ：三维的数组，可以理解为DataFrame的容器。

创建DataFrame

首先引入Pandas及Numpy：

Python

import pandas as pd import numpy as np

1 2	import pandas as pd import numpy as np

官方推荐的缩写形式为pd，你可以选择其他任意的名称。 DataFrame是二维的数据结构，其本质是Series的容器，因此，DataFrame可以包含一个索引以及与这些索引联合在一起的Series，由于一个Series中的数据类型是相同的，而不同Series的数据结构可以不同。因此对于DataFrame来说，每一列的数据结构都是相同的，而不同的列之间则可以是不同的数据结构。或者以数据库进行类比，DataFrame中的每一行是一个记录，名称为Index的一个元素，而每一列则为一个字段，是这个记录的一个属性。 创建DataFrame有多种方式：

1、以字典的字典或Series的字典的结构构建DataFrame，这时候的最外面字典对应的是DataFrame的列，内嵌的字典及Series则是其中每个值。

Python

使用 CTRL+C 复制，使用 CTRL+V 粘贴。

d = {’one’ : Series([1., 2., 3.], index=[’a’, ’b’, ’c’]),’two’ : Series([1., 2., 3., 4.], index=[’a’, ’b’, ’c’, ’d’])} df=pd.DataFrame(d)

1 2	d = {’ one’ : Series ( [ 1. , 2. , 3. ] , index = [’ a’ , ’ b’ , ’ c’ ] ) ,’ two’ : Series ( [ 1. , 2. , 3. , 4. ] , index = [’ a’ , ’ b’ , ’ c’ , ’ d’ ] ) } df = pd . DataFrame ( d )

输出：

pandas_101_01

可以看到d是一个字典，其中one的值为Series有3个值，而two为Series有4个值。由d构建的为一个4行2列的DataFrame。其中one只有3个值，因此d行one列为NaN（Not a Number）–Pandas默认的缺失值标记。

2、从列表的字典构建DataFrame，其中嵌套的每个列表（List）代表的是一个列，字典的名字则是列标签。这里要注意的是每个列表中的元素数量应该相同。否则会报错：

Python

ValueError: arrays must all be same length

1	ValueError : arrays must all be same length

3、从字典的列表构建DataFrame，其中每个字典代表的是每条记录（DataFrame中的一行），字典中每个值对应的是这条记录的相关属性。

Python

d = [{'one' : 1,'two':1},{'one' : 2,'two' : 2},{'one' : 3,'two' : 3},{'two' : 4}] df = pd.DataFrame(d,index=['a','b','c','d'],columns=['one','two']) df.index.name='index'

1 2 3

d = [ { 'one' : 1 , 'two' : 1 } , { 'one' : 2 , 'two' : 2 } , { 'one' : 3 , 'two' : 3 } , { 'two' : 4 } ] df = pd . DataFrame ( d , index = [ 'a' , 'b' , 'c' , 'd' ] , columns = [ 'one' , 'two' ] ) df . index . name = 'index'

以上的语句与以Series的字典形式创建的DataFrame相同，只是思路略有不同，一个是以列为单位构建，将所有记录的不同属性转化为多个Series，行标签冗余，另一个是以行为单位构建，将每条记录转化为一个字典，列标签冗余。使用这种方式，如果不通过columns指定列的顺序，那么列的顺序会是随机的。

个人经验是对于从一些已经结构化的数据转化为DataFrame似乎前者更方便，而对于一些需要自己结构化的数据（比如解析Log文件，特别是针对较大数据量时），似乎后者更方便。创建了DataFrame后可以通过index.name属性为DataFrame的索引指定名称。

查看数据

head和tail方法可以显示DataFrame前N条和后N条记录，N为对应的参数，默认值为5。这通常是拿到DataFrame后的第一个命令，可以方便的了解数据内容和含义。

Pandas_101_02

index（行）和columns（列）属性，可以获得DataFrame的行和列的标签。这也是了解数据内容和含义的重要步骤。

Pandas_101_03

decribe方法可以计算各个列的基本描述统计值。包含计数，平均数，标准差，最大值，最小值及4分位差。

Pandas_101_04

行列转置

Pandas_101_05

DataFrame提供了多种排序方式。

Python

df.sort_index(axis=1, ascending=False)

1	df . sort_index ( axis = 1 , ascending = False )

sort_index可以以轴的标签进行排序。axis是指用于排序的轴，可选的值有0和1，默认为0即行标签（Y轴），1为按照列标签排序。 ascending是排序方式，默认为True即降序排列。

Python

df.sort(columns='two') df.sort(columns=['one','two'],ascending=[0,1])

1 2	df . sort ( columns = 'two' ) df . sort ( columns = [ 'one' , 'two' ] , ascending = [ 0 , 1 ] )

DataFrame也提供按照指定列进行排序，可以仅指定一个列作为排序标准（以单独列名作为columns的参数），也可以进行多重排序（columns的参数为一个列名的List，列名的出现顺序决定排序中的优先级），在多重排序中ascending参数也为一个List，分别与columns中的List元素对应。

读写数据

DataFrame可以方便的读写数据文件，最常见的文件为CSV或Excel。Pandas读写Excel文件需要openpyxl（Excel 2007）, xlrd/xlwt（Excel 2003）。

从CSV中读取数据：

Python

df=pd.read_csv('foo.csv')

1	df = pd . read_csv ( 'foo.csv' )

将DataFrame写入CSV：

Python

df.to_csv('foo.csv')

1	df . to_csv ( 'foo.csv' )

从Excel中读取数据：

Python

xls = ExcelFile('foo.xlsx') xls.parse('sheet1', index_col=None, na_values=['NA'])

1 2	xls = ExcelFile ( 'foo.xlsx' ) xls . parse ( 'sheet1' , index_col = None , na_values = [ 'NA' ] )

先定义一个Excel文件，用xls.parse解析sheet1的内容，index_col用于指定index列，na_values定义缺失值的标识。

将DataFrame写入Excel文件：

Python

df.to_excel('foo.xlsx', sheet_name='sheet1')

1	df . to_excel ( 'foo.xlsx' , sheet_name = 'sheet1' )

默认的sheet为sheet1，也可以指定其他sheet名。

数据切片

通过下标选取数据：

Python

df['one'] df.one

1 2	df [ 'one' ] df . one

以上两个语句是等效的，都是返回df名称为one列的数据，返回的为一个Series。

Python

df[0:3] df[0]

1 2	df [ 0 : 3 ] df [ 0 ]

下标索引选取的是DataFrame的记录，与List相同DataFrame的下标也是从0开始，区间索引的话，为一个左闭右开的区间，即[0：3]选取的为1-3三条记录。与此等价，还可以用起始的索引名称和结束索引名称选取数据：

Python

df['a':'b']

1	df [ 'a' : 'b' ]

有一点需要注意的是使用起始索引名称和结束索引名称时，也会包含结束索引的数据。以上两种方式返回的都是DataFrame。

使用标签选取数据：

Python

df.loc[行标签,列标签] df.loc['a':'b']#选取ab两行数据 df.loc[:,'one']#选取one列的数据

1 2 3

df . loc [行标签 ,列标签 ] df . loc [ 'a' : 'b' ] #选取ab两行数据 df . loc [ : , 'one' ] #选取one列的数据

df.loc的第一个参数是行标签，第二个参数为列标签（可选参数，默认为所有列标签），两个参数既可以是列表也可以是单个字符，如果两个参数都为列表则返回的是DataFrame，否则，则为Series。

使用位置选取数据：

Python

df.iloc[行位置,列位置] df.iloc[1,1]#选取第二行，第二列的值，返回的为单个值 df.iloc[0,2],:]#选取第一行及第三行的数据 df.iloc[0:2,:]#选取第一行到第三行（不包含）的数据 df.iloc[:,1]#选取所有记录的第一列的值，返回的为一个Series df.iloc[1,:]#选取第一行数据，返回的为一个Series

1 2 3 4 5 6

df . iloc [行位置 ,列位置 ] df . iloc [ 1 , 1 ] #选取第二行，第二列的值，返回的为单个值 df . iloc [ 0 , 2 ] , : ] #选取第一行及第三行的数据 df . iloc [ 0 : 2 , : ] #选取第一行到第三行（不包含）的数据 df . iloc [ : , 1 ] #选取所有记录的第一列的值，返回的为一个Series df . iloc [ 1 , : ] #选取第一行数据，返回的为一个Series

PS：loc为location的缩写，iloc则为integer & location的缩写

通过逻辑指针进行数据切片：

Python

df[逻辑条件] df[df.one>=2]#单个逻辑条件 df[(df.one>=1) & (df.one<3) ]#多个逻辑条件组合

1 2 3

df [逻辑条件 ] df [ df . one >= 2 ] #单个逻辑条件 df [ ( df . one >= 1 ) & ( df . one < 3 ) ] #多个逻辑条件组合

这种方式获得的数据切片都是DataFrame。

基本运算

Pandas支持基本的运算及向量化运算。

Python

df.mean()#计算列的平均值，参数为轴，可选值为0或1.默认为0，即按照列运算 df.sum(1)#计算行的和 df.apply(lambda x: x.max() - x.min())#将一个函数应用到DataFrame的每一列，这里使用的是匿名lambda函数，与R中apply函数类似

1 2 3

df . mean ( ) #计算列的平均值，参数为轴，可选值为0或1.默认为0，即按照列运算 df . sum ( 1 ) #计算行的和 df . apply ( lambda x : x . max ( ) - x . min ( ) ) #将一个函数应用到DataFrame的每一列，这里使用的是匿名lambda函数，与R中apply函数类似

DataFrame的合并

Contact：

Python

ds = [{'one' : 4,'two':2},{'one' : 5,'two' : 3},{'one' : 6,'two' : 4},{'two' : 7,'three':10}] dfs = pd.DataFrame(ds,index=['e','f','g','h']) ##构建一个新的DataFrame，dfs df_t=pd.concat([df,dfs])#合并两个DataFrame

1 2 3 4

ds = [ { 'one' : 4 , 'two' : 2 } , { 'one' : 5 , 'two' : 3 } , { 'one' : 6 , 'two' : 4 } , { 'two' : 7 , 'three' : 10 } ] dfs = pd . DataFrame ( ds , index = [ 'e' , 'f' , 'g' , 'h' ] ) ##构建一个新的DataFrame，dfs df_t = pd . concat ( [ df , dfs ] ) #合并两个DataFrame

Merge（类似SQL中的Join操作）：

Python

left = pd.DataFrame({'key': ['foo1', 'foo2'], 'lval': [1, 2]}) right = pd.DataFrame({'key': ['foo1', 'foo2'], 'rval': [4, 5]}) #构建了两个DataFrame pd.merge(left, right, on='key')#按照key列将两个DataFrame join在一起

1 2 3 4

left = pd . DataFrame ( { 'key' : [ 'foo1' , 'foo2' ] , 'lval' : [ 1 , 2 ] } ) right = pd . DataFrame ( { 'key' : [ 'foo1' , 'foo2' ] , 'rval' : [ 4 , 5 ] } ) #构建了两个DataFrame pd . merge ( left , right , on = 'key' ) #按照key列将两个DataFrame join在一起

DataFrame中的Group by：

Python

df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar','foo', 'bar', 'foo', 'foo'],'B' : ['one', 'one', 'two', 'three','two', 'two', 'one', 'three'],'C' : randn(8), 'D' : randn(8)})&nbsp; df.groupby('A').sum()#按照A列的值分组求和 df.groupby(['A','B']).sum()##按照A、B两列的值分组求和

1 2 3

df = pd . DataFrame ( { 'A' : [ 'foo' , 'bar' , 'foo' , 'bar' , 'foo' , 'bar' , 'foo' , 'foo' ] , 'B' : [ 'one' , 'one' , 'two' , 'three' , 'two' , 'two' , 'one' , 'three' ] , 'C' : randn ( 8 ) , 'D' : randn ( 8 ) } ) & nbsp ; df . groupby ( 'A' ) . sum ( ) #按照A列的值分组求和 df . groupby ( [ 'A' , 'B' ] ) . sum ( ) ##按照A、B两列的值分组求和

构建透视表

Python

df = pd.DataFrame({'A' : ['one', 'one', 'two', 'three'] * 3,'B' : ['A', 'B', 'C'] * 4, 'C' : ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'] * 2, 'D' : np.random.randn(12), 'E' : np.random.randn(12)}) pd.pivot_table(df, values='D', rows=['A', 'B'], cols=['C'])#以A、B为行标签，以C为列标签将D列的值汇总求和

1 2

df = pd . DataFrame ( { 'A' : [ 'one' , 'one' , 'two' , 'three' ] * 3 , 'B' : [ 'A' , 'B' , 'C' ] * 4 , 'C' : [ 'foo' , 'foo' , 'foo' , 'bar' , 'bar' , 'bar' ] * 2 , 'D' : np . random . randn ( 12 ) , 'E' : np . random . randn ( 12 ) } ) pd . pivot_table ( df , values = 'D' , rows = [ 'A' , 'B' ] , cols = [ 'C' ] ) #以A、B为行标签，以C为列标签将D列的值汇总求和

时间序列分析

时间序列也是Pandas的一个特色。时间序列在Pandas中就是以Timestamp为索引的Series。

pandas提供to_datetime方法将代表时间的字符转化为Timestamp对象：

Python

s='2013-09-16 21:00:00' ts=pd.to_datetime(s)

1 2	s = '2013-09-16 21:00:00' ts = pd . to_datetime ( s )

有时我们需要处理时区问题：

ts=pd.to_datetime(s,utc=True).tz_convert('Asia/Shanghai')

1	ts = pd . to_datetime ( s , utc = True ) . tz_convert ( 'Asia/Shanghai' )

构建一个时间序列：

rng = pd.date_range('1/1/2012', periods=5, freq='M') ts = pd.Series(randn(len(rng)), index=rng)

1 2	rng = pd . date_range ( '1/1/2012' , periods = 5 , freq = 'M' ) ts = pd . Series ( randn ( len ( rng ) ) , index = rng )

Pandas提供resample方法对时间序列的时间粒度进行调整：

ts_h=ts.resample('H', how='count')#M,5Min,1s

1	ts_h = ts . resample ( 'H' , how = 'count' ) #M,5Min,1s

以上是将时间序列调整为小时，还可以支持月（M），分钟（Min）甚至秒（s）等。

画图

Pandas也支持一定的绘图功能，需要安装matplot模块。

比如前面创建的时间序列，通过plot()就可以绘制出折线图，也可以使用hist()命令绘制频率分布的直方图。

以上是关于Pandas的简单介绍，其实除了Pandas之外，Python还提供了多个科学计算包，比如Numpy，Scipy，以及数据挖掘的包：Scikit Learn，Orage，NLTK等，感兴趣的同学可以了解一下。

 

 

•