Pandas
文章目录
Pandas介绍
- 2008年WesMcKinney开发出的库
- 专门用于数据挖掘的开源python库
- 以Numpy为基础，借助Numpy模块在计算方面性能高的优势
- 基于matplotlib，能够简便的画图
- 独特的数据结构
为什么使用Pandas
Numpy已经能够帮助我们处理数据，能够结合matplotlib解决部分数据展示等问题，那么pandas学习的目的 在什么地方呢？
- 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
案例：
# 导入pandas
import pandas as pd
# 创建一个符合正太分布的10个股票5天的涨跌幅数据
stock_change = np.random.normal(0, 1, (10, 5))
'''array([[ 0.11432785, 1.00433057, 1.12925809, 0.7517578 , 0.33413123],
[-0.47515651, 0.49629358, 0.7132379 , -1.1929853 , 1.57699902],
[-1.67540396, 1.34730591, -0.50975067, 1.09261705, -0.05291157],
[-0.95959668, -0.83221357, -0.75756244, -1.13773994, -0.43446868],
[-1.00440253, 0.59896713, -0.42717083, 0.25950335, 2.5717486 ],
[ 0.97740356, -2.42831517, -0.96281608, -0.83297409, -0.9160361 ],
[-0.16537817, 0.13605012, -0.61955882, 0.19989032, -2.63318574],
[ 0.63238451, 0.47407471, -0.83024488, -0.12913623, 0.6382843 ],
[-0.97878723, -0.50425512, 1.4271656 , 1.96141366, -1.92209959],
[ 1.07952173, 0.22794844, 0.16406044, -0.05989723, -0.84478531]])'''
# 但是这样的数据形式很难看到存储的是什么的样的数据，并也很难获取相应的数据，比如需要获取某个指定股票的数据，就很难去获取！！
# 问题：如何让数据更有意义的显示？处理刚才的股票数据
# 使用Pandas中的数据结构
stock_day_rise = pd.DataFrame(stock_change)
stock_day_rise
# 给股票涨跌幅数据增加行列索引,显示效果更佳
# 增加行索引
# 构造行索引序列
stock_code = ['股票' + str(i) for i in range(stock_day_rise.shape[0])]
# 添加行索引
data = pd.DataFrame(stock_change, index=stock_code)
# 增加列索引
# 股票的日期是一个时间的序列，我们要实现从前往后的时间还要考虑每月的总天数等，不方便。使用pd.date_range()：用于生成一组连续的时间序列(暂时了解)
'''date_range(start=None,end=None, periods=None, freq='B')
start:开始时间
end:结束时间
periods:时间天数
freq:递进单位，默认1天,'B'默认略过周末'''
# 生成一个时间的序列，略过周末非交易日
date = pd.date_range('2017-01-01', periods=stock_day_rise.shape[1], freq='B')
# index代表行索引，columns代表列索引
data = pd.DataFrame(stock_change, index=stock_code, columns=date)
data
DataFrame
DataFrame结构
DataFrame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
DatatFrame的属性
- shape
data.shape
# 结果
(10, 5)
- index
DataFrame的行索引列表
data.index
Index(['股票0', '股票1', '股票2', '股票3', '股票4', '股票5', '股票6', '股票7', '股票8', '股票9'], dtype='object')
- columns
DataFrame的列索引列表
data.columns
DatetimeIndex(['2017-01-02', '2017-01-03', '2017-01-04', '2017-01-05',
'2017-01-06'],
dtype='datetime64[ns]', freq='B')
- values
直接获取其中array的值
data.values
array([[-0.06544031, -1.30931491, -1.45451514, 0.57973008, 1.48602405],
[-1.73216741, -0.83413717, 0.45861517, -0.80391793, -0.46878575],
[ 0.21805567, 0.19901371, 0.7134683 , 0.5484263 , 0.38623412],
[-0.42207879, -0.33702398, 0.42328531, -1.23079202, 1.32843773],
[-1.72530711, 0.07591832, -1.91708358, -0.16535818, 1.07645091],
[-0.81576845, -0.28675278, 1.20441981, 0.73365951, -0.06214496],
[-0.98820861, -1.01815231, -0.95417342, -0.81538991, 0.50268175],
[-0.10034128, 0.61196204, -0.06850331, 0.74738433, 0.143011 ],
[ 1.00026175, 0.34241958, -2.2529711 , 0.93921064, 1.14080312],
[ 2.52064693, 1.55384756, 1.72252984, 0.61270132, 0.60888092]])
- 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)
2017-01-02 00:00:00 2017-01-03 00:00:00 2017-01-04 00:00:00 2017-01-05 00:00:00 2017-01-06 00:00:00
股票0 -0.065440 -1.309315 -1.454515 0.579730 1.486024
股票1 -1.732167 -0.834137 0.458615 -0.803918 -0.468786
股票2 0.218056 0.199014 0.713468 0.548426 0.386234
股票3 -0.422079 -0.337024 0.423285 -1.230792 1.328438
股票4 -1.725307 0.075918 -1.917084 -0.165358 1.076451
- tail(5):显示后5行内容
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)
2017-01-02 00:00:00 2017-01-03 00:00:00 2017-01-04 00:00:00 2017-01-05 00:00:00 2017-01-06 00:00:00
股票5 -0.815768 -0.286753 1.204420 0.733660 -0.062145
股票6 -0.988209 -1.018152 -0.954173 -0.815390 0.502682
股票7 -0.100341 0.611962 -0.068503 0.747384 0.143011
股票8 1.000262 0.342420 -2.252971 0.939211 1.140803
股票9 2.520647 1.553848 1.722530 0.612701 0.608881
DatatFrame索引的设置
修改行列索引值
stock_code = ["股票_" + str(i) for i in range(stock_day_rise.shape[0])]
# 必须整体全部修改
data.index = stock_code
#注意：以下修改方式是错误的
# 错误修改方式
data.index[3] = '股票_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()
index 2017-01-02 00:00:00 2017-01-03 00:00:00 2017-01-04 00:00:00 2017-01-05 00:00:00 2017-01-06 00:00:00
0 股票_0 -0.065440 -1.309315 -1.454515 0.579730 1.486024
1 股票_1 -1.732167 -0.834137 0.458615 -0.803918 -0.468786
2 股票_2 0.218056 0.199014 0.713468 0.548426 0.386234
3 股票_3 -0.422079 -0.337024 0.423285 -1.230792 1.328438
4 股票_4 -1.725307 0.075918 -1.917084 -0.165358 1.076451
5 股票_5 -0.815768 -0.286753 1.204420 0.733660 -0.062145
6 股票_6 -0.988209 -1.018152 -0.954173 -0.815390 0.502682
7 股票_7 -0.100341 0.611962 -0.068503 0.747384 0.143011
8 股票_8 1.000262 0.342420 -2.252971 0.939211 1.140803
9 股票_9 2.520647 1.553848 1.722530 0.612701 0.608881
# 重置索引,drop=True
data.reset_index(drop=True)
2017-01-02 00:00:00 2017-01-03 00:00:00 2017-01-04 00:00:00 2017-01-05 00:00:00 2017-01-06 00:00:00
0 -0.065440 -1.309315 -1.454515 0.579730 1.486024
1 -1.732167 -0.834137 0.458615 -0.803918 -0.468786
2 0.218056 0.199014 0.713468 0.548426 0.386234
3 -0.422079 -0.337024 0.423285 -1.230792 1.328438
4 -1.725307 0.075918 -1.917084 -0.165358 1.076451
5 -0.815768 -0.286753 1.204420 0.733660 -0.062145
6 -0.988209 -1.018152 -0.954173 -0.815390 0.502682
7 -0.100341 0.611962 -0.068503 0.747384 0.143011
8 1.000262 0.342420 -2.252971 0.939211 1.140803
9 2.520647 1.553848 1.722530 0.612701 0.608881
以某列值设置为新的索引
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.set_index(['year', 'month'])
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与Panel
df = pd.DataFrame({'month': [1, 4, 7, 10],
'year': [2012, 2014, 2013, 2014],
'sale':[55, 40, 84, 31]})
df = df.set_index(['year', 'month'])
df.index
#MultiIndex([(2012, 1),
# (2014, 4),
# (2013, 7),
# (2014, 10)],
# names=['year', 'month'])
MultiIndex
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([[2012, 2013, 2014], [1, 4, 7, 10]])
Panel
class pandas.Panel(data=None, items=None, major_axis=None, minor_axis=None, copy=False, dtype=None)
- 存储3维数组的Panel结构
p = pd.Panel(np.arange(24).reshape(4,3,2),
items=list('ABCD'),
major_axis=pd.date_range('20130101', periods=3),
minor_axis=['first', 'second'])
p
<class 'pandas.core.panel.Panel'>
Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis)
Items axis: A to D
Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00
Minor_axis axis: first to second
- items -
axis 0，每个项目对应于内部包含的数据帧(DataFrame)。 - major_axis -
axis 1，它是每个数据帧(DataFrame)的索引(行)。 - minor_axis -
axis 2，它是每个数据帧(DataFrame)的列。
查看panel数据:
p[:,:,"first"]
p["B",:,:]
注：Pandas从版本0.20.0开始弃用：推荐的用于表示3D数据的方法是通过DataFrame上的MultiIndex方法
如果获取DataFrame中某个股票的不同时间数据？这样的结构是什么样的？
Series结构
什么是Series结构呢，我们直接看下面的图：
- series结构只有行索引
我们将之前的涨跌幅数据进行转置，然后获取’股票0’的所有数据
# series
type(data['2017-01-02'])
pandas.core.series.Series
# 这一步相当于是series去获取行索引的值
data['2017-01-02']['股票_0']
-0.18753158283513574
创建series
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])
通过字典数据创建
pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
series获取属性和值
- index
- values
aa = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
aa.index #Index(['red', 'blue', 'green', 'yellow'], dtype='object')
aa.values #array([ 100, 200, 500, 1000], dtype=int64)
基本数据操作
import pandas as pd
#为了更好的理解这些基本操作，我们将读取一个真实的股票数据。关于文件操作，后面在介绍，这里只先用一下API
# 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)
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。
直接使用行列索引
- 直接索引 – 先列后行,是需要通过索引的字符串进行获取
#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]
结合loc或者iloc使用索引
- loc – 先行后列,是需要通过索引的字符串进行获取
- iloc – 先行后列,是通过下标进行索引
# 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
# 2018-02-22 22.25
# Name: open, dtype: float64
# 使用iloc可以通过索引的下标去获取
# 获取前100天数据的'open'列的结果
data.iloc[0:100, 0:2].head()
# open high
# 2018-02-27 23.53 25.88
# 2018-02-26 22.80 23.78
# 2018-02-23 22.88 23.37
# 2018-02-22 22.25 22.76
# 2018-02-14 21.49 21.99
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.
-
data.index[0:4] 获取行索引名称
-
data.columns.get_indexer([‘open’, ‘close’, ‘high’, ‘low’]) 通过列索引名称拿到列索引值
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
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
pandas.sort_values
- 使用df.sort_values(by=, ascending=)
- 单个键或者多个键进行排序,默认升序
- ascending=False:降序
- ascending=True:升序
# 按照涨跌幅大小进行排序 , 使用ascending指定按照大小排序
data = data.sort_values(by='p_change', ascending=False).head()
# open high close low volume price_change p_change turnover
#2015-08-28 15.40 16.46 1 15.00 117827.60 1.50 10.03 4.03
#2015-05-21 27.50 28.22 1 26.50 121190.11 2.57 10.02 4.15
#2016-12-22 18.50 20.42 1 18.45 150470.83 1.86 10.02 3.77
#2015-08-04 16.20 17.35 1 15.80 94292.63 1.58 10.02 3.23
#2016-07-07 18.66 18.66 1 18.41 48756.55 1.70 10.02 1.67
# 按照多个键进行排序
data = data.sort_values(by=['open', 'high'])
# open high close low volume price_change p_change turnover
#2015-08-28 15.40 16.46 1 15.00 117827.60 1.50 10.03 4.03
#2015-08-04 16.20 17.35 1 15.80 94292.63 1.58 10.02 3.23
#2016-12-22 18.50 20.42 1 18.45 150470.83 1.86 10.02 3.77
#2016-07-07 18.66 18.66 1 18.41 48756.55 1.70 10.02 1.67
#2015-05-21 27.50 28.22 1 26.50 121190.11 2.57 10.02 4.15
pandas.sort_index
- 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()
# open high close low volume price_change p_change turnover
#2015-05-21 27.50 28.22 1 26.50 121190.11 2.57 10.02 4.15
#2015-08-04 16.20 17.35 1 15.80 94292.63 1.58 10.02 3.23
#2015-08-28 15.40 16.46 1 15.00 117827.60 1.50 10.03 4.03
#2016-07-07 18.66 18.66 1 18.41 48756.55 1.70 10.02 1.67
#2016-12-22 18.50 20.42 1 18.45 150470.83 1.86 10.02 3.77
series.sort_values
- 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()
#2015-08-04 10.02
#2016-12-22 10.02
#2016-07-07 10.02
#2015-05-21 10.02
#2015-08-28 10.03
#Name: p_change, dtype: float64
series.sort_index
- 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()
#2015-05-21 10.02
#2015-08-04 10.02
#2015-08-28 10.03
#2016-07-07 10.02
#2016-12-22 10.02
#Name: p_change, dtype: float64
DataFrame运算
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)
#2015-08-28 16.40
#2015-08-04 17.20
#2016-12-22 19.50
#2016-07-07 19.66
#2015-05-21 28.50
#Name: open, dtype: float64
sub(other)
如果想要得到每天的涨跌大小？求出每天 close- open价格差
# 1、筛选两列数据
close = data['close']
open1 = data['open']
# 2、收盘价减去开盘价
data['m_price_change'] = close.sub(open1)
data.head()
open high close low volume price_change p_change turnover m_price_change
#2015-08-28 15.40 16.46 1 15.00 117827.60 1.50 10.03 4.03 -14.40
#2015-08-04 16.20 17.35 1 15.80 94292.63 1.58 10.02 3.23 -15.20
#2016-12-22 18.50 20.42 1 18.45 150470.83 1.86 10.02 3.77 -17.50
#2016-07-07 18.66 18.66 1 18.41 48756.55 1.70 10.02 1.67 -17.66
#2015-05-21 27.50 28.22 1 26.50 121190.11 2.57 10.02 4.15 -26.50
逻辑运算
逻辑运算符号<、 >、|、 &
例如筛选p_change > 2的日期数据
- data[‘p_change’] > 2返回逻辑结果
data['p_change'] > 2
#2015-08-28 True
#2015-08-04 True
#2016-12-22 True
#2016-07-07 True
#2015-05-21 True
#Name: p_change, dtype: bool
# 逻辑判断的结果可以作为筛选的依据
data[data['p_change'] > 2]
#open high close low volume price_change p_change turnover m_price_change
#2015-08-28 15.40 16.46 1 15.00 117827.60 1.50 10.03 4.03 -14.40
#2015-08-04 16.20 17.35 1 15.80 94292.63 1.58 10.02 3.23 -15.20
#2016-12-22 18.50 20.42 1 18.45 150470.83 1.86 10.02 3.77 -17.50
#2016-07-07 18.66 18.66 1 18.41 48756.55 1.70 10.02 1.67 -17.66
#2015-05-21 27.50 28.22 1 26.50 121190.11 2.57 10.02 4.15 -26.50
- 完成一个多个逻辑判断， 筛选p_change > 2并且open > 15
data[(data['p_change'] > 2) & (data['open'] > 15)]
# open high close low volume price_change p_change turnover m_price_change
#2015-08-28 15.40 16.46 1 15.00 117827.60 1.50 10.03 4.03 -14.40
#2015-08-04 16.20 17.35 1 15.80 94292.63 1.58 10.02 3.23 -15.20
#2016-12-22 18.50 20.42 1 18.45 150470.83 1.86 10.02 3.77 -17.50
#2016-07-07 18.66 18.66 1 18.41 48756.55 1.70 10.02 1.67 -17.66
#2015-05-21 27.50 28.22 1 26.50 121190.11 2.57 10.02 4.15 -26.50
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("p_change > 2 & open > 15")
- isin(values)
例如判断’turnover’是否为4.03,3.23
# 可以指定值进行一个判断，从而进行筛选操作
data[data['turnover'].isin([4.03,3.23])]
# open high close low volume price_change p_change turnover m_price_change
#2015-08-28 15.4 16.46 1 15.0 117827.60 1.50 10.03 4.03 -14.4
#2015-08-04 16.2 17.35 1 15.8 94292.63 1.58 10.02 3.23 -15.2
统计运算
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()
#open high close low volume price_change p_change turnover m_price_change
#count 5.000000 5.000000 5.0 5.000000 5.000000 5.000000 5.000000 5.000000 5.000000
#mean 19.252000 20.222000 1.0 18.832000 106507.544000 1.842000 10.022000 3.370000 -18.252000
#std 4.824367 4.712963 0.0 4.555203 37950.208695 0.428976 0.004472 1.014101 4.824367
#min 15.400000 16.460000 1.0 15.000000 48756.550000 1.500000 10.020000 1.670000 -26.500000
#25% 16.200000 17.350000 1.0 15.800000 94292.630000 1.580000 10.020000 3.230000 -17.660000
#50% 18.500000 18.660000 1.0 18.410000 117827.600000 1.700000 10.020000 3.770000 -17.500000
#75% 18.660000 20.420000 1.0 18.450000 121190.110000 1.860000 10.020000 4.030000 -15.200000
#max 27.500000 28.220000 1.0 26.500000 150470.830000 2.570000 10.030000 4.150000 -14.400000
统计函数
Numpy当中已经详细介绍，在这里我们演示min(最小值), max(最大值), mean(平均值), median(中位数), var(方差), std(标准差),mode(众数)结果,
count | Number of non-NA observations |
|---|---|
sum | Sum of values |
mean | Mean of values |
median | Arithmetic median of values |
min | Minimum |
max | Maximum |
mode | Mode |
abs | Absolute Value |
prod | Product of values |
std | Bessel-corrected sample standard deviation |
var | Unbiased variance |
idxmax | compute the index labels with the maximum |
idxmin | compute the index labels with the minimum |
对于单个函数去进行统计的时候，坐标轴还是按照这些默认为“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 27.50
high 28.22
close 1.00
low 26.50
volume 150470.83
price_change 2.57
p_change 10.03
turnover 4.15
m_price_change -14.40
dtype: float64
data.min(0)
open 15.40
high 16.46
close 1.00
low 15.00
volume 48756.55
price_change 1.50
p_change 10.02
turnover 1.67
m_price_change -26.50
dtype: float64
- std()、var()
# 方差
data.var(0)
open 2.327452e+01
high 2.221202e+01
close 0.000000e+00
low 2.074987e+01
volume 1.440218e+09
price_change 1.840200e-01
p_change 2.000000e-05
turnover 1.028400e+00
m_price_change 2.327452e+01
dtype: float64
# 标准差
data.std(0)
open 4.824367
high 4.712963
close 0.000000
low 4.555203
volume 37950.208695
price_change 0.428976
p_change 0.004472
turnover 1.014101
m_price_change 4.824367
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。
df = pd.DataFrame({'COL1' : [2,3,4,5,4,2],
'COL2' : [0,1,2,3,4,2]})
df.median()
COL1 3.5
COL2 2.0
dtype: float64
- idxmax()、idxmin()
# 求出最大值的位置
data.idxmax(axis=0)
open 2015-05-21
high 2015-05-21
close 2015-08-28
low 2015-05-21
volume 2016-12-22
price_change 2015-05-21
p_change 2015-08-28
turnover 2015-05-21
m_price_change 2015-08-28
dtype: object
# 求出最小值的位置
data.idxmin(axis=0)
open 2015-08-28
high 2015-08-28
close 2015-08-28
low 2015-08-28
volume 2016-07-07
price_change 2015-08-28
p_change 2015-08-04
turnover 2016-07-07
m_price_change 2015-05-21
dtype: object
累计统计函数
| 函数 | 作用 |
|---|---|
cumsum | 计算前1/2/3/…/n个数的和 |
cummax | 计算前1/2/3/…/n个数的最大值 |
cummin | 计算前1/2/3/…/n个数的最小值 |
cumprod | 计算前1/2/3/…/n个数的积 |
那么这些累计统计函数怎么用？
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()
2015-05-21 10.02
2015-08-04 20.04
2015-08-28 30.07
2016-07-07 40.09
2016-12-22 50.11
Name: p_change, dtype: float64
那么如何让这个连续求和的结果更好的显示呢？
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()
关于plot，稍后会介绍API的选择
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 12.1
close 0.0
dtype: float64
Pandas画图
pandas.DataFrame.plot
DataFrame.plot(x=None, y=None, kind=‘line’)- x : label or position, default None
- y : label, position or list of label, positions, default None
- Allows plotting of one column versus another
- kind : str
- ‘line’ : line plot (default)
- ‘bar’ : vertical bar plot
- ‘barh’ : horizontal bar plot
- 关于“barh”的解释：
- http://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.barh.html
- ‘hist’ : histogram
- ‘pie’ : pie plot
- ‘scatter’ : scatter plot
更多参数细节：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html?highlight=plot#pandas.DataFrame.plot
pandas.Series.plot
更多参数细节：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.plot.html?highlight=plot#pandas.Series.plot
文件读取与存储
们的数据大部分存在于文件当中，所以pandas会支持复杂的IO操作，pandas的API支持众多的文件格式，如CSV、SQL、XLS、JSON、HDF5。
注：最常用的HDF5和CSV文件
CSV
read_csv
pandas.read_csv(filepath_or_buffer, sep =’,’ )
- filepath_or_buffer:文件路径
- usecols:指定读取的列名，列表形式
读取之前的股票的数据
# 读取文件,并且指定只获取'open', 'close'指标
data = pd.read_csv("../data/stock_day.csv", usecols=['open', 'close'])
open close
2018-02-27 23.53 24.16
2018-02-26 22.80 23.53
2018-02-23 22.88 22.82
2018-02-22 22.25 22.28
2018-02-14 21.49 21.92
... ... ...
2015-03-06 13.17 14.28
2015-03-05 12.88 13.16
2015-03-04 12.80 12.90
2015-03-03 12.52 12.70
2015-03-02 12.25 12.52
643 rows × 2 columns
to_csv
DataFrame.to_csv(path_or_buf=None, sep=’, ’, columns=None, header=True, index=True, mode=‘w’, encoding=None)
- path_or_buf :string or file handle, default None
- sep :character, default ‘,’
- columns :sequence, optional
- mode:‘w’：重写, ‘a’ 追加
- index:是否写进行索引
- header :boolean or list of string, default True,是否写进列索引值
保存’open’列的数据
# 选取10行数据保存,便于观察数据
data[:10].to_csv("../data/test.csv", columns=['open'])
读取，查看结果
pd.read_csv("../data/test.csv")
Unnamed: 0 open
0 2018-02-27 23.53
1 2018-02-26 22.80
2 2018-02-23 22.88
3 2018-02-22 22.25
4 2018-02-14 21.49
5 2018-02-13 21.40
6 2018-02-12 20.70
7 2018-02-09 21.20
8 2018-02-08 21.79
9 2018-02-07 22.69
会发现将索引存入到文件当中，变成单独的一列数据。如果需要删除，可以指定index参数,删除原来的文件，重新保存一次。
# index:存储不会将索引值变成一列数据
data[:10].to_csv("../data/test.csv", columns=['open'], index=False)
pd.read_csv("../data/test.csv")
open
0 23.53
1 22.80
2 22.88
3 22.25
4 21.49
5 21.40
6 20.70
7 21.20
8 21.79
9 22.69
HDF5
read_hdf
to_hdf
HDF5文件的读取和存储需要指定一个键，值为要存储的DataFrame
-
pandas.read_hdf(path_or_buf，key =None，** kwargs)
从h5文件当中读取数据
- path_or_buffer:文件路径
- key:读取的键
- return:Theselected object
-
DataFrame.to_hdf(path_or_buf, key, **kwargs)
#读取文件
day_eps_ttm = pd.read_hdf("../data/stock_data/day/day_eps_ttm.h5")
#存储文件
day_eps_ttm.to_hdf("../data/test.h5", key="day_eps_ttm")
#再次读取的时候, 需要指定键的名字
new_eps = pd.read_hdf("../data/test.h5", key="day_eps_ttm")
ImportError:HDFStore requires PyTables,"No module named ‘tables’"problem importing
需要安装安装tables模块避免不能读取HDF5文件
pip install tables
JSON
JSON是我们常用的一种数据交换格式，前面在前后端的交互经常用到，也会在存储的时候选择这种格式。所以我们需要知道Pandas如何进行读取和存储JSON格式。
read_json
pandas.read_json(path_or_buf=None, orient=None, typ=‘frame’, lines=False)
-
将JSON格式准换成默认的Pandas DataFrame格式
-
orient : string,Indication of expected JSON string format.
-
‘split’ : dict like {index -> [index], columns -> [columns], data -> [values]}
- split 将索引总结到索引，列名到列名，数据到数据。将三部分都分开了
-
‘records’ : list like [{column -> value}, … , {column -> value}]
- records 以
columns：values的形式输出
- records 以
-
‘index’ : dict like {index -> {column -> value}}
- index 以
index：{columns：values}...的形式输出
- index 以
-
‘columns’ : dict like {column -> {index -> value}}
,默认该格式
- colums 以
columns:{index:values}的形式输出
- colums 以
-
‘values’ : just the values array
- values 直接输出值
-
-
lines : boolean, default False
- 按照每行读取json对象
-
typ : default ‘frame’， 指定转换成的对象类型series或者dataframe
#这里使用一个新闻标题讽刺数据集，格式为json。`is_sarcastic`：1讽刺的，否则为0；`headline`：新闻报道的标题；`article_link`：链接到原始新闻文章。存储格式为：
{"article_link": "https://www.huffingtonpost.com/entry/versace-black-code_us_5861fbefe4b0de3a08f600d5", "headline": "former versace store clerk sues over secret 'black code' for minority shoppers", "is_sarcastic": 0}
{"article_link": "https://www.huffingtonpost.com/entry/roseanne-revival-review_us_5ab3a497e4b054d118e04365", "headline": "the 'roseanne' revival catches up to our thorny political mood, for better and worse", "is_sarcastic": 0}
orient指定存储的json格式，lines指定按照行去变成一个样本
json_read = pd.read_json("../data/Sarcasm_Headlines_Dataset.json", orient="records", lines=True)
to_json
json_read.to_json("../data/test.json", orient='records')
#[{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0},{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1},{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/advancing-the-worlds-women_b_6810038.html","headline":"advancing the world's women","is_sarcastic":0},....]
- 修改lines参数为True
json_read.to_json("./data/test.json", orient='records', lines=True)
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0}
{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1}
{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0}...
拓展
优先选择使用HDF5文件存储
- HDF5在存储的时候支持压缩，使用的方式是blosc，这个是速度最快的也是pandas默认支持的
- 使用压缩可以提磁盘利用率，节省空间
- HDF5还是跨平台的，可以轻松迁移到hadoop 上面
高级处理-缺失值处理
如何处理nan
- 判断数据是否为NaN：
- pd.isnull(df),
- pd.notnull(df)
- 处理方式：
- 存在缺失值nan,并且是np.nan:
- 1、删除存在缺失值的:dropna(axis=‘rows’)
- 注：不会修改原数据，需要接受返回值
- 2、替换缺失值:fillna(value, inplace=True)
- value:替换成的值
- inplace:True:会修改原数据，False:不替换修改原数据，生成新的对象
- 1、删除存在缺失值的:dropna(axis=‘rows’)
- 不是缺失值nan，有默认标记的
- 存在缺失值nan,并且是np.nan:
电影数据的缺失值处理
- 电影数据文件获取
# 读取电影数据
movie = pd.read_csv("../data/IMDB-Movie-Data.csv")
pd.notnull()
判断缺失值是否存在
pd.notnull(movie)
import numpy as np
np.all(pd.notnull(movie))
#False
存在缺失值nan,并且是np.nan
- 1、删除
pandas删除缺失值，使用dropna的前提是，缺失值的类型必须是np.nan
# 不修改原数据
movie.dropna()
# 可以定义新的变量接受或者用原来的变量名
data = movie.dropna()
- 2、替换缺失值
# 替换存在缺失值的样本的两列
# 替换填充平均值，中位数
movie['Revenue (Millions)'].fillna(movie['Revenue (Millions)'].mean(), inplace=True)
替换所有缺失值：
for i in movie.columns:
if np.all(pd.notnull(movie[i])) == False:
print(i)
movie[i].fillna(movie[i].mean(), inplace=True)
不是缺失值nan，有默认标记的
数据是这样的：
wis = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data")
#以上数据在读取时，可能会报如下错误：
URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:833)>
解决办法：
# 全局取消证书验证
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
处理思路分析：
df.replace()
- 1、先替换‘?’为np.nan
- df.replace(to_replace=, value=)
- to_replace:替换前的值
- value:替换后的值
- df.replace(to_replace=, value=)
# 把一些其它值标记的缺失值，替换成np.nan
wis = wis.replace(to_replace='?', value=np.nan)
- 2、在进行缺失值的处理
# 删除
wis = wis.dropna()
高级处理-数据离散化
为什么要离散化
连续属性离散化的目的是为了简化数据结构，数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。
什么是数据的离散化
连续属性的离散化就是在连续属性的值域上，将值域划分为若干个离散的区间，最后用不同的符号或整数 值代表落在每个子区间中的属性值。
离散化有很多种方法，这使用一种最简单的方式去操作
- 原始人的身高数据：165，174，160，180，159，163，192，184
- 假设按照身高分几个区间段：150 ~ 165, 165 ~ 180,180 ~ 195
这样我们将数据分到了三个区间段，我可以对应的标记为矮、中、高三个类别，最终要处理成一个"哑变量"矩阵
股票的涨跌幅离散化
我们对股票每日的"p_change"进行离散化
读取股票的数据
data = pd.read_csv("../data/stock_day.csv")
p_change= data['p_change']
将股票涨跌幅数据进行分组
pd.qcut(data, bins)
series.value_counts()
使用的工具：
- pd.qcut(data, bins)：
- 对数据进行分组将数据分组 一般会与value_counts搭配使用，统计每组的个数
- series.value_counts()：统计分组次数
# 自行分组
qcut = pd.qcut(p_change, 10)
2018-02-27 (1.738, 2.938]
2018-02-26 (2.938, 5.27]
2018-02-23 (1.738, 2.938]
2018-02-22 (0.94, 1.738]
2018-02-14 (1.738, 2.938]
...
2015-03-06 (5.27, 10.03]
2015-03-05 (1.738, 2.938]
2015-03-04 (0.94, 1.738]
2015-03-03 (0.94, 1.738]
2015-03-02 (1.738, 2.938]
Name: p_change, Length: 643, dtype: category
Categories (10, interval[float64]): [(-10.030999999999999, -4.836] < (-4.836, -2.444] < (-2.444, -1.352] < (-1.352, -0.462] ... (0.94, 1.738] < (1.738, 2.938] < (2.938, 5.27] < (5.27, 10.03]]
# 计算分到每个组数据个数
qcut.value_counts()
(5.27, 10.03] 65
(0.26, 0.94] 65
(-0.462, 0.26] 65
(-10.030999999999999, -4.836] 65
(2.938, 5.27] 64
(1.738, 2.938] 64
(-1.352, -0.462] 64
(-2.444, -1.352] 64
(-4.836, -2.444] 64
(0.94, 1.738] 63
Name: p_change, dtype: int64
pd.cut(data, bins)
自定义区间分组：
- pd.cut(data, bins)
# 自己指定分组区间
bins = [-100, -7, -5, -3, 0, 3, 5, 7, 100]
p_counts = pd.cut(p_change, bins)
2018-02-27 (0, 3]
2018-02-26 (3, 5]
2018-02-23 (0, 3]
2018-02-22 (0, 3]
2018-02-14 (0, 3]
...
2015-03-06 (7, 100]
2015-03-05 (0, 3]
2015-03-04 (0, 3]
2015-03-03 (0, 3]
2015-03-02 (0, 3]
Name: p_change, Length: 643, dtype: category
Categories (8, interval[int64]): [(-100, -7] < (-7, -5] < (-5, -3] < (-3, 0] < (0, 3] < (3, 5] < (5, 7] < (7, 100]]
p_counts.value_counts()
(0, 3] 215
(-3, 0] 188
(3, 5] 57
(-5, -3] 51
(7, 100] 35
(5, 7] 35
(-100, -7] 34
(-7, -5] 28
Name: p_change, dtype: int64
股票涨跌幅分组数据变成one-hot编码
- 什么是one-hot编码
把每个类别生成一个布尔列，这些列中只有一列可以为这个样本取值为1.其又被称为热编码。
把下图中左边的表格转化为使用右边形式进行表示
pandas.get_dummies()
pandas.get_dummies(data, prefix=None)
- data:array-like, Series, or DataFrame
- prefix:分组名字
# 得出one-hot编码矩阵
dummies = pd.get_dummies(p_counts, prefix="rise")
高级处理-合并
pd.concat
- pd.concat([data1, data2], axis=1)
- 按照行或列进行合并,axis=0为列索引，axis=1为行索引
比如我们将刚才处理好的one-hot编码与原数据合并
pd.merge
pd.merge(left, right, how=‘inner’, on=None, left_on=None, right_on=None)
- 可以指定按照两组数据的共同键值对合并或者左右各自
left: A DataFrame objectright: Another DataFrame object- how – 以何种方式连接
on: Columns (names) to join on. Must be found in both the left and right DataFrame objects.连接的键的依据是哪几个- left_on=None, right_on=None：指定左右键
| Merge method | SQL Join Name | Description |
|---|---|---|
left | LEFT OUTER JOIN | Use keys from left frame only |
right | RIGHT OUTER JOIN | Use keys from right frame only |
outer | FULL OUTER JOIN | Use union of keys from both frames |
inner | INNER JOIN | Use intersection of keys from both frames |
left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})
# 默认内连接
result = pd.merge(left, right, on=['key1', 'key2'])
- 左连接
result = pd.merge(left, right, how='left', on=['key1', 'key2'])
- 右连接
result = pd.merge(left, right, how='right', on=['key1', 'key2'])
- 外链接
result = pd.merge(left, right, how='outer', on=['key1', 'key2'])
高级处理-交叉表与透视表
交叉表与透视表什么作用
探究股票的涨跌与星期几有关？
以下图当中表示，week代表星期几，1,0代表这一天股票的涨跌幅是好还是坏，里面的数据代表比例
可以理解为所有时间为星期一等等的数据当中涨跌幅好坏的比例
pd.crosstab()
使用crosstab(交叉表)实现上图
交叉表：交叉表用于计算一列数据对于另外一列数据的分组个数(寻找两个列之间的关系)
- pd.crosstab(value1, value2)返回具体数量
案例分析
# 准备两列数据，星期数据以及涨跌幅是好是坏数据
# 进行交叉表计算
# 寻找星期几跟股票张得的关系
# 1、先把对应的日期找到星期几
date = pd.to_datetime(data.index).weekday
data['week'] = date
# 2、假如把p_change按照大小去分个类0为界限
data['posi_neg'] = np.where(data['p_change'] > 0, 1, 0)
# 通过交叉表找寻两列数据的关系
count = pd.crosstab(data['week'], data['posi_neg'])
但是我们看到count只是每个星期日子的好坏天数，并没有得到比例，该怎么去做？
- 对于每个星期一等的总天数求和，运用除法运算求出比例
# 算数运算，先求和
sum = count.sum(axis=1).astype(np.float32)
# 进行相除操作，得出比例
pro = count.div(sum, axis=0)
使用plot画出这个比例，使用stacked的柱状图
pro.plot(kind='bar', stacked=True)
plt.show()
pivot_table
- DataFrame.pivot_table([], index=[])
使用pivot_table(透视表)实现
# 通过透视表，将整个过程变成更简单一些
data.pivot_table(['posi_neg'], index='week')
高级处理-分组与聚合
分组与聚合通常是分析数据的一种方式，通常与一些统计函数一起使用，查看数据的分组情况
想一想其实刚才的交叉表与透视表也有分组的功能，所以算是分组的一种形式，只不过他们主要是计算次数或者计算比例！！看其中的效果：
什么分组与聚合
分组API
DataFrame.groupby
- DataFrame.groupby(key, as_index=False)
- key:分组的列数据，可以多个
- 案例:不同颜色的不同笔的价格数据
col =pd.DataFrame({'color': ['white','red','green','red','green'], 'object': ['pen','pencil','pencil','ashtray','pen'],'price1':[5.56,4.20,1.30,0.56,2.75],'price2':[4.75,4.12,1.60,0.75,3.15]})
color object price1 price2
0 white pen 5.56 4.75
1 red pencil 4.20 4.12
2 green pencil 1.30 1.60
3 red ashtray 0.56 0.75
4 green pen 2.75 3.15
- 进行分组，对颜色分组，price进行聚合
# 分组，求平均值
col.groupby(['color'])['price1'].mean()
col['price1'].groupby(col['color']).mean()
color
green 2.025
red 2.380
white 5.560
Name: price1, dtype: float64
# 分组，数据的结构不变
col.groupby(['color'], as_index=False)['price1'].mean()
color price1
0 green 2.025
1 red 2.380
2 white 5.560
星巴克零售店铺数据
现在我们有一组关于全球星巴克店铺的统计数据，如果我想知道美国的星巴克数量和中国的哪个多，或者我想知道中国每个省份星巴克的数量的情况，那么应该怎么办？
数据来源：https://www.kaggle.com/starbucks/store-locations/data
# 导入星巴克店的数据
starbucks = pd.read_csv("../data/starbucks/directory.csv")
# 按照国家分组，求出每个国家的星巴克零售店数量
count = starbucks.groupby(['Country']).count()
#画图显示结果
count['Brand'].plot(kind='bar', figsize=(20, 8))
plt.show()
#假设我们加入省市一起进行分组
# 设置多个索引，set_index()
starbucks.groupby(['Country', 'State/Province']).count()
仔细观察这个结构，与我们前面讲的哪个结构类似？？
与前面的MultiIndex结构类似
电影数据分析案例
现在我们有一组从2006年到2016年1000部最流行的电影数据，数据来源：https://www.kaggle.com/damianpanek/sunday-eda/data
- 问题1：我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？
- 问题2：对于这一组电影数据，如果我们想rating，runtime的分布情况，应该如何呈现数据？
- 问题3：对于这一组电影数据，如果我们希望统计电影分类(genre)的情况，应该如何处理数据？
首先获取导入包，获取数据
%matplotlib inline
#%matplotlib inline 可以在Ipython编译器里直接使用，功能是可以内嵌绘图，并且可以省略掉plt.show()
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
#文件的路径
path = "../data/IMDB-Movie-Data.csv"
#读取文件
df = pd.read_csv(path)
问题一
我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？
#得出评分的平均分
#使用mean函数
df["Rating"].mean()
#得出导演人数信息
#求出唯一值，然后进行形状获取
## 导演的人数
# df["Director"].unique().shape[0]
np.unique(df["Director"]).shape[0]
644
问题二
对于这一组电影数据，如果我们想Rating，Runtime (Minutes)的分布情况，应该如何呈现数据？
#直接呈现，以直方图的形式
#选择分数列数据，进行plot
df["Rating"].plot(kind='hist',figsize=(20,8))
- Rating进行分布展示
#进行绘制直方图
plt.figure(figsize=(20,8),dpi=80)
plt.hist(df["Rating"].values,bins=20)
#修改刻度的间隔
# 求出最大最小值
max_ = df["Rating"].max()
min_ = df["Rating"].min()
# 生成刻度列表
t1 = np.linspace(min_,max_,num=21)
# [ 1.9 2.255 2.61 2.965 3.32 3.675 4.03 4.385 4.74 5.095 5.45 5.805 6.16 6.515 6.87 7.225 7.58 7.935 8.29 8.645 9. ]
# 修改刻度
plt.xticks(t1)
# 添加网格
plt.grid()
plt.show()
- Runtime (Minutes)进行分布展示
#进行绘制直方图
plt.figure(figsize=(20,8),dpi=80)
plt.hist(df["Runtime (Minutes)"].values,bins=20)
#修改间隔
# 求出最大最小值
max_ = df["Runtime (Minutes)"].max()
min_ = df["Runtime (Minutes)"].min()
# # 生成刻度列表
t1 = np.linspace(min_,max_,num=21)
# 修改刻度
plt.xticks(np.linspace(min_,max_,num=21))
# 添加网格
plt.grid()
plt.show()
问题三
对于这一组电影数据，如果我们希望统计电影分类(genre)的情况，应该如何处理数据？
- 思路分析
- 思路
- 1、创建一个全为0的dataframe，列索引置为电影的分类，temp_df
- 2、遍历每一部电影，temp_df中把分类出现的列的值置为1
- 3、求和
- 思路
- 1、创建一个全为0的dataframe，列索引置为电影的分类，temp_df
# 进行字符串分割
temp_list = [i.split(",") for i in df["Genre"]]
# 获取电影的分类
genre_list = np.unique([i for j in temp_list for i in j])
# 增加新的列
temp_df = pd.DataFrame(np.zeros([df.shape[0],genre_list.shape[0]]),columns=genre_list)
- 2、遍历每一部电影，temp_df中把分类出现的列的值置为1
for i in range(1000):
#temp_list[i] ['Action','Adventure','Animation']
temp_df.loc[temp_df.index[i],temp_list[i]]=1
print(temp_df.sum().sort_values())
- 3、求和,绘图
temp_df.sum().sort_values(ascending=False).plot(kind="bar",figsize=(20,8),fontsize=20,colormap="cool")
Musical 5.0
Western 7.0
War 13.0
Music 16.0
Sport 18.0
History 29.0
Animation 49.0
Family 51.0
Biography 81.0
Fantasy 101.0
Mystery 106.0
Horror 119.0
Sci-Fi 120.0
Romance 141.0
Crime 150.0
Thriller 195.0
Adventure 259.0
Comedy 279.0
Action 303.0
Drama 513.0
dtype: float64
扫一扫
94
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
