pandas
导入pandas:
# 数据分析有三剑客,三个模块
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
# 前两个属于数据分析,展示数据,画图,一图顶千言
import matplotlib.pyplot as plt
# 如果大家用的自己的ubuntu或者用的windows系统尽心数据分心,使用plt.imshow(显示图片,图片没有出来)
# 添加魔法指令
%matplotlib inline #将这个模块加载到当前代码中
Series
Series是一种类似与一维数组的对象,由两个部分组成:
- values:一组数据(ndarray)
- index:相关的数据索引标签
Series的创建
两种创建方式:
- 由列表或numpy数组创建
# numpy数组创建
nd = np.random.randint(0,150,size=10)
s = Series(nd)
# 列表创建
l = list('qwertyuio')
s = Series(l)
# 通过设置index参数指定索引
l = [1,2,3,4,5]
#s = Series(l,index=list('abcde'))
s = Series(l,index=['a','b','c','d','e'])
# name参数
s1 = Series(np.random.randint(0,150,size=8),index=list('abcdefg'),name='python')
- 由字典创建
s = Series({'a':1,'b':2,'c':3})
Series的索引和切片
- 显示索引
s1 = Series(np.random.randint(0,150,size=8),index=list('abcdefgh'),name='python')
# 取出s1的一个值
s1['a']
# 取出两个以及以上的值,那么索引必须是一个list
s1[['a','b']]
# 用.loc[]
s1.loc[['a','b']]
- 隐式索引
s1 = Series(np.random.randint(0,150,size=8),index=list('abcdefgh'),name='python')
# 取一个值
s1[0]
# 取两个或以上的值
s1[[0,1]]
# 使用.iloc[]
s1.iloc[0]
s1.iloc[[0,1]]
- 显示切片
显示索引是闭区间,显示索引,即使超出了范围也不会报错,会显示最大的索引
s1 = Series(np.random.randint(0,150,size=8),index=list('abcdefgh'),name='python')
s1['a':'b']
- 隐式切片
s1 = Series(np.random.randint(0,150,size=8),index=list('abcdefgh'),name='python')
s1[0:2]
Series的基本概念
可以把Series看成一个定长的有序字典,可以通过shape,size,index,values等得到series的属性
s1 = Series(np.random.randint(0,150,size=8),index=list('abcdefgh'),name='python')
s1.shape
s1.size
s1.index
s1.values
s1.ndim
可以通过head(),tail()快速查看Series对象的样式
共同都有一个参数n,默认值为5
s1 = Series(np.random.randint(0,150,size=8),index=list('abcdefgh'),name='python')
# 查看前面5个的样式
s1.head()
# 查看前面10个的样式
s1.head(n=10)
# 查看最后5个的样式
s1.tail()
使用pandas读取CSV文件
import pandas as pd
# 读取文件,使用的是pandas,不是使用数据类型
h = pd.read_csv('./AAPL.csv')
当索引没有对应的值时,可能出现缺失数据显示NaN(not a number)的情况
s6 = Series({'a':1,'b':2,'c':np.e,'d':None,'e':np.nan})
s6
# mysql->int->float->object(string)->Null
# msyql中Null的运行效率最低,我们在开发中,对于一些你重要的字段给一个default=0,用户可以不输入 一些值
# Null在统计,分组(where/having)查询的时候效率非常的低
# select name,age from user where id = 1
# select name,age from user hanving id = 1 会报错,having查询的必须是nmae或者age
# null NAN
# NaN在数据计算的时候效率也非常的低下,但是NaN不可避免,因为数据在导入的时候可能加载不完全
# 但是NaN不影响计算
Series的运算
适用于numpy的数组运算也适用于Serie
s1 = Series(np.random.randint(0,150,size=8),index=list('abcdefgh'),name='python')
c = s1 < 98
s1[c]
Series之间的运算
- 在运算中自动对齐不同索引的数据
- 如果索引不对应,则补NaN
- 注意:要想保留所有的index,则需要使用.add()函数
s1 = Series(np.random.randint(0,100,size=8),index=list('qwertyui'))
s2 = Series(np.random.randint(0,100,size=8),index=list('ertyuiop'))
# 两个Series相加
s1 + s2
# 第二种方式
# 我们不需要NaN,所以我们一般都会使用fill_value=0
s1.add(s2,fill_value=0)
DataFrame的创建
最常用的方法是传递一个字典来创建。DataFrame以字典的键作为每一【列】的名称,以字典的值(一个数组)作为每一列。此外,DataFrame会自动加上每一行的索引(和Series一样)。同Series一样,若传入的列与字典的键不匹配,则相应的值为NaN。
# 这是比较现实的数据格式
df = DataFrame({'数学':['100','90','80','70','60'],
'语文':['101','91','81','71','61'],
'python':['102','92','82','72','62']},
index=list('abcde'),
columns = ['数学','语文','python'])
df
df1 = DataFrame(np.random.randint(0,150,size=(5,3)),
index = list('abcde'),
columns=['数学','语文','python'])
df1
DataFrame属性:values、columns、index、shape、ndim、dtypes
df1 = DataFrame(np.random.randint(0,150,size=(5,3)),
index = list('abcde'),
columns=['数学','语文','python'])
# 取得值,返回的是ndarray
df1.values
# 取得行
df1.columns
df.index
# 取得形状
df.shape
# 取得它是几维的
df.ndim
DataFrame的索引
(1) 对列进行索引
- 通过类似字典的方式
- 通过属性的方式
可以将DataFrame的列获取为一个Series。返回的Series拥有原DataFrame相同的索引,且name属性也已经设置好了,就是相应的列名。
df = DataFrame({'数学':['100','90','80','70','60'],
'语文':['101','91','81','71','61'],
'python':['102','92','82','72','62']},
index=['雷军','罗胖子','jackMa','华腾','强东'],
columns = ['数学','语文','python','java'])
# 取得一个列,返回的Series
df['python']
# 取得两个列
df[['python','java']]
# 取得单个值
df['python']['雷军']
# 通过属性的方法
df.python
(2) 对行进行索引
- 使用.loc[]加index来进行行索引
- 使用.iloc[]加整数来进行行索引
同样返回一个Series,index为原来的columns。
df = DataFrame({'数学':['100','90','80','70','60'],
'语文':['101','91','81','71','61'],
'python':['102','92','82','72','62']},
index=['雷军','罗胖子','jackMa','华腾','强东'],
columns = ['数学','语文','python','java'])
# 取得一行的数据,返回的series
df.loc['雷军']
df.loc[['雷军','华腾'],['python','数学']]
(3) 对元素索引的方法
- 使用列索引
- 使用行索引(iloc[3,1]相当于两个参数;iloc[[3,3]] 里面的[3,3]看做一个参数)
- 使用values属性(二维numpy数组)
df = DataFrame({'数学':['100','90','80','70','60'],
'语文':['101','91','81','71','61'],
'python':['102','92','82','72','62']},
index=['雷军','罗胖子','jackMa','华腾','强东'],
columns = ['数学','语文','python','java'])
df.iloc[0,0]
# 这种方式用得比较多,因为比较清晰
df.iloc[0][1]
df.iloc[0:3,0:2]