12月组队学习——JoyfulPandas第二章思维导图

第二章 Pandas基础

第二章Pandas基础网页版链接

学习时间：

12月17日—12月19日 （3天）

学习目录：

一、文件的读取和写入

1.1 文件读取

在Git上下载数据集：下载Data数据集
进行一个实战操作：读取csv、txt、xlsx文件

公共参数：

header=None表示第一行不作为列名
index_col表示把某一列或几列作为索引，索引的内容将会在第三章进行详述
usecols表示读取列的集合，默认读取所有的列
parse_dates表示需要转化为时间的列
nrows表示读取的数据行数。上面这些参数在上述的三个函数里都可以使用。

注意：

在读取txt文件时，经常遇到分隔符非空格的情况，read_table有一个分割参数sep，它使得用户可以自定义分割符号，进行txt数据的读取。

1.1.1 sep是正则参数

在使用read_table的时候需要注意，参数sep中使用的是正则表达式
因此需要对|进行转义变成|，否则无法读取到正确的结果。

1.2 数据写入

一般在数据写入中，最常用的操作是把index设置为False，特别当索引没有特殊意义的时候，这样的行为能把索引在保存的时候去除。

df_csv.to_csv('../data/my_csv_saved.csv', index=False)
df_excel.to_excel('../data/my_excel_saved.xlsx', index=False)

如果想要把表格快速转换为markdown和latex语言，可以使用to_markdown和to_latex函数，此处需要安装tabulate包。

这里有两种办法：

print(df_csv.to_markdown()) #转化为markdown
print(df_csv.to_latex()) #转化为latex

二、基本数据结构

pandas中具有两种基本的数据存储结构
存储一维values的Series
存储二维values的DataFrame

2.1 Series

Series一般由四个部分组成：

• 序列的值data

• 索引index

• 存储类型dtype

• 序列的名字name

其中，索引也可以指定它的名字，默认为空。
对于这些属性，可以通过 . 的方式来获取

• s.values
• s.index
• s.dtype
• s.name

利用.shape可以获取序列的长度 ：s.shape

索引是pandas中最重要的概念之一，如果想要取出单个索引对应的值，可以通过**[index_item]可以取出**。

注意：

object类型

object代表了一种混合类型，正如上面的例子中存储了整数、字符串以及Python的字典数据结构。

2.2 DataFrame

• DataFrame在Series的基础上增加了列索引，一个数据框可以由二维的data与行列索引来构造
• 更多的时候会采用从列索引名到数据的映射来构造数据框，同时再加上行索引
• 由于这种映射关系，在DataFrame中可以用**[col_name]与[col_list]来取出相应的列与由多个列组成的表**，结果分别为Series和DataFrame
• 通过**.T可以把DataFrame进行转置**
• 与Series类似，在数据框中同样可以取出相应的属性

三、常用基本函数

3.1 汇总函数

1. head, tail函数分别表示返回表或者序列的前n行和后n行.
2. info, describe分别返回表的信息概况和表中数值列对应的主要统计量
3. info, describe只能实现较少信息的展示，如果想要对一份数据集进行全面且有效的观察，特别是在列较多的情况下，推荐使用pandas-profiling包

3.2 特征统计函数

在Series和DataFrame上定义了许多统计函数，最常见的是sum, mean, median, var, std, max, min、quantile, count, idxmax

• sum：求总和
• mean：求平均
• median：求中位数
• var：
• std：
• max：最大
• min：最小
• quantile,：分位数
• count,：非缺失值个数
• idxmax：最大值对应的索引

上面这些所有的函数，由于操作后返回的是标量，所以又称为聚合函数，它们有一个公共参数axis，默认为0代表逐列聚合，如果设置为1则表示逐行聚合

3.3 唯一值函数

• 对序列使用unique和nunique可以分别得到其唯一值组成的列表和唯一值的个数
• value_counts可以得到唯一值和其对应出现的频数
• 如果想要观察多个列组合的唯一值，可以使用drop_duplicates。其中的关键参数是keep，默认值first表示每个组合保留第一次出现的所在行，last表示保留最后一次出现的所在行，False表示把所有重复组合所在的行剔除
• 此外，duplicated和drop_duplicates的功能类似，但前者返回了是否为唯一值的布尔列表，其keep参数与后者一致。其返回的序列，把重复元素设为True，否则为False。 drop_duplicates等价于把duplicated为True的对应行剔除

3.4 替换函数

• 一般而言，替换操作是针对某一个列进行的，因此下面的例子都以Series举例。pandas中的替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。
• 在replace中，可以通过字典构造，或者传入两个列表来进行替换
• 另外，replace还有一种特殊的方向替换，指定method参数为ffill则为用前面一个最近的未被替换的值进行替换，bfill则使用后面最近的未被替换的值进行替换
• 正则替换请使用str.replace，虽然对于replace而言可以使用正则替换，但是当前版本下对于string类型的正则替换还存在bug，因此如有此需求，请选择str.replace进行替换操作
• 逻辑替换包括了where和mask，这两个函数是完全对称的：where函数在传入条件为False的对应行进行替换，而mask在传入条件为True的对应行进行替换，当不指定替换值时，替换为缺失值。

注意：

传入的条件只需是与被调用的Series索引一致的布尔序列即可
数值替换包含了round, abs, clip方法，它们分别表示取整、取绝对值和截断

3.5 排序函数

排序共有两种方式，其一为值排序，其二为索引排序，对应的函数是sort_values和sort_index。

3.6 apply方法

apply方法常用于DataFrame的行迭代或者列迭代，它的axis含义与统计聚合函数一致，apply的参数往往是一个以序列为输入的函数。

• 可以利用lambda表达式使得书写简洁，若指定axis=1，那么每次传入函数的就是行元素组成的Series，其结果与之前的逐行均值结果一致
• 谨慎使用apply，apply的自由度很高，但这是以性能为代价的。一般而言，使用pandas的内置函数处理和apply来处理同一个任务，其速度会相差较多，因此只有在确实存在自定义需求的情境下才考虑使用apply。

四、窗口对象

• 滑动窗口rolling
• 扩张窗口expanding
• 指数加权窗口ewm

4.1 滑窗对象

• 要使用滑窗函数，就必须先要对一个序列使用.rolling得到滑窗对象，其最重要的参数为窗口大小window。
• 在得到了滑窗对象后，能够使用相应的聚合函数进行计算，需要注意的是窗口包含当前行所在的元素
• shift, diff, pct_change是一组类滑窗函数，它们的公共参数为periods=n，默认为1，分别表示取向前第n个元素的值、与向前第n个元素做差（与Numpy中不同，后者表示n阶差分）、与向前第n个元素相比计算增长率

4.2 扩张窗口

扩张窗口又称累计窗口，可以理解为一个动态长度的窗口,其窗口的大小就是从序列开始处到具体操作的对应位置,其使用的聚合函数会作用于这些逐步扩张的窗口上。

• 具体地说，设序列为a1, a2, a3, a4，则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]

五、练习

练习题部分还没有写，做完之后再更新，这次学习了一些编辑器排版，博客比之前写的方便查看了。思维导图部分还没有做完，完成后会添加到文末。