第二章 Pandas基础
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
- head, tail函数分别表示返回表或者序列的前n行和后n行.
- 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
- 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。