pandas学习-pandas基础知识-task12

一、文件的读取和写入

1. 文件读取
   pandas 可以读取的文件格式有很多，这里主要介绍读取 csv, excel, txt 文件。

df_csv = pd.read_csv("E:/document/python学习笔记/pandas学习/my_csv.csv")
print(df_csv)
df_txt = pd.read_table("E:/document/python学习笔记/pandas学习/my_table.txt")
print(df_txt)
df_excel = pd.read_excel("E:/document/python学习笔记/pandas学习/my_excel.xlsx")
print(df_excel)

这里有一些常用的公共参数， 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，关于时间序列的有关内容将在第十章讲解， 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。

print(pd.read_table("E:/document/python学习笔记/pandas学习/my_table.txt",
                    header=None))
print(pd.read_csv("E:/document/python学习笔记/pandas学习/my_csv.csv",
                  index_col=['col1','col2']))
print(pd.read_table("E:/document/python学习笔记/pandas学习/my_table.txt",
                    usecols=['col1','col2']))
print(pd.read_csv("E:/document/python学习笔记/pandas学习/my_csv.csv",
                  parse_dates=['col5']))
print(pd.read_excel("E:/document/python学习笔记/pandas学习/my_excel.xlsx",nrows=3))

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。例如，下面的读取的表以 |||| 为分割：

print(pd.read_table("E:/document/python学习笔记/pandas学习/my_table_special_sep.txt",
                    sep='\|\|\|\|',engine='python'))

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。
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('E:/document/python学习笔记/pandas学习/my_csv_saved.csv', index=False)
df_excel.to_excel('E:/document/python学习笔记/pandas学习/my_excel_saved.xlsx', index=False)

pandas 中没有定义 to_table 函数，但是 to_csv 可以保存为 txt 文件，并且允许自定义分隔符，常用制表符 \t 分割：

df_txt.to_csv('E:/document/python学习笔记/pandas学习/my_txt_saved.txt', sep='\t',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。

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 和存储二维 values 的 DataFrame ，在这两种结构上定义了很多的属性和方法。

1. Series
   Series 一般由四个部分组成，分别是序列的值 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。

s = pd.Series(data = [100, 'a', {'dic1':5}],
              index = pd.Index(['id1', 20, 'third'], name='my_idx'),
              dtype = 'object',
              name = 'my_name')
s
# my_idx
# id1              100
# 20                 a
# third    {'dic1': 5}
# Name: my_name, dtype: object

**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。此外，目前 pandas 把纯字符串序列也默认认为是一种 object 类型的序列，但它也可以用 string 类型存储**
对于这些属性，可以通过 . 的方式来获取：

print(s.values)
# [100 'a' {'dic1': 5}]
print(s.index)
# Index(['id1', 20, 'third'], dtype='object', name='my_idx')
print(s.dtype)
# object
print(s.name)
# my_name

利用 .shape 可以获取序列的长度：

print(s.shape)
# (3,)

如果想要取出单个索引对应的值，可以通过 [index_item] 可以取出。

s['third']
# {'dic1': 5}

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：

data = [[1, 'a', 1.2], [2, 'b', 2.2], [3, 'c', 3.2]]
df = pd.DataFrame(data = data,
                  index = ['row_%d'%i for i in range(3)],
                  columns=['col_0', 'col_1', 'col_2'])
df

但一般而言，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：

df = pd.DataFrame(data = {'col_0': [1,2,3], 'col_1':list('abc'),'col_2': [1.2, 2.2, 3.2]},
                  index = ['row_%d'%i for i in range(3)])

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 ：

print(df['col_0'])
# row_0    1
# row_1    2
# row_2    3
# Name: col_0, dtype: int64
print(df[['col_0','col_1']])
#        col_0 col_1
# row_0      1     a
# row_1      2     b
# row_2      3     c

与 Series 类似，在数据框中同样可以取出相应的属性：

print(df.values)
# [[1 'a' 1.2]
#  [2 'b' 2.2]
#  [3 'c' 3.2]]
print(df.index)
# Index(['row_0', 'row_1', 'row_2'], dtype='object')
print(df.dtypes)
# col_0      int64
# col_1     object
# col_2    float64
# dtype: object
print(df.columns)
# Index(['col_0', 'col_1', 'col_2'], dtype='object')
print(df.shape)
# (3, 3)

通过 .T 可以把 DataFrame 进行转置：

df.T

三、常用基本函数

为了进行举例说明，在接下来的部分和其余章节都将会使用一份 learn_pandas.csv 的虚拟数据集，它记录了四所学校学生的体测个人信息。

df=pd.read_csv("E:/document/python学习笔记/pandas学习/learn_pandas.csv")
df.columns
# Index(['School', 'Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer',
#        'Test_Number', 'Test_Date', 'Time_Record'],
#       dtype='object')

上述列名依次代表学校、年级、姓名、性别、身高、体重、是否为转系生、体测场次、测试时间、1000米成绩，本章只需使用其中的前七列。

df = df[df.columns[:7]]
df.columns
# Index(['School', 'Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer'], dtype='object')

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，其中 n 默认为5：

df.head(10)

df.tail(10)

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 ：

print(df.info())
# <class 'pandas.core.frame.DataFrame'>
# RangeIndex: 200 entries, 0 to 199
# Data columns (total 7 columns):
#  #   Column    Non-Null Count  Dtype  
# ---  ------    --------------  -----  
#  0   School    200 non-null    object 
#  1   Grade     200 non-null    object 
#  2   Name      200 non-null    object 
#  3   Gender    200 non-null    object 
#  4   Height    183 non-null    float64
#  5   Weight    189 non-null    float64
#  6   Transfer  188 non-null    object 
# dtypes: float64(2), object(5)
# memory usage: 11.1+ KB
print(df.describe())
#            Height      Weight
# count  183.000000  189.000000
# mean   163.218033   55.015873
# std      8.608879   12.824294
# min    145.400000   34.000000
# 25%    157.150000   46.000000
# 50%    161.900000   51.000000
# 75%    167.500000   65.000000
# max    193.900000   89.000000

**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。**

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 。例如，选出身高和体重列进行演示：

df_demo = df[['Height', 'Weight']]
print(df_demo.mean())
# Height    163.218033
# Weight     55.015873
# dtype: float64
print(df_demo.max())
# Height    193.9
# Weight     89.0
# dtype: float64

此外，需要介绍的是 quantile, count, idxmax 这三个函数，它们分别返回的是分位数、非缺失值个数、最大值对应的索引：

print(df_demo.quantile(0.75))
# Height    167.5
# Weight     65.0
# Name: 0.75, dtype: float64
print(df_demo.count())
# Height    183
# Weight    189
# dtype: int64
print(df_demo.idxmax())
# Height    193
# Weight      2
# dtype: int64

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：

print(df_demo.mean(axis=1).head()) # 在这个数据集上体重和身高的均值并没有意义
# 0    102.45
# 1    118.25
# 2    138.95
# 3     41.00
# 4    124.00
# dtype: float64

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：

print(df['School'].unique())
# ['Shanghai Jiao Tong University' 'Peking University' 'Fudan University'
#  'Tsinghua University']
print(df['School'].nunique())
# 4

value_counts 可以得到唯一值和其对应出现的频数：

df['School'].value_counts()
# Tsinghua University              69
# Shanghai Jiao Tong University    57
# Fudan University                 40
# Peking University                34
# Name: School, dtype: int64

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。

df_demo = df[['Gender','Transfer','Name']]
print(df_demo.drop_duplicates(['Gender', 'Transfer']))
#   Gender Transfer            Name
# 0   Female        N    Gaopeng Yang
# 1     Male        N  Changqiang You
# 12  Female      NaN        Peng You
# 21    Male      NaN   Xiaopeng Shen
# 36    Male        Y    Xiaojuan Qin
# 43  Female        Y      Gaoli Feng
print(df_demo.drop_duplicates(['Gender', 'Transfer'], keep='last'))
#      Gender Transfer            Name
# 147    Male      NaN        Juan You
# 150    Male        Y   Chengpeng You
# 169  Female        Y   Chengquan Qin
# 194  Female      NaN     Yanmei Qian
# 197  Female        N  Chengqiang Chu
# 199    Male        N     Chunpeng Lv
print(df_demo.drop_duplicates(['Name', 'Gender'],keep=False).head())# 保留只出现过一次的性别和姓名组合
#    Gender Transfer            Name
# 0  Female        N    Gaopeng Yang
# 1    Male        N  Changqiang You
# 2    Male        N         Mei Sun
# 4    Male        N     Gaojuan You
# 5  Female        N     Xiaoli Qian
print(df['School'].drop_duplicates())# 在Series上也可以使用
# 0    Shanghai Jiao Tong University
# 1                Peking University
# 3                 Fudan University
# 5              Tsinghua University
# Name: School, dtype: object

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。

print(df_demo.duplicated(['Gender', 'Transfer']).head())
# 0    False
# 1    False
# 2     True
# 3     True
# 4     True
# dtype: bool
print(df['School'].duplicated().head())# 在Series上也可以使用
# 0    False
# 1    False
# 2     True
# 3    False
# 4     True
# Name: School, dtype: bool

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。其中映射替换包含 replace 方法、第八章中的 str.replace 方法以及第九章中的 cat.codes 方法，此处介绍 replace 的用法。

   在 replace 中，可以通过字典构造，或者传入两个列表来进行替换：

print(df['Gender'].replace({'Female':0, 'Male':1}).head())
# 0    0
# 1    1
# 2    1
# 3    0
# 4    1
# Name: Gender, dtype: int64
print(df['Gender'].replace(['Female', 'Male'], [0, 1]).head())
# 0    0
# 1    1
# 2    1
# 3    0
# 4    1
# Name: Gender, dtype: int64

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。从下面的例子可以看到，它们的结果是不同的：

s = pd.Series(['a', 1, 'b', 2, 1, 1, 'a'])
print(s)
# 0    a
# 1    1
# 2    b
# 3    2
# 4    1
# 5    1
# 6    a
# dtype: object
print(s.replace([1, 2], method='ffill'))
# 0    a
# 1    a
# 2    b
# 3    b
# 4    b
# 5    b
# 6    a
# dtype: object
print(s.replace([1, 2], method='bfill'))
# 0    a
# 1    b
# 2    b
# 3    a
# 4    a
# 5    a
# 6    a
# dtype: object

**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，具体的方式将在第八章中讲解。**
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。

s = pd.Series([-1, 1.2345, 100, -50])
print(s.where(s<0))
# 0    -1.0
# 1     NaN
# 2     NaN
# 3   -50.0
# dtype: float64
print(s.where(s<0, 100))
# 0     -1.0
# 1    100.0
# 2    100.0
# 3    -50.0
# dtype: float64
print(s.mask(s<0))
# 0         NaN
# 1      1.2345
# 2    100.0000
# 3         NaN
# dtype: float64
print(s.mask(s<0, -50))
# 0    -50.0000
# 1      1.2345
# 2    100.0000
# 3    -50.0000
# dtype: float64

需要注意的是，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：

s_condition= pd.Series([True,False,False,True],index=s.index)
s.mask(s_condition, -50)
# 0    -50.0000
# 1      1.2345
# 2    100.0000
# 3    -50.0000
# dtype: float64

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：

s = pd.Series([-1, 1.2345, 100, -50])
print(s.round(2))
# 0     -1.00
# 1      1.23
# 2    100.00
# 3    -50.00
# dtype: float64
print(s.abs())
# 0      1.0000
# 1      1.2345
# 2    100.0000
# 3     50.0000
# dtype: float64
print(s.clip(0, 2))# 前两个数分别表示上下截断边界，超过边界的只能截断为边界值
# 0    0.0000
# 1    1.2345
# 2    2.0000
# 3    0.0000
# dtype: float64

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 。
   为了演示排序函数，下面先利用 set_index 方法把年级和姓名两列作为索引，多级索引的内容和索引设置的方法将在第三章进行详细讲解。

df_demo = df[['Grade', 'Name', 'Height','Weight']].set_index(['Grade','Name'])

对身高进行排序，默认参数 ascending=True 为升序：

print(df_demo.sort_values('Height').head())
#                       Height  Weight
# Grade     Name                         
# Junior    Xiaoli Chu      145.4    34.0
# Senior    Gaomei Lv       147.3    34.0
# Sophomore Peng Han        147.8    34.0
# Senior    Changli Lv      148.7    41.0
# Sophomore Changjuan You   150.5    40.0
print(df_demo.sort_values('Height', ascending=False).head())
#                         Height  Weight
# Grade    Name                         
# Senior   Xiaoqiang Qin   193.9    79.0
#          Mei Sun         188.9    89.0
#          Gaoli Zhao      186.5    83.0
# Freshman Qiang Han       185.3    87.0
# Senior   Qiang Zheng     183.9    87.0

在排序中，进场遇到多列排序的问题，比如在体重相同的情况下，对身高进行排序，并且保持身高降序排列，体重升序排列：

print(df_demo.sort_values(['Weight','Height'],
                          ascending=[True,False]).head(10))
#                            Height  Weight
# Grade     Name                           
# Sophomore Peng Han          147.8    34.0
# Senior    Gaomei Lv         147.3    34.0
# Junior    Xiaoli Chu        145.4    34.0
# Sophomore Qiang Zhou        150.5    36.0
# Freshman  Yanqiang Xu       152.4    38.0
#           Qiang Han         151.8    38.0
# Senior    Chengpeng Zheng   151.7    38.0
# Sophomore Mei Xu            154.2    39.0
# Freshman  Xiaoquan Sun      154.6    40.0
# Sophomore Qiang Sun         154.3    40.0

索引排序的用法和值排序完全一致，只不过元素的值在索引中，此时需要指定索引层的名字或者层号，用参数 level 表示。另外，需要注意的是字符串的排列顺序由字母顺序决定。

print(df_demo.sort_index(level=['Grade','Name'],ascending=[True,False]).head(100))
#                          Height  Weight
# Grade    Name                          
# Freshman Yanquan Wang     163.5    55.0
#          Yanqiang Xu      152.4    38.0
#          Yanqiang Feng    162.3    51.0
#          Yanpeng Lv         NaN    65.0
#          Yanli Zhang      165.1    52.0
# ...                         ...     ...
# Junior   Chunqiang Chu    168.6    72.0
#          Chunmei Han      153.2    44.0
#          Chunjuan Zhang   158.9    47.0
#          Chunfeng Zhao    173.4    72.0
#          Chengquan Shi    160.8    51.0

# [100 rows x 2 columns]

6. apply方法
   apply 方法常用于 DataFrame 的行迭代或者列迭代，它的 axis 含义与第2小节中的统计聚合函数一致， apply 的参数往往是一个以序列为输入的函数。例如对于 .mean() ，使用 apply 可以如下地写出：

df_demo = df[['Height', 'Weight']]
def my_mean(x):
    res = x.mean()
    return res
df_demo.apply(my_mean)
# Height    163.218033
# Weight     55.015873
# dtype: float64

同样的，可以利用 lambda 表达式使得书写简洁，这里的 x 就指代被调用的 df_demo 表中逐个输入的序列：

df_demo.apply(lambda x : x.mean())
# Height    163.218033
# Weight     55.015873
# dtype: float64

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。

df_demo.apply(lambda x:x.mean(), axis=1).head()
# 0    102.45
# 1    118.25
# 2    138.95
# 3     41.00
# 4    124.00
# dtype: float64

这里再举一个例子： mad 函数返回的是一个序列中偏离该序列均值的绝对值大小的均值，例如序列1,3,7,10中，均值为5.25，每一个元素偏离的绝对值为4.25,2.25,1.75,4.75，这个偏离序列的均值为3.25。现在利用 apply 计算升高和体重的 mad 指标：

print(df_demo.apply(lambda x:(x-x.mean()).abs().mean()))
# Height     6.707229
# Weight    10.391870
# dtype: float64

这与使用内置的 mad 函数计算结果一致：

print(df_demo.mad())
# Height     6.707229
# Weight    10.391870
# dtype: float64

**得益于传入自定义函数的处理， 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
pandas 中有3类窗口，分别是滑动窗口 rolling 、扩张窗口 expanding 以及指数加权窗口 ewm 。需要说明的是，以日期偏置为窗口大小的滑动窗口将在第十章讨论，指数加权窗口见本章练习。

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 。

s = pd.Series([1,2,3,4,5])
roller = s.rolling(window = 3)
roller

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，例如在第四个位置进行均值运算时，应当计算(2+3+4)/3，而不是(1+2+3)/3：

print(roller.mean())
# 0    NaN
# 1    NaN
# 2    2.0
# 3    3.0
# 4    4.0
# dtype: float64
print(roller.sum())
# 0     NaN
# 1     NaN
# 2     6.0
# 3     9.0
# 4    12.0
# dtype: float64

对于滑动相关系数或滑动协方差的计算，可以如下写出：

s2 = pd.Series([1,2,6,16,30])
print(roller.cov(s2))
# 0     NaN
# 1     NaN
# 2     2.5
# 3     7.0
# 4    12.0
# dtype: float64
print(roller.corr(s2))
# 0         NaN
# 1         NaN
# 2    0.944911
# 3    0.970725
# 4    0.995402
# dtype: float64

此外，还支持使用 apply 传入自定义函数，其传入值是对应窗口的 Series ，例如上述的均值函数可以等效表示：

0    NaN
1    NaN
2    2.0
3    3.0
4    4.0
dtype: float64

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。这里的 n 可以为负，表示反方向的类似操作。

s = pd.Series([1,3,6,10,15])
print(s.shift(2))#取向前第 2个元素的值
# 0    NaN
# 1    NaN
# 2    1.0
# 3    3.0
# 4    6.0
# dtype: float64
print(s.diff(3))#与向前第 3 个元素做差
# 0     NaN
# 1     NaN
# 2     NaN
# 3     9.0
# 4    12.0
# dtype: float64
print(s.pct_change())#与向前第 1个元素相比计算增长率
# 0         NaN
# 1    2.000000
# 2    1.000000
# 3    0.666667
# 4    0.500000
# dtype: float64
print(s.shift(-1))#取向后第 1个元素的值
# 0     3.0
# 1     6.0
# 2    10.0
# 3    15.0
# 4     NaN
# dtype: float64
print(s.diff(-2))#与向后第 2 个元素做差
# 0   -5.0
# 1   -7.0
# 2   -9.0
# 3    NaN
# 4    NaN
# dtype: float64

将其视作类滑窗函数的原因是，它们的功能可以用窗口大小为 n+1 的 rolling 方法等价代替：

print(s)
# 0     1
# 1     3
# 2     6
# 3    10
# 4    15
# dtype: int64
print(s.rolling(3).apply(lambda x:list(x)[0]))# s.shift(2)
# 0    NaN
# 1    NaN
# 2    1.0
# 3    3.0
# 4    6.0
# dtype: float64
print(s.rolling(4).apply(lambda x:list(x)[-1]-list(x)[0]))# s.diff(3)
# 0     NaN
# 1     NaN
# 2     NaN
# 3     9.0
# 4    12.0
# dtype: float64
def my_pct(x):
    L = list(x)
    return L[-1]/L[0]-1
print(s.rolling(2).apply(my_pct))# s.pct_change()
# 0         NaN
# 1    2.000000
# 2    1.000000
# 3    0.666667
# 4    0.500000
# dtype: float64

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]。

s = pd.Series([1, 3, 6, 10])
s.expanding().mean()
# 0    1.000000
# 1    2.000000
# 2    3.333333
# 3    5.000000
# dtype: float64

五、练习

Ex1：口袋妖怪数据集
现有一份口袋妖怪的数据集，下面进行一些背景说明：
代表全国图鉴编号，不同行存在相同数字则表示为该妖怪的不同状态
妖怪具有单属性和双属性两种，对于单属性的妖怪， Type 2 为缺失值
Total, HP, Attack, Defense, Sp. Atk, Sp. Def, Speed 分别代表种族值、体力、物攻、防御、特攻、特防、速度，其中种族值为后6项之和

df=pd.read_csv("E:/document/python学习笔记/pandas学习/pokemon.csv")
print(all(df['Total'].values == df[['HP','Attack','Defense','Sp. Atk','Sp. Def','Speed']].sum(axis=1).values))
# True

df_demo=df.drop_duplicates(['#'])
print(df_demo['Type 1'].nunique())
#18

print(df['Type 1'].value_counts().sort_values(ascending=False).head(3).index)
# Index(['Water', 'Normal', 'Grass'], dtype='object')
print(df_demo.drop_duplicates(['Type 1','Type 2']).shape[0])
# 143

df_full = [i+' '+j for i in df['Type 1'].unique() 
                  for j in (df['Type 1'].unique().tolist() + [''])]
df_part = [i+' '+j for i, j in zip(df['Type 1'], df['Type 2'].replace(np.nan, ''))]
res = set(df_full).difference(set(df_part))
print(len(res))
# 188

df['Attack'].mask(df['Attack']>120,
                  'high').mask(df['Attack']<50,
                               'low').mask((50<=df['Attack'])&(df['Attack']<=120),
                                           'mid').head()
# 0    low
# 1    mid
# 2    mid
# 3    mid
# 4    mid
# Name: Attack, dtype: object

df['Type 1'].replace({i:str.upper(i) for i in df['Type 1'].unique()}).head()
df['Type 1'].apply(lambda x:str.upper(x)).head()

# 0    GRASS
# 1    GRASS
# 2    GRASS
# 3    GRASS
# 4     FIRE
# Name: Type 1, dtype: object

df['Deviation'] = df[['HP', 'Attack', 'Defense', 'Sp. Atk','Sp. Def', 
                      'Speed']].apply(lambda x:np.max((x-x.median()).abs()), 1)
df.sort_values('Deviation', ascending=False).head()

Ex2：指数加权窗口
1.作为扩张窗口的 ewm 窗口
在扩张窗口中，用户可以使用各类函数进行历史的累计指标统计，但这些内置的统计函数往往把窗口中的所有元素赋予了同样的权重。事实上，可以给出不同的权重来赋给窗口中的元素，指数加权窗口就是这样一种特殊的扩张窗口。

请用 expanding 窗口实现。

np.random.seed(0)
s = pd.Series(np.random.randint(-1,2,30).cumsum())#cumsum()累计和
s.ewm(alpha=0.2).mean().head()
def ewm_func(x, alpha=0.2):
    win = (1-alpha)**np.arange(x.shape[0])[::-1]
    res = (win*x).sum()/win.sum()
    return res
s.expanding().apply(ewm_func).head()
# 0   -1.000000
# 1   -1.000000
# 2   -1.409836
# 3   -1.609756
# 4   -1.725845
# dtype: float64

2.作为滑动窗口的 ewm 窗口
从第1问中可以看到， ewm 作为一种扩张窗口的特例，只能从序列的第一个元素开始加权。现在希望给定一个限制窗口 n ，只对包含自身最近的 n 个窗口进行滑动加权平滑。请根据滑窗函数，给出新的 wi 与 yt 的更新公式，并通过 rolling 窗口实现这一功能。

s.rolling(window=4).apply(ewm_func).head() # 无需对原函数改动
# 0         NaN
# 1         NaN
# 2         NaN
# 3   -1.609756
# 4   -1.826558
# dtype: float64