Pandas基本操作教程

1. 读取数据

1.1 导入数据

1.1.1 csv 文件

df= pd.read_csv(
    #该参数是数据在电脑里的路径，可以不填
    filepath_or_buffer = r"c:\Users\win 10\Desktop\sz000002.csv",
    #该参数代表数据的分隔符，csv文件默认为逗号，其他常见的"\t"
    sep= ',',
    #该参数代表跳过数据文件的第一行不读
    skiprows = 1,
    #nrows 只读前n行，若不指定，读取全部内容,
    nrows= 15,
    #将指定的列识别为日期格式，若不指定，时间数据将全会一字符串形式读入，
    #parse_dates= ['交易日期'],
    #将指定列设为index，若不指定，index 默认为0，1，2
    #index_col= ['交易日期'], 
    #读取指定的几列数据，其他不读，若不指定，读入全部列
    usecols= ['交易日期','股票代码','股票名称','收盘价','成交量','涨跌幅','MACD_金叉死叉'],
    #当某行数据有问题，报错，设定false时，不报错直接跳过该行当数据比较脏乱的时候用这个
    error_bad_lines= False ,
    #将数据中的null识别为空值
    na_values= 'NULL'
)
# 取列名集合
columns = data.columns.values.tolist()

1.1.2 json格式

import json
from glom import glom

# 字典格式的 JSON
import pandas as pd

data = [
    {
        "id": "A001",
        "name": "菜鸟教程",
        "url": "www.runoob.com",
        "likes": 61
    },
    {
        "id": "A002",
        "name": "Google",
        "url": "www.google.com",
        "likes": 124
    },
    {
        "id": "A003",
        "name": "淘宝",
        "url": "www.taobao.com",
        "likes": 45
    }
]
df = pd.DataFrame(data)

print(df)

# 字典格式的 JSON，字典格式转化为datafram，外边的key 为dataframe列， value 中的嵌套字典的key：value 为对应行的取值
s = {
    "col1": {"row1": 1, "row2": 2, "row3": 3},
    "col2": {"row1": "x", "row2": "y", "row3": "z"}
}

# 读取 JSON 转为 DataFrame
df = pd.DataFrame(s)
print(df)
# 从URL中读取Json数据
url_json = [
    {
        "id": "A001",
        "name": "菜鸟教程",
        "url": "www.runoob.com",
        "likes": 61
    },
    {
        "id": "A002",
        "name": "Google",
        "url": "www.google.com",
        "likes": 124
    },
    {
        "id": "A003",
        "name": "淘宝",
        "url": "www.taobao.com",
        "likes": 45
    }
]

url = "http://static.runoob.com/download/sites.json"
df = pd.read_json(url)  # 数组中的每一个{} 中 key 为dataframe 对应的col_name, value 为对应的取值，数组中{}的个数为dataframe最后的行数

# 一组内嵌的json数据文件
nested_list = {
    "school_name": "ABC primary school",
    "class": "Year 1",
    "students": [
        {
            "id": "A001",
            "name": "Tom",
            "math": 60,
            "physics": 66,
            "chemistry": 61
        },
        {
            "id": "A002",
            "name": "James",
            "math": 89,
            "physics": 76,
            "chemistry": 51
        },
        {
            "id": "A003",
            "name": "Jenny",
            "math": 79,
            "physics": 90,
            "chemistry": 78
        }]
}
with open("nested_list.json", "w") as f:
    json.dump(nested_list, f)

"""
json 相关函数基本说明
json.dumps() 是将dict转化为str格式， json.loads是将str转化成dict格式
json.load() 和json.dump() 需要和文件的读写操作结合起来

"""
str = json.dumps(nested_list)
print(json.loads(str))
df = pd.read_json("nested_list.json")  # read_json 只能读取[], {} 第一层的键值对，并分别付值为对应的col_name 和相应的取值
print(df)

# 先加载json数据
with open("nested_list.json", "r") as f:
    data = json.loads(f.read())
print(data)

# 展平数据
df_nested_list = pd.json_normalize(data, record_path=["students"])
print(df_nested_list)

# data=json.loads(f.read()) 使用python json 模块载入数据
# json_normalize 使用了参数record_path并设置为["students"]用于展开内嵌的json数据students，
# 显示结果并没有包含school_name 和class 元素，如果需要展示可以使用meta参数来显示这些数据

df_nested_list_1 = pd.json_normalize(
    data,
    record_path=["students"],
    meta=["school_name", 'class']
)

print(df_nested_list_1)

# 让我们尝试读取更复杂的json数据，该数据嵌套了列表和字典，数据文件nested_mix.json
# 使用到 glom 模块来处理数据套嵌，glom 模块允许我们使用 . 来访问内嵌对象的属性。
nested_mix = {
    "school_name": "local primary school",
    "class": "Year 1",
    "info": {
        "president": "John Kasich",
        "address": "ABC road, London, UK",
        "contacts": {
            "email": "admin@e.com",
            "tel": "123456789"
        }
    },
    "students": [
        {
            "id": "A001",
            "name": "Tom",
            "math": 60,
            "physics": 66,
            "chemistry": 61
        },
        {
            "id": "A002",
            "name": "James",
            "math": 89,
            "physics": 76,
            "chemistry": 51
        },
        {
            "id": "A003",
            "name": "Jenny",
            "math": 79,
            "physics": 90,
            "chemistry": 78
        }]
}
with open("nested_mix.json", 'w') as f:
    json.dump(nested_mix, f)
with open("nested_mix.json", 'r') as f:
    data = json.loads(f.read())
df = pd.json_normalize(
    data,
    record_path=['students'],
    meta=[
        'class',
        ['info', 'president'],
        ['info', 'contacts', 'tel']

    ]
)
print(df)

# 我们只读取内嵌中的 math 字段
nested_deep = {
    "school_name": "local primary school",
    "class": "Year 1",
    "students": [
        {
            "id": "A001",
            "name": "Tom",
            "grade": {
                "math": 60,
                "physics": 66,
                "chemistry": 61
            }

        },
        {
            "id": "A002",
            "name": "James",
            "grade": {
                "math": 89,
                "physics": 76,
                "chemistry": 51
            }

        },
        {
            "id": "A003",
            "name": "Jenny",
            "grade": {
                "math": 79,
                "physics": 90,
                "chemistry": 78
            }
        }]
}

with open("nested_deep.json", 'w') as f:
    json.dump(nested_mix, f)

df = pd.read_json('nested_deep.json')
print(df)
data = df['students'].apply(lambda row: glom(row, 'grade.math'))
print(data)


def traverse_take_field(data, fields, currentKey=None):
    """遍历嵌套字典列表，取出某些字段的值
    :param data: 嵌套字典列表
    :param fields: 列表，某些字段
    :param values: 返回的值
    :param currentKey: 当前的键值
    :return: 列表
    """
    if isinstance(data, list):
        for i in data:
            traverse_take_field(i, fields, currentKey)
    elif isinstance(data, dict):
        for key, value in data.items():
            traverse_take_field(value, fields, key)
    else:
        values.append(data)
        # if currentKey in fields:
        #     values.append(data)


data = {"info": "2班成绩单",
        "grades": {
            "小明":
                [{"chinese": 60}, {"math": 80}, {"english": 100}],
            "小红":
                [{"chinese": 90}, {"math": 70}, {"english": 50}],
            "小蓝":
                [{"chinese": 80}, {"math": 80}, {"english": 80}],
        },
        "newGrades": {
            "info": "新增数据",
            "newChinese": 77
        }}
if __name__ == '__main__':
    values = []
    fields = ["chinese", "newChinese"]
    traverse_take_field(data, fields)
    print(values)

1.2 查看数据

print(df.shape)      #输出dataframe 有多少行多少列
print(df.shape[0])   #取行数
print(df.shape[1])     #取列数
print(df.columns)          #顺序输出每一列的名字，是一个列表
print(df.index)       #顺序输出每一行的名字，
print(df.dtypes)      # 数据每一列的类型不一样，比如数字、字符串、日期等。该方法输出每一列变量类型
print(df.head(3))          #看前3行的数据，默认为5
print(df.tail(3))             #看最后3行的数据，默认为5
print(df.sample(frac=0.5))       #随机抽取3行，想要的固定比例的话，可以用frac参数
print(df.describe())           #非常方便的函数，对每一列数据有一个直管感受；只会对数字类型的列有效
df.get("salary")  # 取某一列

1.3 设置输出格式

pd.set_option('expand_frame_repr',False) # 当行太多时不换行
pd.set_option('max_colwidth',8) #设置每一行的最大宽度，恢复原设置方法pd.reset_option('max_colwidth')

1.4 读取数据

1.4.1 loc 操作

通过label（columns和index的名字）来读取数据

df.loc['09/12/2016']  #选取指定的某一行，读取的数据是series类型的
df.loc['13/12/2016': '06/12/2016']  # 选取在此范围内的多行，和在list中slice操作类似，读取的数据是DataFrame类型
df.loc[:, '股票代码':'收盘价']  # 选取在此范围内的多列，读取的数据是DataFrame类型
df.at['12/12/2016', '股票代码']  # 使用at读取指定的某个元素。loc也行，但是at更高效。

1.4.1 iloc 操作

通过position来读取数据

df.iloc[0] # 以index选取某一行，读取的数据是Series类型
df.iloc[1:3]  # 选取在此范围内的多行，读取的数据是DataFrame类型
df.iloc[:, 1:3]  # 选取在此范围内的多列，读取的数据是DataFrame类型
df.iloc[1:3, 1:3] # 读取指定的多行、多列，读取的数据是DataFrame类型
df.iloc[:, :] # 读取所有行、所有列，读取的数据是DataFrame类型
df.iat[1, 1]  # 使用iat读取指定的某个元素。使用iloc也行，但是iat更高效。

2. 列操作

2.1 加减乘除

print(df['股票名称'] + '_地产')       # 字符串列可以直接加上字符串，对整列进行操作
print(df['收盘价'] * 100)           # 数字列直接加上或者乘以数字，对整列进行操作。
print(df['收盘价'] * df['成交量'])      # 两列之间可以直接操作。收盘价*成交量计算出的是什么？

df['股票名称+行业'] = df['股票名称'] + '_地产'      # 新增一列
print(df)

2.2 相关统计函数

df['收盘价'].mean()  # 求一整列的均值，返回一个数。会自动排除空值。
df[['收盘价', '成交量']].mean()  # 求两列的均值，返回两个数，Series

df[['收盘价', '成交量']].mean(axis=0) # 求两列的均值，返回DataFrame。axis=0或者1要搞清楚。

df['收盘价'].max()  # 最大值
df['收盘价'].min()  # 最小值
df['收盘价'].std()  # 标准差
df['收盘价'].count()  # 非空的数据的数量
df['收盘价'].median()  # 中位数
df['收盘价'].quantile(0.25)  # 25%分位数

2.3 shift类函数

df['昨天收盘价'] = df['收盘价'].shift(3)  # 读取上一行的数据，若参数设定为3，就是读取上三行的数据；若参数设定为-1，就是读取下一行的数据；
print(df[['收盘价','昨天收盘价']])

del df['昨天收盘价']  # 删除某一列的方法
print(df)

df['涨跌'] = df['收盘价'].diff(-1)  # 求本行数据和上一行数据相减得到的值
print(df[['收盘价', '涨跌']])
df.drop(['涨跌'], axis=1, inplace=True)  # 删除某一列的另外一种方式，inplace参数指是否替代原来的df
print (df)  
df['涨跌幅_计算'] = df['收盘价'].pct_change(-1)  # 类似于diff，但是求的是两个数直接的比例，相当于求涨跌幅
print(df)

2.4 累加｜乘

df['成交量_cum'] = df['成交量'].cumsum()  # 该列的累加值
print(df[['成交量', '成交量_cum']])
print((df['涨跌幅'] + 1.0).cumprod())  #product 该列的累乘值，此处计算的就是资金曲线，假设初始1元钱。

2.5 rank、value_counts

df['收盘价_排名'] = df['收盘价'].rank(ascending=True, pct=False)  # 输出排名。ascending参数代表是顺序还是逆序。pct参数代表输出的是排名还是排名比例
print(df[['收盘价', '收盘价_排名']])
del df['收盘价_排名']
print(df['股票代码'].value_counts()) # 计数。统计该列中每个元素出现的次数。返回的数据是Series

2.6 筛选操作

print(df['股票代码'] == 'sh000002')  # 判断股票代码是否等于sz000002
print(df[df['股票代码'] == 'sz000002'])  # 将判断为True的输出：选取股票代码等于sz000002的行
print(df[df['股票代码'].isin(['sz000002', 'sz000003 ', 'sz000004'])])  # 选取股票代码等于sz000002的行
print(df[df['收盘价'] >= 24.0] ) # 选取收盘价大于24的行
print(df[(df.index >= '03/12/2016') & (df.index <= '06/12/2016')])  # 两个条件，或者的话就是|

2.7 缺失值处理

2.7.1 删除缺失值

print(df.dropna(how='any'))  # 将带有空值的行删除。how='any'意味着，该行中只要有一个空值，就会删除，可以改成all。
print(df.dropna(subset=['MACD_金叉死叉', '涨跌幅'], how='all'))  # subset参数指定在特定的列中判断空值。
all代表全部为空，才会删除该行；any只要一个为空，就删除该行。

# 删除列
df.drop(labels=['row_label', 'marital_stat'], axis=1, inplace=True)

2.7.2 补全缺失值

print(df.fillna(value='没有金叉死叉'))  # 直接将缺失值赋值为固定的值
df['MACD_金叉死叉'].fillna(value=df['收盘价'], inplace=True)  # 直接将缺失值赋值其他列的数据
print(df.fillna(method='ffill'))  # 向上寻找最近的一个非空值，以该值来填充缺失的位置，全称forward fill，非常有用
print(df.fillna(method='bfill'))  # 向下寻找最近的一个非空值，以该值来填充确实的位置，全称backward fill

2.7.3 找出缺失值

print(df.notnull())  # 判断是否为空值，反向函数为isnull()
print(df[df['MACD_金叉死叉'].notnull()])  # 将'MACD_金叉死叉'列不为空的行输出

2.8 排序函数 sort

df.reset_index(inplace=True)
print(df.sort_values(by=['交易日期'], ascending=1)) # by参数指定按照什么进行排序，acsending参数指定是顺序还是逆序，1顺序，0逆序
print(df.sort_values(by=['股票名称', '交易日期'], ascending=[1, 1])) # 按照多列进行排序

3. df操作

3.1 DataFrame 数据拼接

3.1.1 上下合并append

df.reset_index(inplace=True)
df1 = df.iloc[0:10][['交易日期', '股票代码', '收盘价', '涨跌幅']]
print(df1)
df2 = df.iloc[5:15][['交易日期', '股票名称', '收盘价', '涨跌幅']]
print(df2)
print(df1.append(df2))  # append操作，将df1和df2上下拼接起来。注意观察拼接之后的index
df3 = df1.append(df2, ignore_index=True)  # ignore_index参数，用户重新确定index
print(df3)

3.1.2 merge操作

df.merge(): 可以根据一个或多个键将不同DataFrame中的行连接起来,类似于数据库中的join方法

 df = pd.merge(
        left=df,  # 两个表合并，放在左边的表
        right=df_index,  # 两个表合并，放在右边的表
        on=['交易日期'],  # 以哪个变量作为合并的主键，可以是多个，但是一定要在两张表中都存在。
        how='outer',
        # left：只保留左表的主键，right：只保留右表的主键，
        # outer：两边的主键都保留，inner：两边都有的主键才保留
        # 此处使用outer和right都可以
        sort=True,  # 结果数据是否按照主键进行排序
        suffixes=['_股票', '_指数'],  # 若两边除了主键之外有相同的列名，给这些列加上后缀
        # indicator=True  # 增加_merge列，表明这一行数据来自哪个表
    )

3.1.3 join操作

join 连接主要是列索引上的合并，join默认为左连接，只能操作DataFrame

df = pd.DataFrame({'a':[1,2,34]})
df = df.join(pd.DataFrame({'b':[11,22]}))

3.1.4 concat()操作

concat是轴向链接，关键在与axis，axis=0表示列操作，axis=1 行操作，默认为0

df= pd.concat([df1, df2,df3], axis=0, ignore_index=True)

差集（df1-df2为例）

diff=pd.concat([df1,df2]).drop_duplicates(keep=False)

3.2 聚合和分组

group操作

https://sparkbyexamples.com/pandas/pandas-groupby-count-examples/

3.3 apply 方法

当想要进行的操作，在pandas当中，没有相应直接可用的函数的时候，可以使用apply方法
# apply的参数是函数名
# 以下定义几个简单的函数，演示apply


def f1(x):
    return x + 100
    # x究竟是什么？
    # print x
    # print type(x)
    # exit()
    # x就是['收盘价']这个series，对series可以进行的任何操作，在f1中都可以进行。可以进行很复杂的操作。
# print df[['收盘价']].apply(f1)


# lambda函数定义方法
# 通常用于定义一些比较简单的、一行代码可以表述清楚的、一次性的函数。比较复杂就不要使用。
# 以下是几个案例

print(df['收盘价'].apply(lambda x: int(x * 100)))
print(df['股票代码'].apply(lambda x: x[2:] + x[:2].upper()))

3.2 数据去重

df3中有重复的行数，我们如何将重复的行数去除？
df3.drop_duplicates(
    subset=['收盘价', '交易日期'],  # subset参数用来指定根据哪类类数据来判断是否重复。若不指定，则用全部列的数据来判断是否重复
    keep='first',  # 在去除重复值的时候，我们是保留上面一行还是下面一行？first保留上面一行，last保留下面一行，False就是一行都不保留
    inplace=True
)
print(df3)

3.2 重命名、转置、空值

print(df.rename(columns={'MACD_金叉死叉': '金叉死叉', '涨跌幅': '涨幅'}))  # rename函数给变量修改名字。使用dict将要修改的名字传给columns参数
print(df.empty)  # 判断一个df是不是为空，此处输出不为空
print(pd.DataFrame().empty) # pd.DataFrame()创建一个空的DataFrame，此处输出为空
print(df.T)     # 将数据转置，行变成列，很有用
np.random.pernutation
explode

3.3 字符串处理

print(df['股票代码'])
print('sz000002'[:2])
print(df['股票代码'].str[:2])
print(df['股票代码'].str.upper())  # 加上str之后可以使用常见的字符串函数对整列进行操作
print (df['股票代码'].str.lower())
print (df['股票代码'].str.len())  # 计算字符串的长度,length
df['股票代码'].str.strip()  # strip操作，把字符串两边的空格去掉
print(df['股票代码'].str.contains('sh'))  # 判断字符串中是否包含某些特定字符
print(df['股票代码'].str.replace('sz', 'sh'))  # 进行替换，将sz替换成sh
split操作
print (df['新浪概念'].str.split('；'))  # 对字符串进行分割
print(df['新浪概念'].str.split('；').str[:2])  # 分割后取第一个位置
print(df['新浪概念'].str.split('；', expand=True)) # 分割后并且将数据分列

3.4 时间处理

df['交易日期'] = pd.to_datetime(df['交易日期'])  # 将交易日期由字符串改为时间变量
print(df['交易日期'])
print(df['交易日期'].iloc[0])
print(df.dtypes)
print(pd.to_datetime('1999年01月01日'))  # pd.to_datetime函数：将字符串转变为时间变量，，！！！！python3此用法不合理
print(df.at[0, '交易日期'])

print(df['交易日期'].dt.year) # 输出这个日期的年份。相应的month是月份，day是天数，还有hour, minute, second
print(df['交易日期'].dt.week)  # 这一天是一年当中的第几周
print(df['交易日期'].dt.dayofyear)  # 这一天是一年当中的第几天
print(df['交易日期'].dt.dayofweek)  # 这一天是这一周当中的第几天，0代表星期一
print(df['交易日期'].dt.weekday)  # 和上面函数相同，更加常用
print(df['交易日期'].dt.weekday_name)  # 和上面函数相同，返回的是星期几的英文，用于报表的制作。
print(df['交易日期'].dt.days_in_month)  # 这一天是这一月当中的第几天
print(df['交易日期'].dt.is_month_end ) # 这一天是否是该月的开头，是否存在is_month_end？
print(df['交易日期'] + pd.Timedelta(days=1))  # 增加一天，Timedelta用于表示时间差数据
print((df['交易日期'] + pd.Timedelta(days=1)) - df['交易日期'])  # 增加一天然后再减去今天的日期

3.5 rolling、expanding操作

# 计算'收盘价'这一列的均值
print(df['收盘价'].mean())
# 如何得到每天的最近3天收盘价的均值呢？即如何计算常用的移动平均线？
使用rolling函数
df['收盘价_3天均值'] = df['收盘价'].rolling(3).mean()
print(df[['收盘价', '收盘价_3天均值']])
rolling(n)即为取最近n行数据的意思，只计算这n行数据。后面可以接各类计算函数，例如max、min、std等
print(df['收盘价'].rolling(3).max())
print(df['收盘价'].rolling(3).min())
print(df['收盘价'].rolling(3).std())

rolling可以计算每天的最近3天的均值，如果想计算每天的从一开始至今的均值，应该如何计算？
使用expanding操作

 df['收盘价_至今均值'] = df['收盘价'].expanding().mean()
 print(df[['收盘价', '收盘价_至今均值']])

expanding即为取从头至今的数据。后面可以接各类计算函数

print df['收盘价'].expanding().max()
print df['收盘价'].expanding().min()
print df['收盘价'].expanding().std()

3.6 多列合并为一列

df['ColumnA'] = df[df.columns[1:]].apply(
    lambda x: ','.join(x.dropna()),
    axis=1)   # ”1:“表示合并第一列之后的各列为一列

3.7 一列变多列

# pandas:一列分解成多列 series.str.split(',',expand=True)

def preprocessing(data):
    df_result = pd.DataFrame()
    # df_sub = data['emb'].str.split(',', expand=True)
    sub = data['emb'].apply(lambda x: [float(i) for i in x.split(',')])
    df_sub = pd.DataFrame(sub.values.tolist())  # 一列list变多列
    df_sub.columns = ['emb_' + str(x) for x in df_sub.columns]
    df_result = pd.concat([df_result, df_sub], axis=1)
    return df_result

3.8 filter、map操作

# 1. filter 操作
pd.read_csv('imdb.txt')
  .sort(columns='year')
  .filter(lambda x: x['year']>1990) 
  .to_csv('filtered.csv')
# 2. map 操作
# Select the basic features.
ratings = ratings.map(lambda x: {
    "movie_title": x["movie_title"],
    "user_id": x["user_id"]
})
movies = movies.map(lambda x: x["movie_title"])
# ①使用字典进行映射
data["gender"] = data["gender"].map({"男":1, "女":0})

#②使用函数
def gender_map(x):
    gender = 1 if x == "男" else 0
    return gender
#注意这里传入的是函数名，不带括号
data["gender"] = data["gender"].map(gender_map)

4. 文件输出

df.to_csv('output.csv', encoding='gbk', index=False)

5. 创建DF

6. 划分训练集

• 使用 sample方法

train = df.sample(frac=0.7, random_state=0, axis=0)
test = df[~df.index.isin(df.index)]

• 使用 train_test_split