pandas 如何把时间转成index_不容错过的 Pandas 小技巧：万能转格式、轻松合并、压缩数据，让数据分析更高效...

击上方“深度学习专栏”，选择“星标”公众号

重磅干货，第一时间送达

作者 | Roman Orac

转自 | 量子位    编译 | 鱼羊

数据分析，如何能错过  Pandas 。现在，数据科学家 Roman Orac 分享了他在工作中相见恨晚的 Pandas 使用技巧。了解了这些技巧，能让你在学习、使用 Pandas 的时候更加高效。 话不多说，一起学习一下~

   Pandas实用技巧

用 Pandas 做数据分析，最大的亮点当属 DataFrame。不过，在展示成果的时候，常常需要把 DataFrame 转成另一种格式。Pandas 在这一点上其实十分友好，只需添加一行代码。 DataFrame 转 HTML如果你需要用 HTML 发送自动报告，那么  to_html 函数了解一下。比如，我们先设定这样一个 DataFrame：

import numpy as npimport pandas as pdimport random
n = 10
df = pd.DataFrame(
    {"col1": np.random.random_sample(n),"col2": np.random.random_sample(n),"col3": [[random.randint(0, 10) for _ in range(random.randint(3, 5))] for _ in range(n)],
    }
)

用上 to_html，就可以将表格转入 html 文件：

df_html = df.to_html()with open(‘analysis.html’, ‘w’) as f: f.write(df_html)

与之配套的，是  read_html 函数，可以将 HTML 转回 DataFrame。 DataFrame 转 LaTeX如果你还没用过 LaTeX 写论文，强烈建议尝试一下。要把 DataFrame 值转成 LaTeX 表格，也是一个函数就搞定了：

df.to_latex()

DataFrame 转 Markdown如果你想把代码放到 GitHub 上，需要写个 README。这时候，你可能需要把 DataFrame 转成 Markdown 格式。Pandas 同样为你考虑到了这一点：

print(df.to_markdown())

注：这里还需要 tabulate 库 DataFrame 转 Excel说到这里，给同学们提一个小问题：导师/老板/客户要你提供 Excel 格式的数据，你该怎么做？当然是——

df.to_excel(‘analysis.xlsx’)

需要注意的是，如果你没有安装过  xlwt 和  openpyxl 这两个工具包，需要先安装一下。另外，跟 HTML 一样，这里也有一个配套函数： read_excel，用来将excel数据导入pandas DataFrame。 DataFrame 转字符串转成字符串，当然也没问题：

df.to_string()

   5个鲜为人知的Pandas技巧

此前，Roman Orac 还曾分享过 5 个他觉得十分好用，但大家可能没有那么熟悉的 Pandas 技巧。 1、data_range从外部 API 或数据库获取数据时，需要多次指定时间范围。Pandas 的 data_range 覆盖了这一需求。

import pandas as pd
date_from = “2019-01-01”
date_to = “2019-01-12”
date_range = pd.date_range(date_from, date_to, freq=”D”)
print(date_range)

freq = “D”/“M”/“Y”，该函数就会分别返回按天、月、年递增的日期。 2、合并数据当你有一个名为left的DataFrame： 和名为right的DataFrame： 想通过关键字“key”把它们整合到一起： 实现的代码是：

df_merge = left.merge(right, on = ‘key’, how = ‘left’, indicator = True)

3、最近合并(Nearest merge)在处理股票或者加密货币这样的财务数据时，价格会随着实际交易变化。针对这样的数据，Pandas提供了一个好用的功能， merge_asof。该功能可以通过最近的key(比如时间戳)合并DataFrame。举个例子，你有一个存储报价信息的DataFrame。 还有一个存储交易信息的DataFrame。 现在，你需要把两个DataFrame中对应的信息合并起来。最新报价和交易之间可能有10毫秒的延迟，或者没有报价，在进行合并时，就可以用上 merge_asof。

pd.merge_asof(trades, quotes, on=”timestamp”, by=’ticker’, tolerance=pd.Timedelta(‘10ms’), direction=‘backward’)

4、创建Excel报告在Pandas中，可以直接用DataFrame创建Excel报告。

import numpy as npimport pandas as pd
df = pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), columns=["a", "b", "c"])
report_name =  example_report.xlsx
sheet_name =  Sheet1
writer = pd.ExcelWriter(report_name, engine= xlsxwriter )
df.to_excel(writer, sheet_name=sheet_name, index=False)

不只是数据，还可以添加图表。

# define the workbook
workbook = writer.book
worksheet = writer.sheets[sheet_name]# create a chart line object
chart = workbook.add_chart({ type :  line })# configure the series of the chart from the spreadsheet# using a list of values instead of category/value formulas:#     [sheetname, first_row, first_col, last_row, last_col]
chart.add_series({ categories : [sheet_name, 1, 0, 3, 0], values :     [sheet_name, 1, 1, 3, 1],
})# configure the chart axes
chart.set_x_axis({ name :  Index ,  position_axis :  on_tick })
chart.set_y_axis({ name :  Value ,  major_gridlines : { visible : False}})# place the chart on the worksheet
worksheet.insert_chart( E2 , chart)# output the excel file
writer.save()

注：这里需要 XlsxWriter 库 5、节省磁盘空间 Pandas在保存数据集时，可以对其进行压缩，其后以压缩格式进行读取。先搞一个 300MB 的 DataFrame，把它存成 csv。

df = pd.DataFrame(pd.np.random.randn(50000,300))
df.to_csv(‘random_data.csv’, index=False)

压缩一下试试：

df.to_csv(‘random_data.gz’, compression=’gzip’, index=False)

文件就变成了136MB。 gzip压缩文件可以直接读取：

df = pd.read_csv(‘random_data.gz’)

这一份Pandas技巧笔记，暂且说到这里。各位同学都做好笔记了吗？Talk is cheap, show me the code。学会了，就用起来吧

扫码关注，成为爱码士