什么是pandas
pandas是一种Python数据分析的利器,是一个开源的数据分析包,最初是应用于金融数据分析工具而开发出来的,因此pandas为时间序列分析提供了很好的支持。pandas是PyData项目的一部分。
安装pandas
Python版本要求:2.7、3.4、3.5、3.6
依赖Python库:setuptools、NumPy、python-dateutil、pytz
安装方式:
Python的Anaconda发行版,已经安装好pandas库,不需要另外安装
使用Anaconda界面安装,选择对应的pandas进行勾选安装即可
使用Anaconda命令安装:conda install pandas
使用PyPi安装命令安装:pip install pandas
使用Anaconda界面安装pandas
pandas操作
pandas引入约定
from pandas import Series,
DataFrame import pandas as pd
pandas基本数据结构
pandas中主要有两种数据结构,分别是:Series和DataFrame。
Series:一种类似于一维数组的对象,是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series对象。注意:Series中的索引值是可以重复的。
DataFrame:一个表格型的数据结构,包含有一组有序的列,每列可以是不同的值类型(数值、字符串、布尔型等),DataFrame即有行索引也有列索引,可以被看做是由Series组成的字典。
Series:通过一维数组创建
练习
In [2]:
import pandas as pd
import numpy as np
series创建
In [8]:
# ser01 = pd.Series([1,2,3,4])
# ser01
ser01 = pd.Series(np.array([1,2,3,4]))
ser01
print(ser01.dtype)
print(ser01.values)
print(ser01.index)
print(ser01)
int32
[1 2 3 4]
RangeIndex(start=0, stop=4, step=1)
0 1
1 2
2 3
3 4
dtype: int32
In [9]:
#设置索引(创建好后改)
ser01.index = ['a','b','c','d']
ser01
Out[9]:
a 1
b 2
c 3
d 4
dtype: int32
In [10]:
ser01 = pd.Series(np.array([1,2,3,4]),index = ['a','b','c','d'])
ser01
Out[10]:
a 1
b 2
c 3
d 4
dtype: int32
Series:通过字典的方式创建
练习
通过字典的方式创建
In [11]:
ser02 = pd.Series({
'a':10, #key变为索引
'b':20,
'c':30
})
ser02
Out[11]:
a 10
b 20
c 30
dtype: int64
Series值的获取
Series值的获取主要有两种方式:
通过方括号+索引的方式读取对应索引的数据,有可能返回多条数据
通过方括号+下标值的方式读取对应下标值的数据,下标值的取值范围为:[0,len(Series.values));另外下标值也可以是负数,表示从右往左获取数据
Series获取多个值的方式类似NumPy中的ndarray的切片操作,通过方括号+下标值/索引值+冒号(:)的形式来截取series对象中的一部分数据。
Series的运算
NumPy中的数组运算,在Series中都保留了,均可以使用,并且Series进行数组运算的时候,索引与值之间的映射关系不会发生改变。
注意:其实在操作Series的时候,基本上可以把Series看成NumPy中的ndarray数组来进行操作。ndarray数组的绝大多数操作都可以应用到Series上。
练习
Series值得获取
In [15]:
print(ser02['a'])
print(ser02[0])
print(ser02[0:2])
print(ser02['a':'c'])
10
10
a 10
b 20
dtype: int64
a 10
b 20
c 30
dtype: int64
Series的运算
In [16]:
ser02 = pd.Series({
'a':10, #key变为索引
'b':20,
'c':30
})
ser02
Out[16]:
a 10
b 20
c 30
dtype: int64
In [20]:
ser02[ser02 > 10]
ser02/10
ser02+10
ser02*10
Out[20]:
a 100
b 200
c 300
dtype: int64
In [22]:
np.exp(ser02)
np.fabs(ser02)
Out[22]:
a 10.0
b 20.0
c 30.0
dtype: float64
Series缺失值检测
pandas中的isnull和notnull两个函数可以用于在Series中检测缺失值,这两个函数的返回时一个布尔类型的Series
Series自动对齐
当多个series对象之间进行运算的时候,如果不同series之间具有不同的索引值,那么运算会自动对齐不同索引值的数据,如果某个series没有某个索引值,那么最终结果会赋值为NaN。
Series及其索引的name属性
Series对象本身以及索引都具有一个name属性,默认为空,根据需要可以进行赋值操作
Series缺失值检测与处理
In [26]:
ser01 = pd.Series({
'a':10,
'b':20,
'c':30
})
ser01
ser02 = pd.Series(ser01,index = ['a','b','c','d'])
ser02
Out[26]:
a 10.0
b 20.0
c 30.0
d NaN
dtype: float64
In [28]:
ser02[pd.isnull(ser02)]
ser02[pd.notnull(ser02)]
Out[28]:
a 10.0
b 20.0
c 30.0
dtype: float64
In [29]:
ser01 = pd.Series([1,2,3,4],index = ['a','b','c','d'])
ser02 = pd.Series([10,20,30,40],index = ['e','a','f','b'])
ser01+ser02
Out[29]:
a 21.0
b 42.0
c NaN
d NaN
e NaN
f NaN
dtype: float64
In [32]:
#series的name属性
ser01 = pd.Series([1,2,3,4],index = ['a','b','c','d'])
ser01.name = 'aaa'
ser01.index.name = 'names'
ser01
Out[32]:
names
a 1
b 2
c 3
d 4
Name: aaa, dtype: int64
DataFrame: 通过二维数组创建
In [1]:
import pandas as pd
In [3]:
df01 = pd.DataFrame([['joe','susan','anne'],[79,45,67]])
df01
Out[3]:
012
0joesusananne
1794567
In [10]:
df01 = pd.DataFrame([['joe','susan','anne'],[79,45,67]],index = ['one','teo'],columns = ['a','b','c'])
print(df01)
print(df01.index)
print(df01.columns)
print(df01.values)
a b c
one joe susan anne
teo 79 45 67
Index(['one', 'teo'], dtype='object')
Index(['a', 'b', 'c'], dtype='object')
[['joe' 'susan' 'anne']
[79 45 67]]
DataFrame: 通过字典的方式创建
索引对象
不管是Series还是DataFrame对象,都有索引对象。
索引对象负责管理轴标签和其它元数据(eg:轴名称等等)
通过索引可以从Series、DataFrame中获取值或者对某个索引值进行重新赋值
Series或者DataFrame的自动对齐功能是通过索引实现的
DataFrame数据获取
可以直接通过列索引获取指定列的数据, eg: df[column_name]
如果需要获取指定行的数据的话,需要通过ix方法来获取对应行索引的行数据,eg: df.ix[index_name]
通过字典的方法创建
In [42]:
df01 = pd.DataFrame({
'name':['joe','susan','anne'],
'sex':['men','women','women'],
'age':[18,19,20],
'classid':3
},index = ['one','two','three'])
print(df01)
age classid name sex
one 18 3 joe men
two 19 3 susan women
three 20 3 anne women
DataFrame获取数据
In [43]:
#列索引获取数据
df01['name']
df01.name
Out[43]:
one joe
two susan
three anne
Name: name, dtype: object
In [44]:
#列添加
df01['address'] = ['北京','上海','广州']
df01
Out[44]:
ageclassidnamesexaddress
one183joemen北京
two193susanwomen上海
three203annewomen广州
In [45]:
#列删除
df01.pop('address')
df01
Out[45]:
ageclassidnamesex
one183joemen
two193susanwomen
three203annewomen
In [46]:
#列修改
df01['classid'] = 4
df01
Out[46]:
ageclassidnamesex
one184joemen
two194susanwomen
three204annewomen
In [47]:
#行获取
df01.ix['one']
df01.loc['two']#两种方式
df01.loc['two','name']
df01.loc['two']['name']#两种方式
Out[47]:
'susan'
In [33]:
#行增加
df01.ix['four'] = [21,3,'black','men']
df01
Out[33]:
ageclassidnamesex
one184joemen
two194susanwomen
three204annewpmen
four213blackmen
In [48]:
#行修改
df01.ix['four'] = [23,4,'ronaldo','men']
df01
Out[48]:
ageclassidnamesex
one184joemen
two194susanwomen
three204annewomen
four234ronaldomen
In [35]:
#行删除
df01.drop('four')
Out[35]:
ageclassidnamesex
one184joemen
two194susanwomen
three204annewpmen
pandas基本功能
数据文件读取/文本数据读取
索引、选取和数据过滤
算法运算和数据对齐
函数的应用和映射
重置索引
pandas:数据文件读取
通过pandas提供的read_xxx相关的函数可以读取文件中的数据,并形成DataFrame,常用的数据读取方法为:read_csv,主要可以读取文本类型的数据
In [13]:
import pandas as pd
import numpy as np
读取文件
In [4]:
df01 = pd.read_csv('data.csv')
df01
Out[4]:
nameagesex
0joe18men
1susan19women
2anne20women
In [5]:
df02 = pd.read_excel('data.xlsx')
df02
Out[5]:
nameagesex
0joe18men
1susan19women
2anne20women
In [9]:
df03 = pd.read_csv('data.txt',sep = ';',header = None)
df03
Out[9]:
012
0joe18men
1susan19women
2anne20women
pandas:数据过滤获取
通过DataFrame的相关方式可以获取对应的列或者数据形成一个新的DataFrame, 方便后续进行统计计算。
数据过滤
In [11]:
df01 = pd.DataFrame({
'name':['joe','susan','anne'],
'sex':['men','women','women'],
'age':[18,19,20],
'classid':3
},index = ['one','two','three'])
print(df01)
print(df01.columns)
age classid name sex
one 18 3 joe men
two 19 3 susan women
three 20 3 anne women
Index(['age', 'classid', 'name', 'sex'], dtype='object')
In [12]:
df01[df01.columns[2:]]
Out[12]:
namesex
onejoemen
twosusanwomen
threeannewomen
pandas:缺省值NaN处理方法
对于DataFrame/Series中的NaN一般采取的方式为删除对应的列/行或者填充一个默认值
缺失值NaN
In [32]:
df01 = pd.DataFrame(np.random.randint(1,9,size = (4,4)))
df01
Out[32]:
0123
07716
13857
27432
38266
In [33]:
df01.ix[1:2,1] = np.NaN
df01.ix[1:2,2] = np.NaN
df01.ix[1:2,3] = np.NaN
df01
Out[33]:
0123
077.01.06.0
13NaNNaNNaN
27NaNNaNNaN
382.06.06.0
In [34]:
df01.dropna()#默认只要包含NaN就会删除
Out[34]:
0123
077.01.06.0
382.06.06.0
In [35]:
df01.ix[1,0] = np.NaN
df01.dropna(how = 'all')#指定阈值 删除行
Out[35]:
0123
07.07.01.06.0
27.0NaNNaNNaN
38.02.06.06.0
In [36]:
df01.dropna(axis = 1)#删除列(包含就删除)
Out[36]:
0
1
2
3
In [37]:
df01 = pd.DataFrame(np.random.randint(1,9,size = (4,4)))
df01
Out[37]:
0123
01772
12778
27821
38544
In [40]:
df01.ix[1,0] = np.NaN
df01.ix[1:2,1] = np.NaN
df01.ix[1:2,2] = np.NaN
df01.ix[1:2,3] = np.NaN
df01
Out[40]:
0123
01.0NaN7.02.0
1NaNNaNNaNNaN
27.0NaNNaNNaN
38.05.04.04.0
In [41]:
df01.fillna(0)#将0插入
Out[41]:
0123
01.00.07.02.0
10.00.00.00.0
27.00.00.00.0
38.05.04.04.0
In [42]:
df01.fillna({0:1,1:1,2:2,3:3})#指定列插入值
Out[42]:
0123
01.01.07.02.0
11.01.02.03.0
27.01.02.03.0
38.05.04.04.0
pandas:常用的数学统计方法
数学统计方法
In [56]:
df01 = pd.DataFrame(np.random.randint(1,9,size = (5,4)))
df01
Out[56]:
0123
04236
15318
27117
38825
44467
In [50]:
df01.sum() #列求和
# df01.sum(axis = 1) #0 按照列求和 1 按照行求和
Out[50]:
0 16
1 22
2 17
3 12
dtype: int64
In [53]:
df01.min()
df01.min(axis = 1)
Out[53]:
0 1
1 2
2 2
3 2
dtype: int32
In [60]:
df01.quantile(0.25)#样本位 分数位
df01.quantile(0.75)
Out[60]:
0 7.0
1 4.0
2 3.0
3 7.0
dtype: float64
In [57]:
df01.median()#中位数
Out[57]:
0 5.0
1 3.0
2 2.0
3 7.0
dtype: float64
In [61]:
df01.cumsum()#累加
Out[61]:
0123
04236
195414
2166521
32414726
428181333
In [63]:
df01.pct_change()#计算百分数变化
Out[63]:
0123
0NaNNaNNaNNaN
10.2500000.500000-0.6666670.333333
20.400000-0.6666670.000000-0.125000
30.1428577.0000001.000000-0.285714
4-0.500000-0.5000002.0000000.400000
In [64]:
df01.var()
Out[64]:
0 3.3
1 7.3
2 4.3
3 1.3
dtype: float64
In [65]:
df01.std()
Out[65]:
0 1.816590
1 2.701851
2 2.073644
3 1.140175
dtype: float64
In [66]:
df01.describe()
Out[66]:
0123
count5.000005.0000005.0000005.000000
mean5.600003.6000002.6000006.600000
std1.816592.7018512.0736441.140175
min4.000001.0000001.0000005.000000
25%4.000002.0000001.0000006.000000
50%5.000003.0000002.0000007.000000
75%7.000004.0000003.0000007.000000
max8.000008.0000006.0000008.000000
pandas:相关系数与协方差
相关系数(Correlation coefficient):反映两个样本/样本之间的相互关系以及之间的相关程度。在COV的基础上进行了无量纲化操作,也就是进行了标准化操作。
协方差(Covariance, COV):反映两个样本/变量之间的相互关系以及之间的相关程度。
通俗理解协方差:如果有X,Y两个变量,每时刻的"X值与均值只差"乘以"Y值与其均值只差"得到一个乘积,再对这每时刻的乘积求和并求出均值。
如果协方差为正,说明X,Y同向变化,协方差越大说明同向程度越高;如果协方差为负,说明X,Y反向运动,协方差越小说明方向程度越高。
pandas:唯一值、值计数以及成员资格
unique方法用于获取Series中的唯一值数组(去重数据后的数组)
value_counts方法用于计算一个Series中各值的出现频率
isin方法用于判断矢量化集合的成员资格,可用于选取Series中或者DataFrame中列中数据的子集
相关系数与协方差
In [76]:
df01 = pd.DataFrame({
'GDP':[400,500,600,700],
'forgin_trade':[300,200,300,500,],
'year':['2012','2013','2014','2015']
})
df01
Out[76]:
GDPforgin_tradeyear
04003002012
15002002013
26003002014
37005002015
In [74]:
df01.cov()#协方差
Out[74]:
GDPforgin_trade
GDP16666.666667-8333.333333
forgin_trade-8333.3333339166.666667
In [77]:
df01.corr()
Out[77]:
GDPforgin_trade
GDP1.0000000.718185
forgin_trade0.7181851.000000
In [81]:
#唯一值
ser01 = pd.Series(['a','b','c','d','a','b','c','d'])
ser01
ser02 = ser01.unique()
print(ser02.dtype)
object
In [85]:
#值计数
ser01 = pd.Series(['a','b','c','d','a','b','c','d','b','c','d'])
ser01.value_counts()
Out[85]:
c 3
b 3
d 3
a 2
dtype: int64
In [88]:
#成员资格
ser01.isin(['b','c'])
ser01[ser01.isin(['b','c'])]#过滤
Out[88]:
1 b
2 c
5 b
6 c
8 b
9 c
dtype: object
pandas:层次索引
在某一个方向拥有多个(两个及两个以上)索引级别
通过层次化索引,pandas能够以较低维度形式处理高纬度的数据
通过层次化索引,可以按照层次统计数据
层次索引包括Series层次索引和DataFrame层次索引
pandas:按照层次索引进行统计数据
层次索引
In [99]:
data = pd.Series([988.44,95678,32455,2345,4346],
index = [
['2001','2001','2001','2002','2002'],
['苹果','香蕉','西瓜','香蕉','西瓜']
])
print(data)
data['2001']
2001 苹果 988.44
香蕉 95678.00
西瓜 32455.00
2002 香蕉 2345.00
西瓜 4346.00
dtype: float64
Out[99]:
苹果 988.44
香蕉 95678.00
西瓜 32455.00
dtype: float64
In [118]:
df = pd.DataFrame({
'year':[2001,2001,2002,2002,2003],
'fruit':['apple','banana','apple','banana','apple'],
'production':[2345,3245,5567,4356,5672]
})
df
Out[118]:
fruitproductionyear
0apple23452001
1banana32452001
2apple55672002
3banana43562002
4apple56722003
In [119]:
df2 = df.set_index(['year','fruit'])
df2
Out[119]:
production
yearfruit
2001apple2345
banana3245
2002apple5567
banana4356
2003apple5672
In [121]:
df2.ix[2001,'apple']
Out[121]:
production 2345
Name: (2001, apple), dtype: int64
In [122]:
df2.sum(level = 'year')
Out[122]:
production
year
20015590
20029923
20035672
In [123]:
df2.mean(level='fruit')
Out[123]:
production
fruit
apple4528.0
banana3800.5
In [124]:
df2.min(level=['year','fruit'])
Out[124]:
production
yearfruit
2001apple2345
banana3245
2002apple5567
banana4356
2003apple5672