pandas 如何把时间转成index_Pandas的基本功能数据科学家使用的4个主要功能

Python的Pandas库因其基本功能而广受欢迎。Pandas库具有许多基本的基本功能和能力，使我们的日常工作变得更加轻松。强烈建议初学者掌握Pandas的基本功能。

Pandas的基本功能

在学习Pandas基本功能之前，您必须学习导入库。

>>> import numpy as np>>> import pandas as pd

在这里，我们将创建在Pandas中使用的4个主要数据结构。

Index

>>>dataflair_index =pd.date_range('1/1/2000', periods=8)

Series

>>>dataflair_s1 = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])

DataFrame

>>>dataflair_df1 = pd.DataFrame(np.random.randn(8, 3), index=dataflair_index,columns=['A', 'B', 'C'])

Panel

>>> dataflair_wp1 = pd.Panel(np.random.randn(2, 5, 4), items=['Item1', 'Item2'],major_axis=pd.date_range('1/1/2000', periods=5),minor_axis=['A', 'B', 'C', 'D'])

现在我们可以从Pandas的基本功能开始。

• head()函数

• tail()函数

• 灵活的二元运算

要查看一个序列的开始或结束，我们可以使用head()或tail()函数。

1. head()函数

让我们创建一个具有1000个随机值的序列。

>>> dataflair = pd.Series(np.random.randn(1000))

使用head()函数

>>> dataflair.head()

2. tail()函数

现在，我们使用tail函数并将元素数设置为3：

>>> dataflair.tail(3)

3.属性

    属性在Pandas的基本功能中起着重要作用，它可以帮助数据科学家快速分析，清理和准备数据。Pandas对象具有许多属性，使您可以访问元数据。

形状：给出轴的尺寸

轴标签：

系列：索引(仅一个轴)

DataFrame：索引(行)和列

面板：长轴，短轴和item

您可以安全地分配这些属性。

>>> dataflair_df1[:2]

这将打印DataFrame的最后两个值

>>> dataflair_df1.columns = [x.lower() for x in dataflair_df1.columns]>>> dataflair_df1

使用此功能，我们将大写的列名更改为小写。

如果必须获取Pandas数据结构中的实际数据，则只需使用values属性。

>>> dataflair_s1.values>>> dataflair_df1.values

>>> dataflair_wp1.values

4.灵活的二元运算

在Pandas数据结构之间的二元操作中，有两个重要的关注点：

• 低维对象和高维对象之间的广播行为

• 计算时丢失数据

我们将学习如何独立处理这两个问题。它们可以同时处理。

4.1 广播行为

对于广播行为，“Series”输入为主要输入。您可以使用axis()关键字来匹配索引或列。

>>> dataflair_df = pd.DataFrame({'one' : pd.Series(np.random.randn(3), index=['a', 'b', 'c']),'two' : pd.Series(np.random.randn(4), index=['a', 'b', 'c', 'd']),'three' : pd.Series(np.random.randn(3), index=['b', 'c', 'd'])})>>> dataflair_df

>>> row = dataflair_df.iloc[1]>>> column = dataflair_df['two']>>> dataflair_df.sub(row, axis='columns')

Pandas在数据科学中很流行，但在其他领域也有不同的应用。

>>> dataflair_df.sub(column, axis='index')

>>> dataflair_df.sub(column, axis=0)

4.1.1 多索引DataFrames级别

使用系列，可以对齐多索引的DataFrame的级别。

>>> dataflair_dfmi = dataflair_df.copy()>>> dataflair_dfmi.index = pd.MultiIndex.from_tuples([(1,'a'),(1,'b'),(1,'c'),(2,'a')],names=['first','second'])>>> dataflair_dfmi.sub(column, axis=0, level='second')

在面板中，匹配或广播行为有些困难。因此，取而代之的是使用算术方法，从而为您提供了指定广播轴的选项。

>>> major_mean = dataflair_wp1.mean(axis='major')>>> major_mean

>>> dataflair_wp1.sub(major_mean, axis='major')

Series和Index支持divmod()内置函数。它同时进行向下取整的除法和模运算，并返回相同类型的二元组。它将其返回为左侧。

对于Series

>>> dataflair_s = pd.Series(np.arange(10))>>> dataflair_s

>>> div, rem = divmod(dataflair_s, 3) #Dividing by 3>>> div0  01  02  03  14  15  16  27  28  29  3>>> rem

对于Index

>>> dataflair_idx = pd.Index(np.arange(10))>>> dataflair_idx

>>> div, rem = divmod(dataflair_idx, 3)>>> divInt64Index([0,0,0,1,1,1,2,2,2,3], dtype=’int64′)>>> rem

我们也可以按元素进行divmod()。

div，rem = divmod(dataflair_s，[2，2，3，3，4，4，5，5，6，6])

＃第一个元素将被2除，第二个元素被3除，第三个元素被3依此类推

>>> div, rem = divmod(dataflair_s, [2, 2, 3, 3, 4, 4, 5, 5, 6, 6])>>> div

>>> rem

4.2 Pandas缺失值

在DataFrame和Series中，算术函数为您提供了一个输入fill_value的选项，当位置中缺少某个值时，该方法基本上替代了一个值。当添加两个DataFrame对象时，可以将NaN视为0。但是，如果两个DataFrame都缺少该值，则结果将为NaN。您仍然可以稍后使用fillna函数将其替换为其他值。

>>> dataflair_df

>>> dataflair_df2 = pd.DataFrame({'one' : pd.Series(np.random.randn(3), index=['a', 'b', 'c']),'two' : pd.Series(np.random.randn(4), index=['a', 'b', 'c', 'd']),'three' : pd.Series(np.random.randn(3), index=['b', 'c', 'd'])})>>> dataflair_df2

>>> dataflair_df + dataflair_df2

>>> dataflair_df.add(dataflair_df2,fill_value=0) #does the same thing as ‘+’ operator

往期回顾

• Pandas 10大应用领域，哪些行业在使用Pandas？

• 15个Pandas最佳特性，是什么让Pandas如何特别？

• 你知道pandas库吗？7分钟内快速了解

• 当Python遇上Echarts，快速图表开发，即学即用