文章目录
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。
import numpy as np
import pandas as pd
df_csv = pd.read_csv('../data/my_csv.csv')
df_csv
# col1 col2 col3 col4 col5
#0 2 a 1.4 apple 2020/1/1
#1 3 b 3.4 banana 2020/1/2
df_txt = pd.read_table('../data/my_table.txt')
df_txt
# col1 col2 col3 col4
#0 2 a 1.4 apple 2020/1/1
#1 3 b 3.4 banana 2020/1/2
df_excel = pd.read_excel('../data/my_excel.xlsx')
df_excel
# col1 col2 col3 col4 col5
#0 2 a 1.4 apple 2020/1/1
#1 3 b 3.4 banana 2020/1/2
pd.read_table('../data/my_table.txt', header=None)
# 0 1 2 3
#0 col1 col2 col3 col4
#1 2 a 1.4 apple 2020/1/1
pd.read_csv('../data/my_csv.csv', index_col=['col1', 'col2'])
# col3 col4 col5
#col1 col2
#2 a 1.4 apple 2020/1/1
pd.read_table('../data/my_table.txt', usecols=['col1', 'col2'])
# col1 col2
#0 2 a
#1 3 b
pd.read_csv('../data/my_csv.csv', parse_dates=['col5'])
# col1 col2 col3 col4 col5
#0 2 a 1.4 apple 2020-01-01
#1 3 b 3.4 banana 2020-01-02
pd.read_excel('../data/my_excel.xlsx', nrows=2)
# col1 col2 col3 col4 col5
#0 2 a 1.4 apple 2020/1/1
#1 3 b 3.4 banana 2020/1/2
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('../data/my_csv_saved.csv', index=False)
df_excel.to_excel('../data/my_excel_saved.xlsx', index=False)
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
对于这些属性，可以通过 . 的方式来获取：
s.values
#array([100, 'a', {'dic1': 5}], dtype=object)
s.index
#Index(['id1', 20, 'third'], dtype='object', name='my_idx')
s.dtype
#dtype('O')
s.name
#'my_name'
利用.shape可以获取序列的长度：
s.shape
# (3,)
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
# col_0 col_1 col_2
#row_0 1 a 1.2
#row_1 2 b 2.2
#row_2 3 c 3.2
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)])
df
# col_0 col_1 col_2
#row_0 1 a 1.2
#row_1 2 b 2.2
#row_2 3 c 3.2
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：
df['col_0']
#row_0 1
#,row_1 2
#,row_2 3
#,Name: col_0, dtype: int64
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：
df.values
#array([[1, 'a', 1.2],
#, [2, 'b', 2.2],
#, [3, 'c', 3.2]], dtype=object)
df.index
#Index(['row_0', 'row_1', 'row_2'], dtype='object')
df.columns
#Index(['col_0', 'col_1', 'col_2'], dtype='object')
df.dtypes # 返回的是值为相应列数据类型的Series
#col_0 int64
#,col_1 object
#,col_2 float64
#,dtype: object
df.shape
#(3, 3)
df.T # 通过.T可以把DataFrame进行转置：
# row_0 row_1 row_2
#col_0 1 2 3
#col_1 a b c
#col_2 1.2 2.2 3.2
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('../data/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，只需使用其中的前七列。
df = df[df.columns[:7]]
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(2)
# School Grade Name Gender Height Weight Transfer
#0 Shanghai Jiao Tong University Freshman Gaopeng Yang Female 158.9 46.0 N
#1 Peking University Freshman Changqiang You Male 166.5 70.0 N
df.tail(3)
# School Grade Name Gender Height Weight Transfer
#197 Shanghai Jiao Tong University Senior Chengqiang Chu Female 153.9 45.0 N
#198 Shanghai Jiao Tong University Senior Chengmei Shen Male 175.3 71.0 N
#199 Tsinghua University Sophomore Chunpeng Lv Male 155.7 51.0 N
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
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
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
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']]
df_demo.mean()
#Height 163.218033
#,Weight 55.015873
#,dtype: float64
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：
df_demo.quantile(0.75)
#Height 167.5
#,Weight 65.0
#,Name: 0.75, dtype: float64
df_demo.count()
#Height 183
#,Weight 189
#,dtype: int64
df_demo.idxmax() # idxmin是对应的函数
#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：
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：
df['School'].unique()
#array(['Shanghai Jiao Tong University', 'Peking University',
#, 'Fudan University', 'Tsinghua University'], dtype=object)
df['School'].nunique()
#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']]
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
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
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
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。
df_demo.duplicated(['Gender', 'Transfer']).head()
#0 False
#,1 False
#,2 True
#,3 True
#,4 True
#,dtype: bool
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、str.replace方法以及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：
df['Gender'].replace({'Female':0, 'Male':1}).head()
#0 0
#,1 1
#,2 1
#,3 0
#,4 1
#,Name: Gender, dtype: int64
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'])
s.replace([1, 2], method='ffill')
#0 a
#,1 a
#,2 b
#,3 b
#,4 b
#,5 b
#,6 a
#,dtype: object
s.replace([1, 2], method='bfill')
#0 a
#,1 b
#,2 b
#,3 a
#,4 a
#,5 a
#,6 a
#,dtype: object
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])
s.where(s<0)
#0 -1.0
#,1 NaN
#,2 NaN
#,3 -50.0
#,dtype: float64
s.where(s<0, 100)
#0 -1.0
#,1 100.0
#,2 100.0
#,3 -50.0
#,dtype: float64
s.mask(s<0)
#0 NaN
#,1 1.2345
#,2 100.0000
#,3 NaN
#,dtype: float64
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，它们分别表示按照给定精度四舍五入、取绝对值和截断：
s = pd.Series([-1, 1.2345, 100, -50])
s.round(2)
#0 -1.00
#,1 1.23
#,2 100.00
#,3 -50.00
#,dtype: float64
s.abs()
#0 1.0000
#,1 1.2345
#,2 100.0000
#,3 50.0000
#,dtype: float64
s.clip(0, 2) # 前两个数分别表示上下截断边界
#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
df_demo = df[['Grade', 'Name', 'Height', 'Weight']].set_index(['Grade','Name'])
df_demo.head(3)
# Height Weight
Grade Name
Freshman Gaopeng Yang 158.9 46.0
Changqiang You 166.5 70.0
Senior Mei Sun 188.9 89.0
对身高进行排序，默认参数ascending=True为升序：
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
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，经常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：
df_demo.sort_values(['Weight','Height'],ascending=[True,False]).head()
# 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
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。
df_demo.sort_index(level=['Grade','Name'],ascending=[True,False]).head()
# 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
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：
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：
df_demo.mad()
#Height 6.707229
#,Weight 10.391870
#,dtype: float64
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：
roller.mean()
#0 NaN
#,1 NaN
#,2 2.0
#,3 3.0
#,4 4.0
#,dtype: float64
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])
roller.cov(s2)
#0 NaN
#,1 NaN
#,2 2.5
#,3 7.0
#,4 12.0
#,dtype: float64
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：
roller.apply(lambda x:x.mean())
#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])
s.shift(2)
#0 NaN
#,1 NaN
#,2 1.0
#,3 3.0
#,4 6.0
#,dtype: float64
s.diff(3)
#0 NaN
#,1 NaN
#,2 NaN
#,3 9.0
#,4 12.0
#,dtype: float64
s.pct_change()
#0 NaN
#,1 2.000000
#,2 1.000000
#,3 0.666667
#,4 0.500000
#,dtype: float64
s.shift(-1)
#0 3.0
#,1 6.0
#,2 10.0
#,3 15.0
#,4 NaN
#,dtype: float64
s.diff(-2)
#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：
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
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
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
参考：阿里云天池
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
