[Python数据分析与展示] 数据分析之概要 Pandas库

Pandas库入门

Pandas库的介绍

Pandas是Python第三方库，提供高性能易用数据类型和分析工具

import pandas as pd

Pandas是基于Numpy实现，常与Numpy和Matplotlib一同使用

Pandas库小测

>>> import pandas as pd
>>> d = pd.Series(range(20))
>>> d
0      0
1      1
2      2
3      3
4      4
5      5
6      6
7      7
8      8
9      9
10    10
11    11
12    12
13    13
14    14
15    15
16    16
17    17
18    18
19    19
dtype: int64
>>> d.cumsum()  # 计算前N项累加和
0       0
1       1
2       3
3       6
4      10
5      15
6      21
7      28
8      36
9      45
10     55
11     66
12     78
13     91
14    105
15    120
16    136
17    153
18    171
19    190
dtype: int64

Pandas库有两个数据类型：Series、DataFrame

基于上述数据类型的各类操作：
基本操作、运算操作、特征类操作、关联类操作。

NumPy：基本数据类型；关注数据的结构表达；维度：数据间关系

Pandas：扩展数据类型；关注数据的应用表达；数据与索引间关系

Pandas库的Series类型

Series类型由一组数据及与之相关的数据索引组成

index_0 $\to$ data_a
index_1 $\to$ data_b
index_2 $\to$ data_c
索引 $\to$ 数据

>>> import pandas as pd
>>> a=pd.Series([9,8,7,6])
>>> a
0    9
1    8
2    7
3    6
dtype: int64
>>> b=pd.Series([9,8,7,6],index=['a','b','c','d']) # 可省略index=
>>> b
a    9
b    8
c    7
d    6
dtype: int64

Series类型

Series类型可以由如下类型创建：

• python列表
• 标量值
• python字典
• ndarray
• 其他函数

1. 从标量值创建

>>> s=pd.Series(25,index=['a','b','c']) # 不可省略index
>>> s
a    25
b    25
c    25
dtype: int64

2. 从字典类型创建

>>> d=pd.Series({'a':9,'b':8,'c':7})
>>> d
a    9
b    8
c    7
dtype: int64
>>> e=pd.Series({'a':9,'b':8,'c':7},index=['c','a','b','d']) # index从字典中进行选择操作
>>> e
c    7.0
a    9.0
b    8.0
d    NaN
dtype: float64

3. 从ndarray类型创建

>>> import numpy as np
>>> n=pd.Series(np.arange(5))
>>> n
0    0
1    1
2    2
3    3
4    4
dtype: int32

>>> m=pd.Series(np.arange(5),index=np.arange(9,4,-1))
>>> m
9    0
8    1
7    2
6    3
5    4
dtype: int32

Series类型可以由如下类型创建：

• python列表，index与列表元素个数一致
• 标量值，index表达Series类型的尺寸
• python字典，键值对中的“键”是索引，index从字典中进行选择操作
• ndarray，索引与数据都可以通过ndarray类型创建
• 其他函数，range()函数等

Series类型的基本操作

Series类型包括index和values两部分
Series类型的操作类似ndarray类型
Series类型的操作类似python字典类型

.index获得索引
.values获得数据

>>> import pandas as pd
>>> b=pd.Series([9,8,7,6],['a', 'b','c','d'])
>>> b
a    9
b    8
c    7
d    6
dtype: int64
>>> b.index
Index(['a', 'b', 'c', 'd'], dtype='object')
>>> b.values
array([9, 8, 7, 6], dtype=int64)

自动索引和自定义索引并存

>>> b['b']
8
>>> b[1]
8

两套索引并存，但不能混用，即b[['c','d',0]]会报错

>>> b[['c','d','a']]
c    7
d    6
a    9
dtype: int64

Series类型的操作类似ndarray类型：

• 索引方法相同，采用[ ]
• numpy中运算和操作可用于Series类型
• 可以通过自定义索引的列表进行切片
• 可以通过自定索引进行切片，如果存在自定义索引，则一同被切片

>>> import pandas as pd
>>> b=pd.Series([9,8,7,6],['a','b','c','d'])
>>> b
a    9
b    8
c    7
d    6
dtype: int64
>>> b[3]
6
>>> b[:3]
a    9
b    8
c    7
dtype: int64
>>> b.median()  # 中位数
7.5
>>> b[b>b.median()]
a    9
b    8
dtype: int64
>>> np.exp(b)
a    8103.083928
b    2980.957987
c    1096.633158
d     403.428793
dtype: float64

Series类型的操作类似python字典类型：

• 通过自定义索引访问
• 保留字in操作
• 使用.get()方法

>>> import pandas as pd
>>> n=pd.Series([9,8,7,6],['a','b','c','d'])
>>> b['b']
8
>>> 'c' in b  # 判断是否在索引中
True
>>> 0 in b
False
>>> b.get('f',100) # 提取标签f对应的值，若不存在，则返回100
100

Series类型对齐操作
Series类型在运算中会自动对齐不同索引的数据

>>> import pandas as pd
>>> a=pd.Series([1,2,3],['c','d','e'])
>>> b=pd.Series([9,8,7,6],['a','b','c','d'])
>>> a+b
a    NaN
b    NaN
c    8.0
d    8.0
e    NaN
dtype: float64

Series类型的name属性
Series对象和索引都可以有一个名字，存储在属性.name中

>>> import pandas as pd
>>> b=pd.Series([9,8,7,6],['a','b','c','d'])
>>> b.name
>>> b.name='Series对象'
>>> b.index.name='索引列'
>>> b
索引列
a    9
b    8
c    7
d    6
Name: Series对象, dtype: int64

Series类型的修改
Series对象可以随时修改并即刻生效

>>> import pandas as pd
>>> b=pd.Series([9,8,7,6],['a','b','c','d'])
>>> b['a']=15
>>> b.name="Series"
>>> b
a    15
b     8
c     7
d     6
Name: Series, dtype: int64

>>> b.name="New Series"
>>> b['b','c']=20
b
a    15
b    20
c    20
d     6
Name: New Series, dtype: int64

Serise是一维带"标签"的数组

Series基本操作类似ndarray和字典，根据索引对齐

Pandas库的DataFrame类型

DataFrame类型由共用相同索引的一组列组成

index_0 $\to$ data_a \quad data_1 $\cdots$ data_w
index_1 $\to$ data_b \quad data_2 $\cdots$ data_x
index_2 $\to$ data_c \quad data_3 $\cdots$ data_y
index_3 $\to$ data_d \quad data_4 $\cdots$ data_z

索引$\to$ 多列数据

DataFrame是一个表格型的数据索引，每列值类型可以不同
DataFrame即有行索引index，也有列索引column
DataFrame常用于表达二维数据，但也可以表达多维数据

DataFrame类型可以由如下类型创建：

• 二维ndarray对象
• 由一维ndarray、列表、字典、元组或Series构成的字典
• Series类型
• 其他的DataFrame类型

1. 由二维ndarray对象创建

>>> import pandas as pd
>>> import numpy as np
>>> d=pd.DataFrame(np.arange(10).reshape(2,5))
>>> d
   0  1  2  3  4
0  0  1  2  3  4
1  5  6  7  8  9

2. 由一维ndarray对象字典创建

>>> import pandas as pd
>>> dt={'one':pd.Series([1,2,3],index=['a','b','c']),
	    'two':pd.Series([9,8,7,6],index=['a','b','c','d'])}
>>> d=pd.DataFrame(dt)
>>> d
   one  two
a  1.0    9
b  2.0    8
c  3.0    7
d  NaN    6
>>> pd.DataFrame(dt,index=['b','c','d'],columns=['two','three']) # 数据根据行列索引自动补齐
   two three
b    8   NaN
c    7   NaN
d    6   NaN

3. 从列表类型的字典创建

>>> import pandas as pd
>>> dl={'one':[1,2,3,4],'two':[9,8,7,6]}
>>> d=pd.DataFrame(dl,index=['a','b','c','d'])
>>> d
   one  two
a    1    9
b    2    8
c    3    7
d    4    6

>>> import pandas as pd
>>> dl={'城市':['北京','上海','广州','深圳','沈阳'],
	    '环比':[101.5,101.2,101.3,102,100.1],
	    '同比':[120.7,127.3,119.4,140.9,101.4],
	    '定基':[121.4,127.8,120.0,145.5,101.6]}
>>> d=pd.DataFrame(dl,index=['c1','c2','c3','c4','c5'])
>>> d
    城市     环比     同比     定基
c1  北京  101.5  120.7  121.4
c2  上海  101.2  127.3  127.8
c3  广州  101.3  119.4  120.0
c4  深圳  102.0  140.9  145.5
c5  沈阳  100.1  101.4  101.6

>>> d.index
Index(['c1', 'c2', 'c3', 'c4', 'c5'], dtype='object')
>>> d.columns
Index(['城市', '环比', '同比', '定基'], dtype='object')
>>> d.values
array([['北京', 101.5, 120.7, 121.4],
       ['上海', 101.2, 127.3, 127.8],
       ['广州', 101.3, 119.4, 120.0],
       ['深圳', 102.0, 140.9, 145.5],
       ['沈阳', 100.1, 101.4, 101.6]], dtype=object)

>>> d['同比']
c1    120.7
c2    127.3
c3    119.4
c4    140.9
c5    101.4
Name: 同比, dtype: float64
>>> d['同比']['c2']
127.3

DataFrame是二维带“标签”数组

\qquad \qquad column_0 \quad column_1 \quad column_i
index_0 $\to$ data_a \qquad data_1 \qquad data_w

DataFrame基本操作类似Series，依据行列索引

Pandas库的数据类型操作

如何改变Series和DataFrame对象？

增加或重排：重新索引
删除：drop

.reindex()能够改变或重排Series和DataFrame索引

>>> import pandas as pd
>>> dl={'城市':['北京','上海','广州','深圳','沈阳'],
	    '环比':[101.5,101.2,101.3,102,100.1],
	    '同比':[120.7,127.3,119.4,140.9,101.4],
	    '定基':[121.4,127.8,120.0,145.5,101.6]}
>>> d=pd.DataFrame(dl,index=['c1','c2','c3','c4','c5'])
>>> d
    城市     环比     同比     定基
c1  北京  101.5  120.7  121.4
c2  上海  101.2  127.3  127.8
c3  广州  101.3  119.4  120.0
c4  深圳  102.0  140.9  145.5
c5  沈阳  100.1  101.4  101.6
>>> d=d.reindex(index=['c5','c4','c3','c2','c1'])
>>> d
    城市     环比     同比     定基
c5  沈阳  100.1  101.4  101.6
c4  深圳  102.0  140.9  145.5
c3  广州  101.3  119.4  120.0
c2  上海  101.2  127.3  127.8
c1  北京  101.5  120.7  121.4

>>> d=d.reindex(columns=['城市','同比','环比','定基'])
>>> d
    城市     同比     环比     定基
c5  沈阳  101.4  100.1  101.6
c4  深圳  140.9  102.0  145.5
c3  广州  119.4  101.3  120.0
c2  上海  127.3  101.2  127.8
c1  北京  120.7  101.5  121.4

重新索引
.reindex(index=None,columes=None,...)的参数

参数	说明
index,column	新的行列自定义索引
fill_value	重新索引中，用于填充缺失位置的值
method	填充方法，ffill当前值向前填充，bfill向后填充
limit	最大填充量
copy	默认True，生成新的对象，False时，新旧相等不复制

>>> newc=d.columns.insert(4,'新增')
>>> newd=d.reindex(columns=newc,fill_value=200)
>>> newd
    城市     同比     环比     定基   新增
c5  沈阳  101.4  100.1  101.6  200
c4  深圳  140.9  102.0  145.5  200
c3  广州  119.4  101.3  120.0  200
c2  上海  127.3  101.2  127.8  200
c1  北京  120.7  101.5  121.4  200

索引类型

>>> d.index
Index(['c5', 'c4', 'c3', 'c2', 'c1'], dtype='object')
>>> d.columns
Index(['城市', '同比', '环比', '定基'], dtype='object')

Series和DataFrame的索引是Index类型
Index对象是不可修改类型

索引类型的常用方法

方法	说明
.append(idx)	连接另一个Index对象，产生新的Index对象
.diff(idx)	计算差集，产生新的Index对象
.intersection(idx)	计算交集
.union(idx)	计算并集
.delete(loc)	删除loc位置处的元素
.insert(loc,e)	在loc位置增加一个元素e

.drop()能够删除Series和DataFrame指定行或列索引

>>> d
    城市     同比     环比     定基
c5  沈阳  101.4  100.1  101.6
c4  深圳  140.9  102.0  145.5
c3  广州  119.4  101.3  120.0
c2  上海  127.3  101.2  127.8
c1  北京  120.7  101.5  121.4
>>> d.drop('c5')
    城市     同比     环比     定基
c4  深圳  140.9  102.0  145.5
c3  广州  119.4  101.3  120.0
c2  上海  127.3  101.2  127.8
c1  北京  120.7  101.5  121.4
>>> d.drop('同比',axis=1)
    城市     环比     定基
c5  沈阳  100.1  101.6
c4  深圳  102.0  145.5
c3  广州  101.3  120.0
c2  上海  101.2  127.8
c1  北京  101.5  121.4

Pandas库的数据类型运算

算术运算法则

算术运算根据行列索引，补齐后运算，运算默认产生浮点数

补齐时缺项填充NaN(空值)

二维和一维、一维和零维间为广播运算（不同维度间运算低维的会作用到高维的每个元素上）

采用+ - * / 符号进行的二元运算产生新的对象

>>> import pandas as pd
>>> import numpy as np
>>> a=pd.DataFrame(np.arange(12).reshape(3,4))
>>> a
   0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11
>>> b=pd.DataFrame(np.arange(20).reshape(4,5))
>>> b
    0   1   2   3   4
0   0   1   2   3   4
1   5   6   7   8   9
2  10  11  12  13  14
3  15  16  17  18  19
>>> a+b
      0     1     2     3   4
0   0.0   2.0   4.0   6.0 NaN
1   9.0  11.0  13.0  15.0 NaN
2  18.0  20.0  22.0  24.0 NaN
3   NaN   NaN   NaN   NaN NaN
>>> a*b
      0     1      2      3   4
0   0.0   1.0    4.0    9.0 NaN
1  20.0  30.0   42.0   56.0 NaN
2  80.0  99.0  120.0  143.0 NaN
3   NaN   NaN    NaN    NaN NaN

方法形式的运算

方法	说明
.add(d,**argws)	类型间加法运算，可选参数
.sub(d,**argws)	类型间减法运算，可选参数
.mul(d,**argws)	类型间乘法运算，可选参数
.div(d,**argws)	类型间除法运算，可选参数

fill_value参数替代NaN，替代后参与运算

>>> b.add(a,fill_value=100)
       0      1      2      3      4
0    0.0    2.0    4.0    6.0  104.0
1    9.0   11.0   13.0   15.0  109.0
2   18.0   20.0   22.0   24.0  114.0
3  115.0  116.0  117.0  118.0  119.0
>>> a.mul(b,fill_value=0)
      0     1      2      3    4
0   0.0   1.0    4.0    9.0  0.0
1  20.0  30.0   42.0   56.0  0.0
2  80.0  99.0  120.0  143.0  0.0
3   0.0   0.0    0.0    0.0  0.0

不同维度间为广播运算，一维Series默认在轴1（行）参与运算

>>> c=pd.Series(np.arange(4))
>>> c-10
0   -10
1    -9
2    -8
3    -7
dtype: int32
>>> b-c
      0     1     2     3   4
0   0.0   0.0   0.0   0.0 NaN
1   5.0   5.0   5.0   5.0 NaN
2  10.0  10.0  10.0  10.0 NaN
3  15.0  15.0  15.0  15.0 NaN

使用运算方法可以令一维Series参与轴0（列）运算

>>> b.sub(c,axis=0)
    0   1   2   3   4
0   0   1   2   3   4
1   4   5   6   7   8
2   8   9  10  11  12
3  12  13  14  15  16

比较运算法则

比较运算只能比较相同索引的元素，不进行对齐

二维和一维、一维和零维间广播运算

采用< > <= >= == != 等符号进行的二元运算产生布尔对象

同维度运算，尺寸一致

>>> import pandas as pd
>>> import numpy as np
>>> a=pd.DataFrame(np.arange(12).reshape(3,4))
>>> a
   0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11
>>> d=pd.DataFrame(np.arange(12,0,-1).reshape(3,4))
>>> d
    0   1   2  3
0  12  11  10  9
1   8   7   6  5
2   4   3   2  1
>>> a>d
       0      1      2      3
0  False  False  False  False
1  False  False  False   True
2   True   True   True   True
>>> a==d
       0      1      2      3
0  False  False  False  False
1  False  False   True  False
2  False  False  False  False

不同维度，广播运算，默认在1轴

>>> c=pd.Series(np.arange(4))
>>> a>c
       0      1      2      3
0  False  False  False  False
1   True   True   True   True
2   True   True   True   True
>>> c>0
0    False
1     True
2     True
3     True
dtype: bool

Pandas数据特征分析

数据的排序

.sort_index()方法在指定轴上根据索引进行排序，默认升序

.sort_index(axis=0,ascending=True)

轴0是重新排列 行，轴1是重新排列 列

>>> import pandas as pd
>>> import numpy as np
>>> b=pd.DataFrame(np.arange(20).reshape(4,5),index=['c','a','d','b'])
>>> b
    0   1   2   3   4
c   0   1   2   3   4
a   5   6   7   8   9
d  10  11  12  13  14
b  15  16  17  18  19
>>> b.sort_index()
    0   1   2   3   4
a   5   6   7   8   9
b  15  16  17  18  19
c   0   1   2   3   4
d  10  11  12  13  14
>>> b.sort_index(ascending=False)
    0   1   2   3   4
d  10  11  12  13  14
c   0   1   2   3   4
b  15  16  17  18  19
a   5   6   7   8   9

>>> c=b.sort_index(axis=1,ascending=False)
>>> c
    4   3   2   1   0
c   4   3   2   1   0
a   9   8   7   6   5
d  14  13  12  11  10
b  19  18  17  16  15
>>> c=c.sort_index()
>>> c
    4   3   2   1   0
a   9   8   7   6   5
b  19  18  17  16  15
c   4   3   2   1   0
d  14  13  12  11  10

.sort_values()方法在指定轴上根据数值进行排序，默认升序

.Series.sort_values(axis=0,ascending=True)

DataFrame.sort_values(by,axis=0,ascending=True)
by：axis轴上的某个索引或索引列表

>>> import pandas as pd
>>> import numpy as np
>>> b=pd.DataFrame(np.arange(20).reshape(4,5),index=['c','a','d','b'])
>>> b
    0   1   2   3   4
c   0   1   2   3   4
a   5   6   7   8   9
d  10  11  12  13  14
b  15  16  17  18  19
>>> c=b.sort_values(2,ascending=False) # 第二列按降序排列
>>> c
    0   1   2   3   4
b  15  16  17  18  19
d  10  11  12  13  14
a   5   6   7   8   9
c   0   1   2   3   4
>>> c=c.sort_values('a',axis=1,ascending=False) # 第a行按降序排列
>>> c
    4   3   2   1   0
b  19  18  17  16  15
d  14  13  12  11  10
a   9   8   7   6   5
c   4   3   2   1   0

NaN统一放到排序末尾

>>> import pandas as pd
>>> import numpy as np
>>> a=pd.DataFrame(np.arange(12).reshape(3,4),index=['a','b','c'])
>>>a
   0  1   2   3
a  0  1   2   3
b  4  5   6   7
c  8  9  10  11
>>> b=pd.DataFrame(np.arange(20).reshape(4,5),index=['c','a','d','b'])
>>> b
    0   1   2   3   4
c   0   1   2   3   4
a   5   6   7   8   9
d  10  11  12  13  14
b  15  16  17  18  19
>>> c=a+b
>>> c
      0     1     2     3   4
a   5.0   7.0   9.0  11.0 NaN
b  19.0  21.0  23.0  25.0 NaN
c   8.0  10.0  12.0  14.0 NaN
d   NaN   NaN   NaN   NaN NaN
>>> c.sort_values(2,ascending=False)
      0     1     2     3   4
b  19.0  21.0  23.0  25.0 NaN
c   8.0  10.0  12.0  14.0 NaN
a   5.0   7.0   9.0  11.0 NaN
d   NaN   NaN   NaN   NaN NaN
>>> c.sort_values(2,ascending=True)
      0     1     2     3   4
a   5.0   7.0   9.0  11.0 NaN
c   8.0  10.0  12.0  14.0 NaN
b  19.0  21.0  23.0  25.0 NaN
d   NaN   NaN   NaN   NaN NaN

数据的基本统计分析

适用于Series和DataFrame类型

方法	说明
.sum()	计算数据的总和，按0轴计算（下同）
.count()	非NaN值的数量
.mean() .median()	计算数据的算术平均值、算数中位数
.var() .std()	计算数据的方差、标准差
.min() .max()	计算数据的最小值、最大值

适用于Series类型

方法	说明
.argmin() .argmax()	计算数据最大值、最小值所在位置的索引位置（自动索引）
.idxmin() .idxmax()	计算数据最大值、最小值所在位置的索引（自定义索引）

适用于Series和DataFrame类型

方法	说明
.describe()	针对0轴（各列）的统计汇总

>>> import pandas as pd
>>> a=pd.Series([9,8,7,6],index=['a','b','c','d'])
>>> a
a    9
b    8
c    7
d    6
dtype: int64
>>> a.describe()
count    4.000000
mean     7.500000
std      1.290994
min      6.000000
25%      6.750000
50%      7.500000
75%      8.250000
max      9.000000
dtype: float64
>>> type(a.describe())
<class 'pandas.core.series.Series'>
>>> a.describe()['count']
4.0
>>> a.describe()['max']
9.0

>>> import pandas as pd
>>> import numpy as np
>>> b=pd.DataFrame(np.arange(20).reshape(4,5),index=['c','a','d','b'])
b
    0   1   2   3   4
c   0   1   2   3   4
a   5   6   7   8   9
d  10  11  12  13  14
b  15  16  17  18  19
>>> b.describe()
               0          1          2          3          4
count   4.000000   4.000000   4.000000   4.000000   4.000000
mean    7.500000   8.500000   9.500000  10.500000  11.500000
std     6.454972   6.454972   6.454972   6.454972   6.454972
min     0.000000   1.000000   2.000000   3.000000   4.000000
25%     3.750000   4.750000   5.750000   6.750000   7.750000
50%     7.500000   8.500000   9.500000  10.500000  11.500000
75%    11.250000  12.250000  13.250000  14.250000  15.250000
max    15.000000  16.000000  17.000000  18.000000  19.000000
>>> type(b.describe())
<class 'pandas.core.frame.DataFrame'>
>>> b.describe()[2]
count     4.000000
mean      9.500000
std       6.454972
min       2.000000
25%       5.750000
50%       9.500000
75%      13.250000
max      17.000000
Name: 2, dtype: float64

数据的累计统计分析

适用于Series和DataFrame类型，累积计算

方法	说明
.cumsum()	依次给出前1、2、… 、n个数的和
.cumprod()	依次给出前1、2、… 、n个数的积
.cummax()	依次给出前1、2、… 、n个数的最大值
.cummin()	依次给出前1、2、… 、n个数的最小值

>>> import pandas as pd
>>> import numpy as np
>>> b=pd.DataFrame(np.arange(20).reshape(4,5),index=['c','a','d','b'])
>>> b
    0   1   2   3   4
c   0   1   2   3   4
a   5   6   7   8   9
d  10  11  12  13  14
b  15  16  17  18  19
>>> b.cumsum()
    0   1   2   3   4
c   0   1   2   3   4
a   5   7   9  11  13
d  15  18  21  24  27
b  30  34  38  42  46
>>> b.cumprod()
   0     1     2     3     4
c  0     1     2     3     4
a  0     6    14    24    36
d  0    66   168   312   504
b  0  1056  2856  5616  9576
>>> b.cummin()
   0  1  2  3  4
c  0  1  2  3  4
a  0  1  2  3  4
d  0  1  2  3  4
b  0  1  2  3  4
>>> b.cummax()
    0   1   2   3   4
c   0   1   2   3   4
a   5   6   7   8   9
d  10  11  12  13  14
b  15  16  17  18  19

适用于Series和DataFrame类型，滚动计算（窗口计算）

方法	说明
.rolling(w).sum()	依次计算相邻w个元素的和
.rolling(w).mean()	依次计算相邻w个元素的算术平均值
.rolling(w).var()	依次计算相邻w个元素的方差
.rolling(w).std()	依次计算相邻w个元素的标准差
.rolling(w).min() .max()	依次计算相邻w个元素的最小值和最大值

>>> import pandas as pd
>>> import numpy as np
>>> b=pd.DataFrame(np.arange(20).reshape(4,5),index=['c','a','d','b'])
>>> b
    0   1   2   3   4
c   0   1   2   3   4
a   5   6   7   8   9
d  10  11  12  13  14
b  15  16  17  18  19
>>> b.rolling(2).sum()
      0     1     2     3     4
c   NaN   NaN   NaN   NaN   NaN
a   5.0   7.0   9.0  11.0  13.0
d  15.0  17.0  19.0  21.0  23.0
b  25.0  27.0  29.0  31.0  33.0
>>> b.rolling(3).sum()
      0     1     2     3     4
c   NaN   NaN   NaN   NaN   NaN
a   NaN   NaN   NaN   NaN   NaN
d  15.0  18.0  21.0  24.0  27.0
b  30.0  33.0  36.0  39.0  42.0

数据的相关分析

相关性

• x增大，y增大，两个变量正相关
• x增大，y减小，两个变量负相关
• x增大，y无视，两个变量不相关

协方差：
$cov(X,Y)=\frac{{\sum }_{i=1}^n(X_i-\bar{X})(Y_i-\bar{Y})}{n-1}$

• 协方差>0， X和Y正相关
• 协方差<0， X和Y负相关
• 协方差=0， X和Y独立无关

Pearson相关系数：

$r=\frac{{\sum }_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{{\sum }_{i=1}^n(x_i-\bar{x}{)}^2}\sqrt{{\sum }_{i=1}^n(y_i-\bar{y}{)}^2}}$

r取值范围[-1,1]

• 0.8–1.0 极强相关
• 0.6–0.8 强相关
• 0.4–0.6 中等程度相关
• 0.2–0.4 弱相关
• 0.0–0.2 极弱相关或无相关

相关分析函数

适用于Series和DataFrame类型

方法	说明
.cov()	计算协方差矩阵
.corr()	计算相关系数矩阵，Pearson、Spearman、Kendall等系数

实例：房价增幅与M2增幅的相关性

>>> import pandas as pd
>>> hprice=pd.Series([3.04,22.93,12.75,22.6,12.33],index=['2008','2009','2010','2011','2012'])
>>> m2=pd.Series([8.18,18.38,9.13,7.82,6.69],index=['2008','2009','2010','2011','2012'])
>>> hprice.corr(m2)
0.5239439145220387

小结

一组数据的摘要：

• 排序 .sort_index() .sort_values()
• 基本统计函数 .describe()
• 累计统计函数 .cum*() .rolling().*()
• 相关性分析 .corr() .cov()