Pandas基础（一）——Pandas基础

1.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

pd.read_table('data/my_table.txt', header=None)
pd.read_csv('data/my_csv.csv', index_col=['col1', 'col2'])
pd.read_table('data/my_table_special_sep.txt', sep=' \|\|\|\| ', engine='python')

常见参数包括：

• header=None 表示第一行不作为列名
• index_col 表示把某一列或几列作为索引
• usecols 表示读取列的集合，默认读取所有的列
• parse_dates 表示需要转化为时间的列
• nrows 表示读取的数据行数
• read_table 有一个分割参数 sep ，它使得用户可以自定义分割符号，进行 txt 数据的读取，同时需要指定引擎为 python，需要注意的是sep 是正则参数

（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)
df_txt.to_csv('data/my_txt_saved.txt', sep='\t', index=False)

pandas 中没有定义 to_table 函数，但是 to_csv 可以保存为 txt 文件，并且允许自定义分隔符，常用制表符 \t 分割

2.基本数据结构

pandas 中具有两种基本的数据存储结构，存储一维数据的 Series 和存储二维数据的 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')

object 代表了一种混合类型，正如上面的例子存储了整数、字符串以及 Python 的字典数据结构。此外，目前 pandas 把纯字符串序列也默认认为是一种 object 类型的序列，但它也可以用 string 类型存储。

s.values
s.index
s.dtype
s.name
s.shape

Series可以读取的基本属性

（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，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)])

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，例如df['col_0']，df[['col_0', 'col_1']]

df.values
df.index
df.dtypes
df.columns
df.shape
df.T

同样可以得到基本属性，.T方法是对DataFrame进行转置

3.常用基本函数

（1）汇总函数

df.head(2)
df.tail(3)
df.info()
df.describe()

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；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

（2）特征统计函数

df_demo = df[['Height', 'Weight']]
df_demo.mean()
df_demo.max()
df_demo.quantile(0.75)
df_demo.count()
df_demo.idxmax()

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

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

（3）唯一值函数

df['School'].unique()
df['School'].nunique()
df['School'].value_counts()

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，value_counts 可以得到唯一值和其对应出现的频数

df_demo = df[['Gender','Transfer','Name']]
df_demo.drop_duplicates(['Gender', 'Transfer'], keep='last')

df_demo.duplicated(['Gender', 'Transfer']).head()

drop_duplicates可以观察多个列组合的唯一值 。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。

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。

（4）替换函数

替换操作是针对某一个列进行的。 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。

映射替换

映射替换中其中最常见的是 replace 方法。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()
df['Gender'].replace(['Female', 'Male'], [0, 1]).head()

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

s = pd.Series(['a', 1, 'b', 2, 1, 1, 'a'])

s.replace([1, 2], method='ffill')
s.replace([1, 2], method='bfill')

两者输出不同，上面的输出aabbbba，下面的输出abbaaaa

逻辑替换

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.where(s<0)
s.where(s<0, 100)

s.mask(s<0, -50)

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

数值替换

数值替换包含了 round, abs, clip 方法，它们分别表示取整、取绝对值和截断

s = pd.Series([-1, 1.2345, 100, -50])
s.round(2)
s.abs()
s.clip(0, 2) # 前两个数分别表示上下截断边界

（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

默认参数 ascending=True 为升序

df_demo.sort_values('Height', ascending=False).head()

在排序中，进场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()

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()

（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

df_demo.apply(lambda x:x.mean(), axis=1).head()

得益于传入自定义函数的处理， apply 的自由度很高，但这是以性能为代价的。一般而言，使用 pandas 的内置函数处理和 apply 来处理同一个任务，其速度会相差较多，因此只有在确实存在自定义需求的情境下才考虑使用 apply 。

4.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 。

（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)

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

roller.mean()
roller.sum()
roller.apply(lambda x:x.mean())

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)
roller.corr(s2)

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。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 = pd.Series([1,3,6,10,15])
s.shift(2)  # s.rolling(3).apply(lambda x:list(x)[0])
s.diff(3)  # s.rolling(4).apply(lambda x:list(x)[-1]-list(x)[0]) 
s.pct_change()

（3）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()

注：内容来源于datawhale