文章目录
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