python积累--pandas读取数据积累

通过带有标签的列和索引,Pandas 使我们可以以一种所有人都能理解的方式来处理数据。它可以让我们毫不费力地从诸如 csv 类型的文件中导入数据。我们可以用它快速地对数据进行复杂的转换和过滤等操作。

pandas和 Numpy、Matplotlib 一起构成了一个 Python 数据探索和分析的强大基础。Scipy是同类型的库,感兴趣的可以进行了解。

本文记录和收集积累pandas的用法。

导入 Pandas

import pandas as pd # This is the standard

这是导入 pandas 的标准方法。我们不想一直写 pandas 的全名,但是保证代码的简洁和避免命名冲突都很重要,所以折中使用 pd 。如果你去看别人使用 pandas 的代码,就会看到这种导入方式。

Pandas 中的数据类型

Pandas 基于两种数据类型,series 和 dataframe。

series 是一种一维的数据类型,其中的每个元素都有各自的标签。你可以把它当作一个由带标签的元素组成的 numpy 数组。标签可以是数字或者字符。 通俗的理解就是 带有标签的行 或者带有标签的列。

dataframe 是一个二维的、表格型的数据结构。Pandas 的 dataframe 可以储存许多不同类型的数据,并且每个轴都有标签。你可以把它当作一个 series 的字典。通俗的理解就是 行列带有标签的表格。

将数据导入 Pandas

# Reading a csv into Pandas.
df = pd.read_csv('my_data.csv', header=0)

如果你的数据集中有中文的话,最好在里面加上 encoding = ‘gbk’ ,以避免乱码问题。后面的导出数据的时候也一样。

这里我们从 csv 文件里导入了数据,并储存在 dataframe 中。这一步非常简单,你只需要调用 read_csv 然后将文件的路径传进去就行了。header 关键字告诉 Pandas 哪些是数据的列名。如果没有列名的话就将它设定为 None 。

查看前 x 行的数据

# Getting first x rows.
df.head(5)

我们只需要调用 head() 函数并且将想要查看的行数传入。

查看后 x 行的数据

# Getting last x rows.
df.tail(5)

跟 head 一样,我们只需要调用 tail 并且传入想要查看的行数即可。注意,它并不是从最后一行倒着显示的,而是按照数据原来的顺序显示。

修改列名

输入新列名即可

# Changing column labels.
df.columns = ['water_year','rain_octsep', 'outflow_octsep',
              'rain_decfeb', 'outflow_decfeb', 'rain_junaug', 'outflow_junaug']

查询总行数

在 Pandas 中,一条记录对应着一行,所以我们可以对数据集调用 len 方法,它将返回数据集的总行数:

# Finding out how many rows dataset has.
len(df)

上面的代码返回一个表示数据行数的整数

统计表格

你可能还想知道数据集的一些基本的统计数据,在 Pandas 中,这个操作简单到哭:

# Finding out basic statistical information on your dataset.
pd.options.display.float_format = '{:,.3f}'.format # Limit output to 3 decimal places.
df.describe()

这将返回一张表,其中有诸如总数、均值、标准差之类的统计数据:

提取一整列

使用列的标签可以非常简单地做到:

# Getting a column by label
df['rain_octsep']

注意,当我们提取列的时候,会得到一个 series ,而不是 dataframe 。记得我们前面提到过,你可以把 dataframe 看作是一个 series 的字典,所以在抽取列的时候,我们就会得到一个 series。

使用点号获取列

访问对象属性一样访问数据集的列——只用一个点号。

# Getting a column by label using .
df.rain_octsep

这句代码返回的结果与前一个例子完全一样——是我们选择的那列数据。

返回列是否符合条件

pandas可以使用布尔过滤(boolean masking)的技术,通过在一个数组上运行条件来得到一个布林数组。

# Creating a series of booleans based on a conditional
df.rain_octsep < 1000 # Or df['rain_octsep] < 1000

上面的代码将会返回一个由布尔值构成的 dataframe。True 表示在十月-九月降雨量小于 1000 mm,False 表示大于等于 1000 mm。

我们可以用这些条件表达式来过滤现有的 dataframe。

筛选符合条件的列

# Using a series of booleans to filter
df[df.rain_octsep < 1000]

这条代码只返回十月-九月降雨量小于 1000 mm 的记录:

也可以通过复合条件表达式来进行过滤:

# Filtering by multiple conditionals
df[(df.rain_octsep < 1000) & (df.outflow_octsep < 4000)] # Can't use the keyword 'and'

这条代码只会返回 rain_octsep 中小于 1000 的和 outflow_octsep 中小于 4000 的记录:

注意重要的一点:这里不能用 and 关键字,因为会引发操作顺序的问题。必须用 & 和圆括号。

和操作 使用&、或操作使用|、not操作使用 ~

    df = df[(df['user:Name'].str.find('condor')>=0) | (df['UsageType'].str.find('CNW1-SpotUsage:c4.8xlarge')>=0)]

列筛选–字符串匹配–包含等

如果你的数据是字符串,你也可以使用字符串方法来进行过滤:

# Filtering by string methods
df[df.water_year.str.startswith('199')]

注意,你必须用 .str.[string method] ,而不能直接在字符串上调用字符方法。上面的代码返回所有 90 年代的记录。

行选择的前提—设置索引

可以设置一个(或者多个)新的索引:

# Setting a new index from an existing column
df = df.set_index(['water_year'])
df.head(5)

上面的代码将 water_year 列设置为索引。注意,列的名字实际上是一个列表,虽然上面的例子中只有一个元素。如果你想设置多个索引,只需要在列表中加入列的名字即可。

数字型的标签–行选择–iloc

之前的部分展示了如何通过列操作来得到数据,但是 Pandas 的行也有标签。行标签可以是基于数字的或者是标签,而且获取行数据的方法也根据标签的类型各有不同。

如果你的行标签是数字型的,你可以通过 iloc 来引用:

# Getting a row via a numerical index
df.iloc[30]

iloc 只对数字型的标签有用。它会返回给定行的 series,行中的每一列都是返回 series 的一个元素。

字符型的标签–行选择–loc

我们设置的索引列中都是字符型数据,这意味着我们不能继续使用 iloc 来引用,那我们用什么呢?用 loc 。

# Getting a row via a label-based index
df.loc['2000/01']

和 iloc 一样,loc 会返回你查询的行,唯一一点不同就是此时你使用的是基于字符串的引用,而不是基于数字的。

字符型和数字类型的标签–行选择–ix

还有一个引用列的常用常用方法—— ix 。如果 loc 是基于标签的,而 iloc 是基于数字的,那 ix 是基于什么的?事实上,ix 是基于标签的查询方法,但它同时也支持数字型索引作为备选。

# Getting a row via a label-based or numerical index
df.ix['1999/00'] # Label based with numerical index fallback *Not recommended

与 iloc、loc 一样,它也会返回你查询的行。

如果 ix 可以同时起到 loc 和 iloc 的作用,那为什么还要用后两个?一大原因就是 ix 具有轻微的不可预测性。还记得我说过它所支持的数字型索引只是备选吗?这一特性可能会导致 ix 产生一些奇怪的结果,比如讲一个数字解释为一个位置。而使用 iloc 和 loc 会很安全、可预测并且让人放心。但是我要指出的是,ix 比 iloc 和 loc 要快一些。

选取等于某些值的行记录

用 ==

df.loc[df['column_name'] == some_value]

选取某列是否需要的数值 用 isin

df.loc[df['column_name'].isin(some_values)]

多种条件的选取 用 &

df.loc[(df['column'] == some_value) & df['other_column'].isin(some_values)]

选取不等于某些值的行记录 用 !=

df.loc[df['column_name'] != some_value]

isin返回一系列的数值,如果要选择不符合这个条件的数值使用~

df.loc[~df['column_name'].isin(some_values)]

按位置选择

更多按位置选择内容:http://pandas.pydata.org/pandas-docs/version/0.20/indexing.html#indexing-integer

通过传递的整数的位置进行选择:

df.iloc[3] #取出第三行
Clipboard Image.png

通过整数切片,类似于numpy / python:

df.iloc[3:5,0:2]
Clipboard Image.png

切出3-4行,1-2列一块区域

通过整数位置列表切分,类似numpy的/ Python的风格:

df.iloc[[1,2,4],[0,2]]

切分出某些行:

df.iloc[1:3,:]

切分出某些列:

df.iloc[:,1:3]

获取某个值

df.iloc[1,1]

快速访问某个值(等同于先前的方法):

df.iat[1,1]

索引排序

将索引排序通常会很有用,在 Pandas 中,我们可以对 dataframe 调用 sort_index 方法进行排序。

df.sort_index(ascending=False).head(5) #inplace=True to apple the sorting in place

将参数 ascending 设置为 false,数据就会呈降序排列。

解除索引

当你将一列设置为索引的时候,它就不再是数据的一部分了。如果你想将索引恢复为数据,调用 set_index 相反的方法 reset_index 即可:

# Returning an index to data
df = df.reset_index('water_year')
df.head(5)

这一语句会将索引恢复成数据形式

修改列—对数据集应用函数-apply 和 applymap

有时你想对数据集中的数据进行改变或者某种操作。比方说,你有一列年份的数据,你需要新的一列来表示这些年份对应的年代。Pandas 中有两个非常有用的函数,apply 和 applymap。

# Applying a function to a column
def base_year(year):
    base_year = year[:4]
    base_year= pd.to_datetime(base_year).year
    return base_year

df['year'] = df.water_year.apply(base_year)
df.head(5)

上面的代码创建了一个叫做 year 的列,它只将 water_year 列中的年提取了出来。这就是 apply 的用法,即对一列数据应用函数。如果你想对整个数据集应用函数,就要使用 applymap 。

操作数据集的结构–groupby

另一常见的做法是重新建立数据结构,使得数据集呈现出一种更方便并且(或者)有用的形式。

掌握这些转换最简单的方法就是观察转换的过程。

首先,是 groupby :

#Manipulating structure (groupby, unstack, pivot)
# Grouby
df.groupby(df.year // 10 *10).max()

groupby 会按照你选择的列对数据集进行分组。上例是按照年代分组。不过仅仅这样做并没有什么用,我们必须对其调用函数,比如 max 、 min 、mean 等等。例中,我们可以得到 90 年代的均值。

你也可以按照多列进行分组:

# Grouping by multiple columns
decade_rain = df.groupby([df.year // 10 * 10, df.rain_octsep // 1000 * 1000])[['outflow_octsep',                                                              'outflow_decfeb', 'outflow_junaug']].mean()
decade_rain

接下来是 unstack ,它可以将一列数据设置为列标签。最好还是看看实际的操作:

# Unstacking
decade_rain.unstack(0)

这条语句将上例中的 dataframe 转换为下面的形式。它将第 0 列,也就是 year 列设置为列的标签。

让我们再操作一次。这次使用第 1 列,也就是 rain_octsep 列:

# More unstacking
decade_rain.unstack(1)

Pivoting

在进行操作之前,我们先创建一个用于演示的 dataframe :

# Create a new dataframe containing entries which 
# has rain_octsep values of greater than 1250
high_rain = df[df.rain_octsep > 1250]
high_rain

我们将会在上面的代码产生的 dataframe里演示轴向旋转(pivoting)。

轴旋转其实就是我们之前已经看到的那些操作的一个集合。首先,它会设置一个新的索引(set_index()),然后对索引排序(sort_index()),最后调用 unstack 。以上的步骤合在一起就是 pivot 。接下来看看你能不能搞清楚下面的代码在干什么:

#Pivoting
#does set_index, sort_index and unstack in a row
high_rain.pivot('year', 'rain_octsep')[['outflow_octsep', 'outflow_decfeb', 'outflow_junaug']].fillna('')

注意,最后有一个 .fillna(’’) 。pivot 产生了很多空的记录,也就是值为 NaN 的记录。 fillna(’’)填充数据 。你也可以用别的别的东西,比方说 0 。我们也可以使用 dropna(how = ‘any’) 来删除有 NaN 的行,不过这样就把所有的数据都删掉了,所以不这样做。

上面的 dataframe 展示了所有降雨超过 1250 的 outflow 。诚然,这并不是讲解 pivot 实际应用最好的例子,但希望你能明白它的意思。看看你能在你的数据集上得到什么结果。

合并数据集

有时你有两个相关联的数据集,你想将它们放在一起比较或者合并它们。好的,没问题,在 Pandas 里很简单:

# Merging two datasets together
rain_jpn = pd.read_csv('jpn_rain.csv')
rain_jpn.columns = ['year', 'jpn_rainfall']

uk_jpn_rain = df.merge(rain_jpn, on='year')
uk_jpn_rain.head(5)

首先你需要通过 on 关键字来指定需要合并的列。通常你可以省略这个参数,Pandas 将会自动选择要合并的列。

如下图所示,两个数据集在年份这一类上合并了。jpn_rain 数据集只有年份和降雨量两列,通过年份列合并之后,jpn_rain 中只有降雨量那一列合并到了 UK_rain 数据集中。

使用 Pandas 快速作图

Matplotlib 很棒,但是想要绘制出还算不错的图表却要写不少代码,而有时你只是想粗略的做个图来探索下数据,搞清楚数据的含义。Pandas 通过 plot 来解决这个问题:

# Using pandas to quickly plot graphs
uk_jpn_rain.plot(x='year', y=['rain_octsep', 'jpn_rainfall'])

这会调用 Matplotlib 快速轻松地绘出了你的数据图。

保存你的数据集

在清洗、重塑、探索完数据之后,你最后的数据集可能会发生很大改变,并且比最开始的时候更有用。你应该保存原始的数据集,但是你同样应该保存处理之后的数据。

# Saving your data to a csv
df.to_csv('uk_rain.csv')

上面的代码将会保存你的数据到 csv 文件以便下次使用。

对比文件内容

例子:查询bl.txt文件与ba.txt文件的数据是否一致对应

import pandas as pd


def parse_change_Record():
    rawsnppath="/Users/joe/workspace/diffrentgt/ba.txt"
    fixsnppath = "/Users/joe/workspace/diffrentgt/bl.txt"
    rawsnp = pd.read_table(rawsnppath, dtype=str)
    fixsnp = pd.read_table(fixsnppath, dtype=str)
    for index, row in fixsnp.iterrows():
        if len(rawsnp[(rawsnp['#rsid'] == row['#rsid']) & (rawsnp['genotype'] == row['genotype'])].index.tolist()) > 0:
            print("找到对应%s, %s" % (row['#rsid'], row['genotype']))
        else:
            print("未找到对应%s, %s" % (row['#rsid'], row['genotype']))


parse_change_Record()

读写excel

    with open("today.xls", "wb") as todaycsv:
        todaycsv.write(r.content)
    sheet = pd.read_excel("today.xls", header=1)
    print(sheet)

获取单列转为list(去重)

 barcode_list_df = pd.read_table(barcode_list_path, dtype=str, header=None)
    print(barcode_list_df)
    barcode_list_df_columns = barcode_list_df[0]
    columns = barcode_list_df_columns.tolist()
    barcodes = list(set(columns).difference())

修改列名

如下:
   a  b
0  1  1
1  2  2
2  3  3


1、修改列名a,b为A、B。

df.columns = ['A','B']

2、只修改列名a为A

df.rename(columns={'a':'A'})

注意:有的时候收到的csv文件的列名是中文的,想要修改列名就需要在字符串前面加上 u,而且需要df=df.rename,否则更改不会生效

  df = pd.read_excel("today.xls", header=1)
   df = df.rename(columns={u'代码':'code',u'名称':'name',u'最新价':'new_price',u'涨跌幅':'change',u'涨跌额':'change_money',u'买入':'buy',u'卖出':'sell',u'成交量':'volume',u'成交额':'volume_money',u'今开':'open',u'昨收':'close',u'最高':'high',u'最低':'low'})

新增列

新增时间列

    today = datetime.date.today()
    df['date'] = today

输出如下:

          code  name  new_price  ...       high        low        date
0     sz300758  七彩化学  51.810001  ...  56.299999  51.810001  2019-04-09
1     sz300416  苏试试验  25.200001  ...  29.480000  25.200001  2019-04-09
2     sz300176  派生科技  27.910000  ...  27.910000  27.910000  2019-04-09
3     sz300761  立华股份  66.830002  ...  69.000000  66.830002  2019-04-09
4     sz000830  鲁西化工  17.840000  ...  18.480000  17.840000  2019-04-09

新增列由老的列处理而来–删除不要的部分

    df['code'] = df['hscode'].str.replace("sz", "")
	或者
    df['code'] = df['hscode'].map(lambda x: x.lstrip('sz').lstrip('sh').rstrip('sh'))

输出如下:

        hscode  name  new_price  ...        low        date    code
0     sz300758  七彩化学  51.810001  ...  51.810001  2019-04-09  300758
1     sz300416  苏试试验  25.200001  ...  25.200001  2019-04-09  300416
2     sz300176  派生科技  27.910000  ...  27.910000  2019-04-09  300176
3     sz300761  立华股份  66.830002  ...  66.830002  2019-04-09  300761

新增列由老的列处理而来–拼接两个字段

  df['id'] = df['code'].str.cat(df['date'].map(lambda x : str(x)))

输出如下:

启动环境 dev
        hscode  name  new_price  ...        date    code                id
0     sz300758  七彩化学  51.810001  ...  2019-04-09  300758  3007582019-04-09
1     sz300416  苏试试验  25.200001  ...  2019-04-09  300416  3004162019-04-09
2     sz300176  派生科技  27.910000  ...  2019-04-09  300176  3001762019-04-09
3     sz300761  立华股份  66.830002  ...  2019-04-09  300761  3007612019-04-09

DataFrame数据保留两位小数显示

format = lambda x: '%.2f' % x
df = df.applymap(format)
print df.loc["2017-04-26":"2017-06-15"]#默认打印全部列

以csv格式存放

import numpy as np
import pandas as pd
import pandas_datareader.data as web
import datetime

'''pd.read_csv test'''

df_csvsave = web.DataReader("600018.SS","yahoo",datetime.datetime(2019,1,1),datetime.date.today())
print (df_csvsave)
#print (df_csvsave.index)
#print (df_csvsave.colums)

df_csvsave.to_csv(r'C:\Users\15461\Desktop\table.csv',columns=df_csvsave.columns,index=True)

pandas表格导入MySQL数据库

pandas提供了将数据便捷存入关系型数据库的方法,在新版的pandas中,主要是已sqlalchemy方式与数据建立连接,支持MySQL、Postgresql、Oracle、MS SQLServer、SQLite等主流数据库。本例以MySQL数据库为代表,展示将获取到的股票数据存入数据库的方法,其他类型数据库请参考sqlalchemy官网文档的create_engine部分。

常用参数说明:

name:表名,pandas会自动创建表结构
con:数据库连接,最好是用sqlalchemy创建engine的方式来替代con
flavor:数据库类型 {‘sqlite’, ‘mysql’}, 默认‘sqlite’,如果是engine此项可忽略
schema:指定数据库的schema,默认即可
if_exists:如果表名已存在的处理方式 {‘fail’, ‘replace’, ‘append’},默认‘fail’
index:将pandas的Index作为一列存入数据库,默认是True
index_label:Index的列名
chunksize:分批存入数据库,默认是None,即一次性全部写人数据库
dtype:设定columns在数据库里的数据类型,默认是None

调用方法:

from sqlalchemy import create_engine
import tushare as ts

df = ts.get_tick_data('600848', date='2014-12-22')
engine = create_engine('mysql://user:passwd@127.0.0.1/db_name?charset=utf8')

#存入数据库
df.to_sql('tick_data',engine)

#追加数据到现有表
#df.to_sql('tick_data',engine,if_exists='append')

计算各列数据总和并作为新行添加到末尾

df['Col_sum'] = df.apply(lambda x: x.sum(), axis=1)

计算各行数据总和并作为新列添加到末尾

df.loc['Row_sum'] = df.apply(lambda x: x.sum())

最终数据结果:

                A         B         C         D         E   Col_sum
0        0.673092  0.230338 -0.171681  0.312303 -0.184813  0.859238
1       -0.504482 -0.344286 -0.050845 -0.811277 -0.298181 -2.009071
2        0.542788  0.207708  0.651379 -0.656214  0.507595  1.253256
3       -0.249410  0.131549 -2.198480 -0.437407  1.628228 -1.125520
Row_sum  0.461987  0.225310 -1.769627 -1.592595  1.652828 -1.022097

求单列的总和平均等

在pandas中进行列级别的分析很简单。下面是一些例子:

df["Jan"].sum(), df["Jan"].mean(),df["Jan"].min(),df["Jan"].max()

求一行中多个列的总和

df["total"] = df["Jan"] + df["Feb"] + df["Mar"]

或者
i代表要计算的行

Row_sum = df.iloc[i,0:].sum()

获取非空的行

例子:

# df为需要筛选的数据框,col为选择非空依赖的列名
df = df[(df['col'].notnull()) & (df['col'] != "")& (df['col'].notna())]

获取值为空的行

例子:

# df为需要筛选的数据框,col为选择空值的列名
df = df[(df['col'].isnull()) | (df['col'] == "") | (df['col'].isna())]

选择两个时间之间的dataframe行

df['date'] = pd.to_datetime(df['date'])
df = (df['date'] > '2019-4-8 00:00:00') & (df['date'] <= '2019-4-14 18:00:00'
)

注意,时间列需要使用pd.to_datetime(df[‘date’])先转换为时间格式。

删除列

采用drop方法,有下面三种等价的表达式:

1. DF= DF.drop('column_name', 1);

2. DF.drop('column_name',axis=1, inplace=True)

3. DF.drop([DF.columns[[0,1, 3]]], axis=1,inplace=True)   # Note: zero indexed

默认axis=0,drop是删除行。
设置axis=1(按列方向操作)、inplace=True(修改完数据,在原数据上保存)

注意:凡是会对原数组作出修改并返回一个新数组的,往往都有一个 inplace可选参数。如果手动设定为True(默认为False),那么原数组直接就被替换。也就是说,采用inplace=True之后,原数组名(如2和3情况所示)对应的内存值直接改变;而采用inplace=False之后,原数组名对应的内存值并不改变,需要将新的结果赋给一个新的数组或者覆盖原数组的内存位置(如1情况所示)

循环遍历行

方式一

  for index,row in df.iterrows():
        id =row["id"]
        x=row["x"]
        y=row["y"]
        judge=row["judge"]

方式二

for row in df.itertuples(index=True, name='Pandas'):
    print getattr(row, "c1"), getattr(row, "c2")

方式三

df.apply()
遍历行并访问函数

def valuation_formula(x, y):
    return x * y * 0.5
 
df['price'] = df.apply(lambda row: valuation_formula(row['x'], row['y']), axis=1)

方式四

使用df.iloc函数,如下所示:

for i in range(0, len(df)):
    print df.iloc[i]['c1'], df.iloc[i]['c2']
已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: Age of Ai 设计师:meimeiellie 返回首页
实付 19.90元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值