数据分析核心包pandas

一 pandas简介

pandas是一个强大的Python数据分析的工具包, 是基于NumPy构建的
pandas的主要功能

具备对其功能的数据结构DateFrame Series
集成时间序列功能
提供丰富的数学运算和操作
灵活处理缺失数据

安装方法: pip install pandas
引用方法：import pandas as pd

二 pands的Series对象

1 Series 一维数据对象

Seriaes是一种类似于一位数组的对象, 由一组数据和一组与之相关的数据标签(索引)组成新的二维数组
创建方式:

pd.Series([4,7,-5,3])
pd.Series([4,7,-5,3], index=['a', 'b', 'c', 'd'])
pd.Series({'a':1, 'b':2})
pd.Series(0, index=['a','b','c','d'])

获取值数组和索引数据: values属性和index属性
Series比较像列表(数组)和字典的结合体

2 Series使用特性

Series支持array的特性(下标)：

从ndarray创建Series:Series(arr)
与标量运算: sr*2
两个Series运算： sr1+sr2
索引：sr[0], sr[[1,2,4]]
切片：sr[0:2]
通用函数:np.abs(sr)
布尔值过滤: sr[sr>0]

Series支持字典的特性(标签):

从字典创建Series: Series(dic)
in运算: 'a' in sr
键索引：sr['a'], sr[['a','b', 'd']]

3 Series整数索引问题

整数索引的pandas对象往往会使新手抓狂的地方
例如：

sr = pd.Series(np.arange(4.))
sr[-1]

如果索引是整数类型,则根据整数进行下标获取值时总是面向标签的。
解决方法: loc属性(将索引解释为标签)和iloc属性(将索引解释为下标)
如：sr2.loc[10] sr2.iloc[-1]

4 Series数据对齐

例：

sr1 = pd.Series([12,23,34], index=['c','a','d'])
sr2 = pd.Series([11,20,10], index=['d', 'c', 'a'])
sr1+sr2

pandas在进行两个Series对象的运算时,会按索引进行对齐然后计算

a:33
c:32
d:45

如何使用结果再索引'b'处的值为11，在索引‘d’处的值为34?

扫描二维码关注公众号，回复： 6135124 查看本文章

灵活的算术方法: add, sub, div, mul
sr1.add(sr2, fill_value=0)

5 Series缺失值处理

缺失数据：使用NaN(Not a Number) 来表示缺失数据。其值等于np.nan。内置的None值也会被当做NaN处理

sr.isnull()       Nan返回True
sr.notnull()      Nan但会False
sr.dropna()       删除索引Nan
sr.fillna(0)      填充所有的nan

过滤缺失数据：sr.dropna() 活 sr[data.notnull()]

填充缺失数据：fillna(0)

三 Pandas之DataFrame-二维数据对象

DataFrame是一个表格型的数据结构, 含有一组有序的列。DataFrame可以被看做是由Series组成的字典,并且共用一个索引

创建方式:

pd.DataFrame({'one':[1,2,3,4], 'two':[4,3,2,1]})
pd.DataFrame({'one':pd.Series([1,2,3], index=['a','b','c']), 'two':pd.Series([1,2,3,4],index=['b','a','c','d'])})

csv文件读取与写入：

df.read_csv('filename.csv')
df.to_csv()

DataFrame常用的属性：

index         获取索引 行索引
T             转置  行变成列 列变成行
columns       获取列索引
values        获取值数组
describe()    获取快速统计

DataFrame索引和切片：

DataFrame是一个二维数据类型,所以有行索引和列索引。
DataFrame同样可以通过标签和位置两种方法进行索引和切片。
loc属性和iloc属性：

使用方法: 逗号隔开,前面是行索引, 后面是列索引
行/列索引部分可以是常规索引,切片,布尔索引,花式索引任意搭配

示例：

# 先取列再取行
df['one']['a']
# 推荐使用loc
df.loc['a', 'one']
# 查看一行数据
dc.loc['a', :]

DataFrame数据对齐与缺失数据：

DataFrame对象在运算时, 同样会进行数据对齐, 其行索引和列索引分别对齐
DataFrame处理缺失数据的相关方法：

dropna(axis=0, where='any', ...)  # 当行所有都是Nan才删除dropna(how='any') 
fillna()
isnull()
notnull()

四 pandas其他常用方法

常用函数

mean(axis=0, skipna=False)           对列(行)求平均数
sum(axis=1)                          对列(行)求和
sort_index(axis, ..., ascending)     对列(行)索引排序
sort_values(by,axis, ascending)      安某一列(行)的值排序
NumPy的通用函数同样适用于pandas

五 pandas-时间对象处理

时间序列类型：

时间戳：特定时刻
固定时刻: 如2017年7月
时间间隔：起始时间-结束时间

Python标准库处理时间对象:datetime

灵活处理时间对象: dateutil

dateutil.parser.parse()

成组处理时间对象:pandas

pd.to_datetime()

生成时间范围：date_range

start 开始时间
end 结束时间
periods 时间长度
freq 时间频率, 默认为'D', 可选H(our)， W(eek)， B(usiness), S(emi0)M(onth), (min)T(es), S(econd), A(year)

pd.date_range('2010-01-01', '2010-5-1')

pandas-时间序列：

时间序列就是以时间对象为索引的Series或DataFrame
datetime对象作为索引时是存储在DatetimeIndex对象中的。
时间序列特殊功能：

传入“年”或“年月”作为切边方式
传入日期范围作为切片方式
丰富的函数支持: resample(), truncate()