摘要:整个序列级别的元数据信息当数据序列以及本身有了名字,就可以更方便的进行后续的数据关联啦这里我感觉就是列名的作用。数据分析入门之总结基础二欢迎来翔的博客查看完成版。
一. Series
Series: pandas的长枪(数据表中的一列或一行,观测向量,一维数组...)
Series1 = pd.Series(np.random.randn(4)) print Series1,type(Series1) print Series1.index print Series1.values
输出结果:
0 -0.676256 1 0.533014 2 -0.935212 3 -0.940822 dtype: float64Int64Index([0, 1, 2, 3], dtype="int64") [-0.67625578 0.53301431 -0.93521212 -0.94082195]
np.random.randn() 正态分布相关。函数说明
Series⽀持过滤的原理就如同NumPyprint Series1>0 print Series1[Series1>0]
输出结果如下:
0 0.030480 1 0.072746 2 -0.186607 3 -1.412244 dtype: float64Int64Index([0, 1, 2, 3], dtype="int64") [ 0.03048042 0.07274621 -0.18660749 -1.41224432]
我发现,逻辑表达式,获得的值就是True或者False。要先取得值,还是要X[y]的形式。
当然也支持广播Broadcasting什么是broadcasting,暂时我也不太清楚,看个栗子:
print Series1*2 print Series1+5
输出结果如下:
0 0.06096 1 1 0.145492 2 -0.373215 3 -2.824489 dtype: float64 0 5.030480 1 5.072746 2 4.813393 3 3.587756 dtype: float64以及Universal Function
numpy.frompyfunc(out,nin,nout) 返回的是一个函数,nin是输入的参数个数,nout是函数返回的对象的个数函数说明
在序列上就使用行标,而不是创建1个2列的数据表,能够轻松辨别哪是数据,哪是元数据这句话的意思,我的理解是序列尽量是一列,不用去创建2列,这样子,使用index就能指定数据了`
Series2 = pd.Series(Series1.values,index=["norm_"+unicode(i) for i in xrange(4)]) print Series2,type(Series2) print Series2.index print type(Series2.index) print Series2.values
输出结果如下,可以看到,它是通过修改了index值的样式,并没有创建2列。
norm_0 -0.676256 norm_1 0.533014 norm_2 -0.935212 norm_3 -0.940822 dtype: float64Index([u"norm_0", u"norm_1", u"norm_2", u"norm_3"], dtype="object") [-0.67625578 0.53301431 -0.93521212 -0.94082195]
虽然行是有顺序的,但是仍然能够通过行级的index来访问到数据:
(当然也不尽然像Ordered Dict,因为⾏索引甚⾄可以重复,不推荐重复的行索引不代表不能用)
print Series2[["norm_0","norm_3"]]
可以看到,读取数据时,确实要采用X[y]的格式。这里X[[y]]是因为,它要读取两个数据,指定的是这两个数据的index值,将index值存放进list中,然后读取。输出结果如下:
norm_0 -0.676256 norm_3 -0.940822 dtype: float64
再比如:
print "norm_0" in Series2 print "norm_6" in Series2
输出结果:
True False
逻辑表达式的输出结果,布尔型值。
从Key不重复的Ordered Dict或者从Dict来定义Series就不需要担心行索引重复:Series3_Dict = {"Japan":"Tokyo","S.Korea":"Seoul","China":"Beijing"} Series3_pdSeries = pd.Series(Series3_Dict) print Series3_pdSeries print Series3_pdSeries.values print Series3_pdSeries.index
输出结果:
China Beijing Japan Tokyo S.Korea Seoul dtype: object ["Beijing" "Tokyo" "Seoul"] Index([u"China", u"Japan", u"S.Korea"], dtype="object")
通过上面的输出结果就知道了,输出结果是无序的,和输入顺序无关。
想让序列按你的排序⽅式保存?就算有缺失值都毫无问题
Series4_IndexList = ["Japan","China","Singapore","S.Korea"] Series4_pdSeries = pd.Series( Series3_Dict ,index = Series4_IndexList) print Series4_pdSeries print Series4_pdSeries.values print Series4_pdSeries.index print Series4_pdSeries.isnull() print Series4_pdSeries.notnull()
上面这样的输出就会按照list中定义的顺序输出结果。
整个序列级别的元数据信息:name
当数据序列以及index本身有了名字,就可以更方便的进行后续的数据关联啦!
这里我感觉就是列名的作用。下面举例:
print Series4_pdSeries.name print Series4_pdSeries.index.name
很显然,输出的结果都是None,因为我们还没指定name嘛!
Series4_pdSeries.name = "Capital Series" Series4_pdSeries.index.name = "Nation" print Series4_pdSeries
输出结果:
Nation Japan Tokyo China Beijing Singapore NaN S.Korea Seoul Name: Capital Series, dtype: object
"字典"?不是的,⾏index可以重复,尽管不推荐。
Series5_IndexList = ["A","B","B","C"] Series5 = pd.Series(Series1.values,index = Series5_IndexList) print Series5 print Series5[["B","A"]]
输出结果:
A 0.030480 B 0.072746 B -0.186607 C -1.412244 dtype: float64 B 0.072746 B -0.186607 A 0.030480 dtype: float64
我们可以看出,Series["B"]输出了两个值,所以index值尽量不要重复呀!
二. DataFrameDataFrame:pandas的战锤(数据表,⼆维数组)
Series的有序集合,就像R的DataFrame一样方便。
仔细想想,绝大部分的数据形式都可以表现为DataFrame。
从NumPy二维数组、从文件或者从数据库定义:数据虽好,勿忘列名dataNumPy = np.asarray([("Japan","Tokyo",4000),("S.Korea","Seoul",1300),("China","Beijing",9100)]) DF1 = pd.DataFrame(dataNumPy,columns=["nation","capital","GDP"]) DF1
这里DataFrame中的columns应该就是列名的意思。现在看print的结果,是不是很舒服啊!Excel的样式嘛
等长的列数据保存在一个字典里(JSON):很不幸,字典key是无序的dataDict = {"nation":["Japan","S.Korea","China"],"capital":["Tokyo","Seoul","Beijing"],"GDP":[4900,1300,9100]} DF2 = pd.DataFrame(dataDict) DF2
输出结果可以发现,无序的!
GDP capital nation
0 4900 Tokyo Japan
1 1300 Seoul S.Korea
2 9100 Beijing China
PS:由于懒得截图放过来,这里没有了边框线。
从另一个DataFrame定义DataFrame:啊,强迫症犯了!DF21 = pd.DataFrame(DF2,columns=["nation","capital","GDP"]) DF21
很明显,这里是利用DF2定义DF21,还通过指定cloumns改变了列名的顺序。
DF22 = pd.DataFrame(DF2,columns=["nation","capital","GDP"],index = [2,0,1]) DF22
很明显,这里定义了columns的顺序,还定义了index的顺序。
nation capital GDP 2 China Beijing 9100 0 Japan Tokyo 4900 1 S.Korea Seoul 1300从DataFrame中取出列?两种方法(与JavaScript完全一致!)
OMG,囧,我竟然都快忘了js语法了,现在想起了,但是对象的属性既可以obj.x也可以obj[x]。
"."的写法容易与其他预留关键字产生冲突
"[ ]"的写法最安全。
从DataFrame中取出行?(至少)两种⽅法:方法1和方法2:
print DF22[0:1] #给出的实际是DataFrame print DF22.ix[0] #通过对应Index给出⾏,**ix**好爽。
输出结果:
nation capital GDP 2 China Beijing 9100 nation Japan capital Tokyo GDP 4900 Name: 0, dtype: object
方法3 像NumPy切片一样的终极招式:iloc :
print DF22.iloc[0,:] #第一个参数是第几行,第二个参数是列。这里呢,就是第0行,全部列 print DF22.iloc[:,0] #根据上面的描述,这里是全部行,第0列
输出结果,验证一下:
nation China capital Beijing GDP 9100 Name: 2, dtype: object 2 China 0 Japan 1 S.Korea Name: nation, dtype: object动态增加列列,但是无法用"."的方式,只能用"[]"
举个栗子说明一下就明白了:
DF22["population"] = [1600,130,55] DF22
输出结果:
nation capital GDP population 2 China Beijing 9100 1600 0 Japan Tokyo 4900 130 1 S.Korea Seoul 1300 55三. Index:行级索引
Index:pandas进⾏数据操纵的鬼牌(行级索引)
⾏级索引是:
元数据
可能由真实数据产生,因此可以视作数据
可以由多重索引也就是多个列组合而成
可以和列名进行交换,也可以进行堆叠和展开,达到Excel透视表效果
Index有四种...哦不,很多种写法,⼀些重要的索引类型包括:
pd.Index(普通)
Int64Index(数值型索引)
MultiIndex(多重索引,在数据操纵中更详细描述)
DatetimeIndex(以时间格式作为索引)
PeriodIndex (含周期的时间格式作为索引)
直接定义普通索引,长得就和普通的Series⼀样index_names = ["a","b","c"] Series_for_Index = pd.Series(index_names) print pd.Index(index_names) print pd.Index(Series_for_Index)
输出结果:
Index([u"a", u"b", u"c"], dtype="object") Index([u"a", u"b", u"c"], dtype="object")
可惜Immutable,牢记! 不可变!举例如下:此处挖坑啊。不明白……
index_names = ["a","b","c"] index0 = pd.Index(index_names) print index0.get_values() index0[2] = "d"
输出结果如下:
["a" "b" "c"] --------------------------------------------------------------------------- TypeError Traceback (most recent call last)扔进去一个含有多元组的List,就有了MultiIndexin () 2 index0 = pd.Index(index_names) 3 print index0.get_values() ----> 4 index0[2] = "d" C:Anacondalibsite-packagespandascoreindex.pyc in __setitem__(self, key, value) 1055 1056 def __setitem__(self, key, value): -> 1057 raise TypeError("Indexes does not support mutable operations") 1058 1059 def __getitem__(self, key): TypeError: Indexes does not support mutable operations
可惜,如果这个List Comprehension改成小括号,就不对了。
multi1 = pd.Index([("Row_"+str(x+1),"Col_"+str(y+1)) for x in xrange(4) for y in xrange(4)]) multi1.name = ["index1","index2"] print multi1
输出结果:
MultiIndex(levels=[[u"Row_1", u"Row_2", u"Row_3", u"Row_4"], [u"Col_1", u"Col_2", u"Col_3", u"Col_4"]], labels=[[0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3], [0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3]])对于Series来说,如果拥有了多重Index,数据,变形!
下列代码说明:
二重MultiIndex的Series可以unstack()成DataFrame
DataFrame可以stack成拥有⼆重MultiIndex的Series
data_for_multi1 = pd.Series(xrange(0,16),index=multi1) data_for_multi1
输出结果:
Row_1 Col_1 0 Col_2 1 Col_3 2 Col_4 3 Row_2 Col_1 4 Col_2 5 Col_3 6 Col_4 7 Row_3 Col_1 8 Col_2 9 Col_3 10 Col_4 11 Row_4 Col_1 12 Col_2 13 Col_3 14 Col_4 15 dtype: int32
看到输出结果,好像明白了点,有点类似Excel汇总一样。不过,日后还得查点资料
二重MultiIndex的Series可以unstack()成DataFramedata_for_multi1.unstack()DataFrame可以stack成拥有⼆重MultiIndex的Series
data_for_multi1.unstack().stack()
输出结果:
Row_1 Col_1 0 Col_2 1 Col_3 2 Col_4 3 Row_2 Col_1 4 Col_2 5 Col_3 6 Col_4 7 Row_3 Col_1 8 Col_2 9 Col_3 10 Col_4 11 Row_4 Col_1 12 Col_2 13 Col_3 14 Col_4 15 dtype: int32非平衡数据的例子:
multi2 = pd.Index([("Row_"+str(x+1),"Col_"+str(y+1)) for x in xrange(5) for y in xrange(x)]) multi2
输出结果:
MultiIndex(levels=[[u"Row_2", u"Row_3", u"Row_4", u"Row_5"], [u"Col_1", u"Col_2", u"Col_3", u"Col_4"]], labels=[[0, 1, 1, 2, 2, 2, 3, 3, 3, 3], [0, 0, 1, 0, 1, 2, 0, 1, 2, 3]])
data_for_multi2 = pd.Series(np.arange(10),index = multi2) data_for_multi2
输出结果:
Row_2 Col_1 0 Row_3 Col_1 1 Col_2 2 Row_4 Col_1 3 Col_2 4 Col_3 5 Row_5 Col_1 6 Col_2 7 Col_3 8 Col_4 9 dtype: int32DateTime标准库如此好⽤,你值得拥有
import datetime dates = [datetime.datetime(2015,1,1),datetime.datetime(2015,1,8),datetime.datetime(2015,1,30)] pd.DatetimeIndex(dates)
输出结果:
DatetimeIndex(["2015-01-01", "2015-01-08", "2015-01-30"], dtype="datetime64[ns]", freq=None, tz=None)如果你不仅需要时间格式统一,时间频率也要统一的话
periodindex1 = pd.period_range("2015-01","2015-04",freq="M") print periodindex1
输出结果:
PeriodIndex(["2015-01", "2015-02", "2015-03", "2015-04"], dtype="int64", freq="M")月级精度和日级精度如何转换?
有的公司统⼀以1号代表当月,有的公司统一以最后1天代表当⽉,转化起来很麻烦,可以asfreq
print periodindex1.asfreq("D",how="start") print periodindex1.asfreq("D",how="end")
输出结果:
PeriodIndex(["2015-01-01", "2015-02-01", "2015-03-01", "2015-04-01"], dtype="int64", freq="D") PeriodIndex(["2015-01-31", "2015-02-28", "2015-03-31", "2015-04-30"], dtype="int64", freq="D")最后的最后,我要真正把两种频率的时间精度匹配上?
periodindex_mon = pd.period_range("2015-01","2015-03",freq="M").asfreq("D",how="start") periodindex_day = pd.period_range("2015-01-01","2015-03-31",freq="D") print periodindex_mon print periodindex_day
输出结果:
PeriodIndex(["2015-01-01", "2015-02-01", "2015-03-01"], dtype="int64", freq="D") PeriodIndex(["2015-01-01", "2015-01-02", "2015-01-03", "2015-01-04", "2015-01-05", "2015-01-06", "2015-01-07", "2015-01-08", "2015-01-09", "2015-01-10", "2015-01-11", "2015-01-12", "2015-01-13", "2015-01-14", "2015-01-15", "2015-01-16", "2015-01-17", "2015-01-18", "2015-01-19", "2015-01-20", "2015-01-21", "2015-01-22", "2015-01-23", "2015-01-24", "2015-01-25", "2015-01-26", "2015-01-27", "2015-01-28", "2015-01-29", "2015-01-30", "2015-01-31", "2015-02-01", "2015-02-02", "2015-02-03", "2015-02-04", "2015-02-05", "2015-02-06", "2015-02-07", "2015-02-08", "2015-02-09", "2015-02-10", "2015-02-11", "2015-02-12", "2015-02-13", "2015-02-14", "2015-02-15", "2015-02-16", "2015-02-17", "2015-02-18", "2015-02-19", "2015-02-20", "2015-02-21", "2015-02-22", "2015-02-23", "2015-02-24", "2015-02-25", "2015-02-26", "2015-02-27", "2015-02-28", "2015-03-01", "2015-03-02", "2015-03-03", "2015-03-04", "2015-03-05", "2015-03-06", "2015-03-07", "2015-03-08", "2015-03-09", "2015-03-10", "2015-03-11", "2015-03-12", "2015-03-13", "2015-03-14", "2015-03-15", "2015-03-16", "2015-03-17", "2015-03-18", "2015-03-19", "2015-03-20", "2015-03-21", "2015-03-22", "2015-03-23", "2015-03-24", "2015-03-25", "2015-03-26", "2015-03-27", "2015-03-28", "2015-03-29", "2015-03-30", "2015-03-31"], dtype="int64", freq="D")粗粒度数据+reindex+ffill/bfill
full_ts = pd.Series(periodindex_mon,index=periodindex_mon).reindex(periodindex_day,method="ffill") full_ts关于索引,⽅便的操作有?
前⾯描述过了,索引有序,重复,但⼀定程度上⼜能通过key来访问,也就是说,某些集合操作都是可以⽀持的。
index1 = pd.Index(["A","B","B","C","C"]) index2 = pd.Index(["C","D","E","E","F"]) index3 = pd.Index(["B","C","A"]) print index1.append(index2) print index1.difference(index2) print index1.intersection(index2) print index1.union(index2) # Support unique-value Index well print index1.isin(index2) print index1.delete(2) print index1.insert(0,"K") # Not suggested print index3.drop("A") # Support unique-value Index well print index1.is_monotonic,index2.is_monotonic,index3.is_monotonic print index1.is_unique,index2.is_unique,index3.is_unique
输出结果:
Index([u"A", u"B", u"B", u"C", u"C", u"C", u"D", u"E", u"E", u"F"], dtype="object") Index([u"A", u"B"], dtype="object") Index([u"C", u"C"], dtype="object") Index([u"A", u"B", u"B", u"C", u"C", u"D", u"E", u"E", u"F"], dtype="object") [False False False True True] Index([u"A", u"B", u"C", u"C"], dtype="object") Index([u"K", u"A", u"B", u"B", u"C", u"C"], dtype="object") Index([u"B", u"C"], dtype="object") True True False False False True参考:
S1EP3_Pandas.pdf 不知道什么时候存到电脑里的资料,今天发现了它。感谢作者的资料。
Python数据分析入门之pandas总结基础(二)
欢迎来Michael翔的博客查看完成版。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/37702.html
摘要:一大熊猫世界来去自如的老生常谈,从基础来看,我们仍然关心对于与外部数据是如何交互的。函数受限制问题唯一重要的参数,标志着一个的第个页将会被取出。数据分析入门之总结基础一欢迎来翔的博客查看完成版。 一.大熊猫世界来去自如:Pandas的I/O 老生常谈,从基础来看,我们仍然关心pandas对于与外部数据是如何交互的。 1.1 结构化数据输入输出 read_csv与to_csv 是⼀对...
摘要:时间永远都过得那么快,一晃从年注册,到现在已经过去了年那些被我藏在收藏夹吃灰的文章,已经太多了,是时候把他们整理一下了。那是因为收藏夹太乱,橡皮擦给设置私密了,不收拾不好看呀。 ...
摘要:在这里我分享下我个人入门机器学习的经历,希望能对大家能有所帮助。相关学习链接,,入门后的体验在入门了机器学习之后,在实际工作中,绝大多数的情况下你并不需要去创造一个新的算法。 机器学习在很多眼里就是香饽饽,因为机器学习相关的岗位在当前市场待遇不错,但同时机器学习在很多人面前又是一座大山,因为发现它太难学了。在这里我分享下我个人入门机器学习的经历,希望能对大家能有所帮助。 PS:这篇文章...
阅读 1715·2021-10-11 10:59
阅读 2385·2021-09-30 09:53
阅读 1731·2021-09-22 15:28
阅读 2776·2019-08-29 15:29
阅读 1533·2019-08-29 13:53
阅读 3171·2019-08-29 12:34
阅读 2832·2019-08-26 10:16
阅读 2600·2019-08-23 15:16