资讯专栏INFORMATION COLUMN

Python数据分析学习笔记之Pandas入门

zqhxuyuan / 3016人阅读

摘要:是一个数据分析的开源库。与表格或关系数据库中的表非常神似。注意带有一个索引,类似于关系数据库中的主键。的统计函数分组与聚合通过方法,可以对数据组施加一系列的函数。函数的作用是串联,追加数据行使用函数。

pandas(Python data analysis)是一个Python数据分析的开源库。
pandas两种数据结构:DataFrame和Series

安装:pandas依赖于NumPy,python-dateutil,pytz

pip install pandas

DataFrame

DataFrame是一种带标签的二维对象。与excel表格或关系数据库中的表非常神似。可以用以下方式来创建DataFrame:

从另一个DataFrame来创建DataFrame

从具有二维形状的NumPy数组或者数组的复合结构来生成DataFrame

可以用Series来创建DataFrame

DataFrame可以从类似CSV之类的文件来生成

准备数据资料:http://www.exporedata.net/Dow... 下载一个csv数据文件。

from pandas.io.parsers import read_csv

df = read_csv("WHO_first9cols.csv")
print "Dataframe", df
print "Shape", df.shape
print "Length", len(df)
print "Column Headers", df.columns
print "Data types", df.dtypes
print "Index", df.index
print "Values", df.values

注意:DataFrame带有一个索引,类似于关系数据库中的主键。我们既可以手动创建,也可以自动创建。访问df.index
如果需要遍历数据,请使用df.values获取所有值,非数字的数值在被输出时标记为nan。

Series

Series是一个由不同类型元素组成的一维数组,该数据结构也具有标签。可以通过以下方式创建Series数据结构:

由Python字典来创建

由NumPy数组来创建

由单个标量值来创建

创建Series数据结构时,可以向构造函数递交一组轴标签,这些标签通常称为索引。
对DataFrame列执行查询操作时,会返回一个Series

from pandas.io.parsers import read_csv
import numpy as np

df = read_csv("WHO_first9cols.csv")
#这里对DataFrame列进行查询操作,返回一个Series
country_col = df["Country"]
print "Type df", type(df)
print "Type country col", type(country_col)

print "Series shape", country_col.shape
print "Series index", country_col.index
print "Series values", country_col.values
print "Series name", country_col.name

print "Last 2 countries", country_col[-2:]
print "Last 2 countries type", type(country_col[-2:])
#NumPy的函数同样适用于pandas的DataFrame和Series
print "df signs", np.sign(df)
last_col = df.columns[-1]
print "Last df column signs", last_col, np.sign(df[last_col])

print np.sum(df[last_col] - df[last_col].values)
利用pandas查询数据

数据准备:pip install Quandl 或者手动从http://www.quandl.com/SIDC/SU... 下载csv文件。

import Quandl

# Data from http://www.quandl.com/SIDC/SUNSPOTS_A-Sunspot-Numbers-Annual
# PyPi url https://pypi.python.org/pypi/Quandl
sunspots = Quandl.get("SIDC/SUNSPOTS_A")
print "Head 2", sunspots.head(2) 
print "Tail 2", sunspots.tail(2)

last_date = sunspots.index[-1]
print "Last value", sunspots.loc[last_date]

print "Values slice by date", sunspots["20020101": "20131231"]

print "Slice from a list of indices", sunspots.iloc[[2, 4, -4, -2]]

print "Scalar with Iloc", sunspots.iloc[0, 0]
print "Scalar with iat", sunspots.iat[1, 0]

print "Boolean selection", sunspots[sunspots > sunspots.mean()]
print "Boolean selection with column label", sunspots[sunspots.Number > sunspots.Number.mean()]

DataFrame的统计函数
describe、count、mad、median、min、max、,pde、std、var、skew、kurt

DataFrame分组与聚合
import pandas as pd
from numpy.random import seed
from numpy.random import rand
from numpy.random import random_integers
import numpy as np

seed(42)

df = pd.DataFrame({"Weather" : ["cold", "hot", "cold", "hot",
   "cold", "hot", "cold"],
   "Food" : ["soup", "soup", "icecream", "chocolate",
   "icecream", "icecream", "soup"],
   "Price" : 10 * rand(7), "Number" : random_integers(1, 9, size=(7,))})

print df
weather_group = df.groupby("Weather")

i = 0

for name, group in weather_group:
   i = i + 1
   print "Group", i, name
   print group

print "Weather group first
", weather_group.first()
print "Weather group last
", weather_group.last()
print "Weather group mean
", weather_group.mean()

wf_group = df.groupby(["Weather", "Food"])
print "WF Groups", wf_group.groups
#通过agg方法,可以对数据组施加一系列的NumPy函数。
print "WF Aggregated
", wf_group.agg([np.mean, np.median])
DataFrame的串联与附加操作

数据库的数据表有内部连接和外部连接。DataFrame也有类似操作,即串联和附加。
函数concat()的作用是串联DataFrame,追加数据行使用append()函数。
例如

pd.concat([df[:3],df[3:]])
df[:3].append(df[5:])

pandas提供merge()或DataFrane的join()方法都能实现类似数据库的连接操作功能。默认情况下join()方法会按照索引进行连接,不过,有时候这不符合我们的要求。
数据准备:
tips.csv

EmpNr,Amount
5,10
9,5
7,2.5

dest.csv

EmpNr,Dest
5,The Hague
3,Amsterdam
9,Rotterdam
dests = pd.read_csv("dest.csv")
tips = pd.read_csv("tips.csv")
#使用merge()函数按照员工编号进行连接处理
print "Merge() on key
", pd.merge(dests, tips, on="EmpNr")
#用join()方法执行连接操作时,需要使用后缀来指示左、右操作对象。
print "Dests join() tips
", dests.join(tips, lsuffix="Dest", rsuffix="Tips")
#用merge()执行内部连接时,更显示的方法如下
print "Inner join with merge()
", pd.merge(dests, tips, how="inner")
#稍作修改便变成完全外部连接,缺失的数据变为NaN
print "Outer join
", pd.merge(dests, tips, how="outer")
处理缺失的数据

缺失的数据变为NaN(非数字),还有一个类似的符号NaT(非日期). 可以使用pandas的两个函数来进行判断isnull(),notnull(), fillna()方法可以用一个标量值来替换缺失的数据。

import pandas as pd
import numpy as np

df = pd.read_csv("WHO_first9cols.csv")
# Select first 3 rows of country and Net primary school enrolment ratio male (%)
df = df[["Country", df.columns[-2]]][:2]
print "New df
", df
print "Null Values
", pd.isnull(df)
print "Total Null Values
", pd.isnull(df).sum()
print "Not Null Values
", df.notnull()
print "Last Column Doubled
", 2 * df[df.columns[-1]]
print "Last Column plus NaN
", df[df.columns[-1]] + np.nan
print "Zero filled
", df.fillna(0)
处理日期数据

http://pandas.pydata.org/pand...
各种频率(freq)短码对照表:

B business day frequency

C custom business day frequency (experimental)

D calendar day frequency

W weekly frequency

M month end frequency

SM semi-month end frequency (15th and end of month)

BM business month end frequency

CBM custom business month end frequency

MS month start frequency

SMS semi-month start frequency (1st and 15th)

BMS business month start frequency

CBMS custom business month start frequency

Q quarter end frequency

BQ business quarter endfrequency

QS quarter start frequency

BQS business quarter start frequency

A year end frequency

BA business year end frequency

AS year start frequency

BAS business year start frequency

BH business hour frequency

H hourly frequency

T, min minutely frequency

S secondly frequency

L, ms milliseconds

U, us microseconds

N nanoseconds

import pandas as pd
from pandas.tseries.offsets import DateOffset
import sys

print "Date range", pd.date_range("1/1/1900", periods=42, freq="D")

try:
   print "Date range", pd.date_range("1/1/1677", periods=4, freq="D")
except:
   etype, value, _ = sys.exc_info()
   print "Error encountered", etype, value

offset = DateOffset(seconds=2 ** 63/10 ** 9)
mid = pd.to_datetime("1/1/1970")
print "Start valid range", mid - offset
print "End valid range", mid + offset
print pd.to_datetime(["1900/1/1", "1901.12.11"])

print "With format", pd.to_datetime(["19021112", "19031230"], format="%Y%m%d")

print "Illegal date", pd.to_datetime(["1902-11-12", "not a date"])
print "Illegal date coerced", pd.to_datetime(["1902-11-12", "not a date"], coerce=True)
据透视表(pivot_table)

数据透视表可以用来汇总数据。pivot_table()函数及相应的DataFrame方法。

import pandas as pd
from numpy.random import seed
from numpy.random import rand
from numpy.random import random_integers
import numpy as np

seed(42)
N = 7
df = pd.DataFrame({
   "Weather" : ["cold", "hot", "cold", "hot",
   "cold", "hot", "cold"],
   "Food" : ["soup", "soup", "icecream", "chocolate",
   "icecream", "icecream", "soup"],
   "Price" : 10 * rand(N), "Number" : random_integers(1, 9, size=(N,))})

print "DataFrame
", df
#cols指定需要聚合的列,aggfunc指定聚合函数。
print pd.pivot_table(df, cols=["Food"], aggfunc=np.sum)

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/38355.html

相关文章

  • 首次公开,整理12年积累的博客收藏夹,零距离展示《收藏夹吃灰》系列博客

    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。 ...

    Harriet666 评论0 收藏0
  • Python机器学习入门资料整理

    摘要:在基本语法入门之后,就要准备选一个研究方向了。是自己比较感兴趣的方向,可是,导师这边的数据处理肯定不能由我做主了。真的挺愁人的还有几个月就要进行春季实习招聘了,加油总结一下机器学习方面的资料吧。 在python基本语法入门之后,就要准备选一个研究方向了。Web是自己比较感兴趣的方向,可是,导师这边的数据处理肯定不能由我做主了。paper、peper、paper……真的挺愁人的 还有几个...

    Rango 评论0 收藏0
  • SegmentFault 技术周刊 Vol.30 - 学习 Python 来做一些神奇好玩的事情吧

    摘要:学习笔记七数学形态学关注的是图像中的形状,它提供了一些方法用于检测形状和改变形状。学习笔记十一尺度不变特征变换,简称是图像局部特征提取的现代方法基于区域图像块的分析。本文的目的是简明扼要地说明的编码机制,并给出一些建议。 showImg(https://segmentfault.com/img/bVRJbz?w=900&h=385); 前言 开始之前,我们先来看这样一个提问: pyth...

    lifesimple 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<