摘要：选择多行通过一个会通过索引对行进行切片，由于前面设置了索引为日期格式，所以可以方便的直接使用日期范围进行筛选。选择指定行列的数据同，代表全部。按季度划分，每个月开始为频率一中下一个月的早上点。
背景
在数据分析中pandas举足轻重，学习pandas最好的方法就是看官方文档，以下是根据官方文档10 Minutes to pandas学习记录。（官方标题10分钟，感觉起码得半个小时吧）
在pandas中主要有两种数据类型，可以简单的理解为：
Series：一维数组
DateFrame：二维数组（矩阵）
有了大概的概念之后，开始正式认识pandas:
首先要引入对应的包：
import numpy as np import pandas as pd新建对象 Object Creation
Series
可以通过传入一个list对象来新建Series，其中空值为np.nan:
s = pd.Series([1,3,4,np.nan,7,9]) s Out[5]: 0 1.0 1 3.0 2 4.0 3 NaN 4 7.0 5 9.0 dtype: float64
pandas会默认创建一列索引index（上面的0-5）。我们也可以在创建时就指定索引：
pd.Series([1,3,4,np.nan,7,9], index=[1,1,2,2,"a",4]) Out[9]: 1 1.0 1 3.0 2 4.0 2 NaN a 7.0 4 9.0 dtype: float64
要注意的是，索引是可以重复的，也可以是字符。
DataFrame
新建一个DataFrame对象可以有多种方式：
通过传入一个numpy的数组、指定一个时间的索引以及一个列名。
dates = pd.date_range("20190101", periods=6)
dates
Out[11]:
DatetimeIndex(["2019-01-01", "2019-01-02", "2019-01-03", "2019-01-04",
"2019-01-05", "2019-01-06"],
dtype="datetime64[ns]", freq="D")
df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list("ABCD"))
df
Out[18]:
A B C D
2019-01-01 0.671622 0.785726 0.392435 0.874692
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941
2019-01-03 1.364425 -0.947641 2.386880 0.585372
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345
2019-01-06 0.221597 -0.753038 -1.741256 0.287280
通过传入一个dict对象
df2 = pd.DataFrame({"A":1.,
"B":pd.Timestamp("20190101"),
"C":pd.Series(1, index=list(range(4)), dtype="float32"),
"D":np.array([3]*4, dtype="int32"),
"E":pd.Categorical(["test", "tain", "test", "train"]),
"F":"foo"})
df2
Out[27]:
A B C D E F
0 1.0 2019-01-01 1.0 3 test foo
1 1.0 2019-01-01 1.0 3 tain foo
2 1.0 2019-01-01 1.0 3 test foo
3 1.0 2019-01-01 1.0 3 train foo
这里我们指定了不同的类型，可以通过如下查看：
df2.dtypes Out[28]: A float64 B datetime64[ns] C float32 D int32 E category F object dtype: object
可以看出DataFrame和Series一样，在没有指定索引时，会自动生成一个数字的索引，这在后续的操作中十分重要。
查看 Viewing Data
查看开头几行或者末尾几行：
df.head()
Out[30]:
A B C D
2019-01-01 0.671622 0.785726 0.392435 0.874692
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941
2019-01-03 1.364425 -0.947641 2.386880 0.585372
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345
df.tail(3)
Out[31]:
A B C D
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345
2019-01-06 0.221597 -0.753038 -1.741256 0.287280
可以通过添加行数参数来输出，默认为输出5行。
查看索引和列名
df.index
Out[32]:
DatetimeIndex(["2019-01-01", "2019-01-02", "2019-01-03", "2019-01-04",
"2019-01-05", "2019-01-06"],
dtype="datetime64[ns]", freq="D")
df.columns
Out[33]: Index(["A", "B", "C", "D"], dtype="object")
使用DataFrame.to_numpy()转化为numpy数据。需要注意的是由于numpy array类型数据只可包含一种格式，而DataFrame类型数据可包含多种格式，所以在转换过程中，pandas会找到一种可以处理DateFrame中国所有格式的numpy array格式，比如object。这个过程会耗费一定的计算量。
df.to_numpy()
Out[35]:
array([[ 0.67162219, 0.78572584, 0.39243527, 0.87469243],
[-2.42070338, -1.11620768, -0.34607048, 0.78594081],
[ 1.36442543, -0.94764138, 2.38688005, 0.58537186],
[-0.48597971, -1.28145415, 0.35406263, -1.41885798],
[-1.12271697, -2.78904135, -0.79181242, -0.17434484],
[ 0.22159737, -0.75303807, -1.74125564, 0.28728004]])
df2.to_numpy()
Out[36]:
array([[1.0, Timestamp("2019-01-01 00:00:00"), 1.0, 3, "test", "foo"],
[1.0, Timestamp("2019-01-01 00:00:00"), 1.0, 3, "tain", "foo"],
[1.0, Timestamp("2019-01-01 00:00:00"), 1.0, 3, "test", "foo"],
[1.0, Timestamp("2019-01-01 00:00:00"), 1.0, 3, "train", "foo"]],
dtype=object)
上面df全部为float类型，所以转换会很快，而df2涉及多种类型转换，最后全部变成了object类型元素。
查看数据的简要统计结果
df.describe()
Out[37]:
A B C D
count 6.000000 6.000000 6.000000 6.000000
mean -0.295293 -1.016943 0.042373 0.156680
std 1.356107 1.144047 1.396030 0.860725
min -2.420703 -2.789041 -1.741256 -1.418858
25% -0.963533 -1.240143 -0.680377 -0.058939
50% -0.132191 -1.031925 0.003996 0.436326
75% 0.559116 -0.801689 0.382842 0.735799
max 1.364425 0.785726 2.386880 0.874692
转置
df.T Out[38]: 2019-01-01 2019-01-02 2019-01-03 2019-01-04 2019-01-05 2019-01-06 A 0.671622 -2.420703 1.364425 -0.485980 -1.122717 0.221597 B 0.785726 -1.116208 -0.947641 -1.281454 -2.789041 -0.753038 C 0.392435 -0.346070 2.386880 0.354063 -0.791812 -1.741256 D 0.874692 0.785941 0.585372 -1.418858 -0.174345 0.287280
按坐标轴排序，其中axis参数为坐标轴，axis默认为0，即横轴（对行排序），axis=1则为纵轴（对列排序）；asceding参数默认为True，即升序排序，ascending=False则为降序排序：
df.sort_index(axis=1)
Out[44]:
A B C D
2019-01-01 0.671622 0.785726 0.392435 0.874692
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941
2019-01-03 1.364425 -0.947641 2.386880 0.585372
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345
2019-01-06 0.221597 -0.753038 -1.741256 0.287280
df.sort_index(axis=1, ascending=False)
Out[45]:
D C B A
2019-01-01 0.874692 0.392435 0.785726 0.671622
2019-01-02 0.785941 -0.346070 -1.116208 -2.420703
2019-01-03 0.585372 2.386880 -0.947641 1.364425
2019-01-04 -1.418858 0.354063 -1.281454 -0.485980
2019-01-05 -0.174345 -0.791812 -2.789041 -1.122717
2019-01-06 0.287280 -1.741256 -0.753038 0.221597
可见df.sort_index(axis=1)是按列名升序排序，所以看起来没有变化，当设置ascending=False时，列顺序变成了DCBA。
按数值排序：
df.sort_values(by="B")
Out[46]:
A B C D
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941
2019-01-03 1.364425 -0.947641 2.386880 0.585372
2019-01-06 0.221597 -0.753038 -1.741256 0.287280
2019-01-01 0.671622 0.785726 0.392435 0.874692
df.sort_values(by="B", ascending=False)
Out[47]:
A B C D
2019-01-01 0.671622 0.785726 0.392435 0.874692
2019-01-06 0.221597 -0.753038 -1.741256 0.287280
2019-01-03 1.364425 -0.947641 2.386880 0.585372
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345
筛选 Selection
获取某列
df["A"] Out[49]: 2019-01-01 0.671622 2019-01-02 -2.420703 2019-01-03 1.364425 2019-01-04 -0.485980 2019-01-05 -1.122717 2019-01-06 0.221597 Freq: D, Name: A, dtype: float64 type(df.A) Out[52]: pandas.core.series.Series
也可直接用df.A，注意这里是大小写敏感的，这时候获取的是一个Series类型数据。
选择多行
df[0:3]
Out[53]:
A B C D
2019-01-01 0.671622 0.785726 0.392435 0.874692
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941
2019-01-03 1.364425 -0.947641 2.386880 0.585372
df["20190102":"20190104"]
Out[54]:
A B C D
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941
2019-01-03 1.364425 -0.947641 2.386880 0.585372
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858
通过一个[]会通过索引对行进行切片，由于前面设置了索引为日期格式，所以可以方便的直接使用日期范围进行筛选。
通过标签选择
选择某行
df.loc[dates[0]] Out[57]: A 0.671622 B 0.785726 C 0.392435 D 0.874692 Name: 2019-01-01 00:00:00, dtype: float64
选择指定行列的数据
df.loc[:, ("A", "C")]
Out[58]:
A C
2019-01-01 0.671622 0.392435
2019-01-02 -2.420703 -0.346070
2019-01-03 1.364425 2.386880
2019-01-04 -0.485980 0.354063
2019-01-05 -1.122717 -0.791812
2019-01-06 0.221597 -1.741256
df.loc["20190102":"20190105", ("A", "C")]
Out[62]:
A C
2019-01-02 -2.420703 -0.346070
2019-01-03 1.364425 2.386880
2019-01-04 -0.485980 0.354063
2019-01-05 -1.122717 -0.791812
传入第一个参数是行索引标签范围，第二个是列索引标签，:代表全部。
选定某值
df.loc["20190102", "A"] Out[69]: -2.420703380445092 df.at[dates[1], "A"] Out[70]: -2.420703380445092
可以通过loc[]和at[]两种方式来获取某值，但需要注意的是，由于行索引为datetime类型，使用loc[]方式获取时，可直接使用20190102字符串来代替，而在at[]中，必须传入datetime类型，否则会有报错：
df.at["20190102", "A"] File "pandas/_libs/index.pyx", line 81, in pandas._libs.index.IndexEngine.get_value File "pandas/_libs/index.pyx", line 89, in pandas._libs.index.IndexEngine.get_value File "pandas/_libs/index.pyx", line 449, in pandas._libs.index.DatetimeEngine.get_loc File "pandas/_libs/index.pyx", line 455, in pandas._libs.index.DatetimeEngine._date_check_type KeyError: "20190102"
通过位置选择
选择某行
df.iloc[3] Out[71]: A -0.485980 B -1.281454 C 0.354063 D -1.418858 Name: 2019-01-04 00:00:00, dtype: float64
iloc[]方法的参数，必须是数值。
选择指定行列的数据
df.iloc[3:5, 0:2]
Out[72]:
A B
2019-01-04 -0.485980 -1.281454
2019-01-05 -1.122717 -2.789041
df.iloc[:,:]
Out[73]:
A B C D
2019-01-01 0.671622 0.785726 0.392435 0.874692
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941
2019-01-03 1.364425 -0.947641 2.386880 0.585372
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345
2019-01-06 0.221597 -0.753038 -1.741256 0.287280
df.iloc[[1, 2, 4], [0, 2]]
Out[74]:
A C
2019-01-02 -2.420703 -0.346070
2019-01-03 1.364425 2.386880
2019-01-05 -1.122717 -0.791812
同loc[]，:代表全部。
选择某值
df.iloc[1, 1] Out[75]: -1.1162076820700824 df.iat[1, 1] Out[76]: -1.1162076820700824
可以通过iloc[]和iat[]两种方法获取数值。
按条件判断选择
按某列的数值判断选择
df[df.A > 0]
Out[77]:
A B C D
2019-01-01 0.671622 0.785726 0.392435 0.874692
2019-01-03 1.364425 -0.947641 2.386880 0.585372
2019-01-06 0.221597 -0.753038 -1.741256 0.287280
筛选出符合要求的数据
df[df > 0]
Out[78]:
A B C D
2019-01-01 0.671622 0.785726 0.392435 0.874692
2019-01-02 NaN NaN NaN 0.785941
2019-01-03 1.364425 NaN 2.386880 0.585372
2019-01-04 NaN NaN 0.354063 NaN
2019-01-05 NaN NaN NaN NaN
2019-01-06 0.221597 NaN NaN 0.287280
不符合要求的数据均会被赋值为空NaN。
使用isin()方法筛选
df2 = df.copy()
df2["E"] = ["one", "one", "two", "three", "four", "three"]
df2
Out[88]:
A B C D E
2019-01-01 0.671622 0.785726 0.392435 0.874692 one
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941 one
2019-01-03 1.364425 -0.947641 2.386880 0.585372 two
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858 three
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345 four
2019-01-06 0.221597 -0.753038 -1.741256 0.287280 three
df2["E"].isin(["two", "four"])
Out[89]:
2019-01-01 False
2019-01-02 False
2019-01-03 True
2019-01-04 False
2019-01-05 True
2019-01-06 False
Freq: D, Name: E, dtype: bool
df2[df2["E"].isin(["two", "four"])]
Out[90]:
A B C D E
2019-01-03 1.364425 -0.947641 2.386880 0.585372 two
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345 four
注意：isin必须严格一致才行，df中的默认数值小数点位数很长，并非显示的5位，为了方便展示，所以新增了E列。直接用原数值，情况如下，可看出[1,1]位置符合要求。
df.isin([-1.1162076820700824])
Out[95]:
A B C D
2019-01-01 False False False False
2019-01-02 False True False False
2019-01-03 False False False False
2019-01-04 False False False False
2019-01-05 False False False False
2019-01-06 False False False False
设定值
通过指定索引设定列
s1 = pd.Series([1, 2, 3, 4, 5, 6], index=pd.date_range("20190102", periods=6))
s1
Out[98]:
2019-01-02 1
2019-01-03 2
2019-01-04 3
2019-01-05 4
2019-01-06 5
2019-01-07 6
Freq: D, dtype: int64
df["F"]=s1
df
Out[101]:
A B C D F
2019-01-01 0.671622 0.785726 0.392435 0.874692 NaN
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941 1.0
2019-01-03 1.364425 -0.947641 2.386880 0.585372 2.0
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858 3.0
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345 4.0
2019-01-06 0.221597 -0.753038 -1.741256 0.287280 5.0
空值会自动填充为NaN。
通过标签设定值
df.at[dates[0], "A"] = 0
df
Out[103]:
A B C D F
2019-01-01 0.000000 0.785726 0.392435 0.874692 NaN
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941 1.0
2019-01-03 1.364425 -0.947641 2.386880 0.585372 2.0
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858 3.0
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345 4.0
2019-01-06 0.221597 -0.753038 -1.741256 0.287280 5.0
通过为止设定值
df.iat[0, 1] = 0
df
Out[105]:
A B C D F
2019-01-01 0.000000 0.000000 0.392435 0.874692 NaN
2019-01-02 -2.420703 -1.116208 -0.346070 0.785941 1.0
2019-01-03 1.364425 -0.947641 2.386880 0.585372 2.0
2019-01-04 -0.485980 -1.281454 0.354063 -1.418858 3.0
2019-01-05 -1.122717 -2.789041 -0.791812 -0.174345 4.0
2019-01-06 0.221597 -0.753038 -1.741256 0.287280 5.0
通过NumPy array设定值
df.loc[:, "D"] = np.array([5] * len(df))
df
Out[109]:
A B C D F
2019-01-01 0.000000 0.000000 0.392435 5 NaN
2019-01-02 -2.420703 -1.116208 -0.346070 5 1.0
2019-01-03 1.364425 -0.947641 2.386880 5 2.0
2019-01-04 -0.485980 -1.281454 0.354063 5 3.0
2019-01-05 -1.122717 -2.789041 -0.791812 5 4.0
2019-01-06 0.221597 -0.753038 -1.741256 5 5.0
通过条件判断设定值
df2 = df.copy()
df2[df2 > 0] = -df2
df2
Out[112]:
A B C D F
2019-01-01 0.000000 0.000000 -0.392435 -5 NaN
2019-01-02 -2.420703 -1.116208 -0.346070 -5 -1.0
2019-01-03 -1.364425 -0.947641 -2.386880 -5 -2.0
2019-01-04 -0.485980 -1.281454 -0.354063 -5 -3.0
2019-01-05 -1.122717 -2.789041 -0.791812 -5 -4.0
2019-01-06 -0.221597 -0.753038 -1.741256 -5 -5.0
空值处理 Missing Data
pandas默认使用np.nan来表示空值，在统计计算中会直接忽略。
通过reindex()方法可以新增、修改、删除某坐标轴（行或列）的索引，并返回一个数据的拷贝：
df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ["E"])
df1.loc[dates[0]:dates[1], "E"] = 1
df1
Out[115]:
A B C D F E
2019-01-01 0.000000 0.000000 0.392435 5 NaN 1.0
2019-01-02 -2.420703 -1.116208 -0.346070 5 1.0 1.0
2019-01-03 1.364425 -0.947641 2.386880 5 2.0 NaN
2019-01-04 -0.485980 -1.281454 0.354063 5 3.0 NaN
删除空值
df1.dropna(how="any")
Out[116]:
A B C D F E
2019-01-02 -2.420703 -1.116208 -0.34607 5 1.0 1.0
填充空值
df1.fillna(value=5)
Out[117]:
A B C D F E
2019-01-01 0.000000 0.000000 0.392435 5 5.0 1.0
2019-01-02 -2.420703 -1.116208 -0.346070 5 1.0 1.0
2019-01-03 1.364425 -0.947641 2.386880 5 2.0 5.0
2019-01-04 -0.485980 -1.281454 0.354063 5 3.0 5.0
判断是否为空值
pd.isna(df1)
Out[118]:
A B C D F E
2019-01-01 False False False False True False
2019-01-02 False False False False False False
2019-01-03 False False False False False True
2019-01-04 False False False False False True
运算 Operations
统计
注意 所有的统计默认是不包含空值的
平均值
默认情况是按列求平均值：
df.mean() Out[119]: A -0.407230 B -1.147897 C 0.042373 D 5.000000 F 3.000000 dtype: float64
如果需要按行求平均值，需指定轴参数：
df.mean(1) Out[120]: 2019-01-01 1.348109 2019-01-02 0.423404 2019-01-03 1.960733 2019-01-04 1.317326 2019-01-05 0.859286 2019-01-06 1.545461 Freq: D, dtype: float64
数值移动
s = pd.Series([1, 3, 5, np.nan, 6, 8], index=dates) s Out[122]: 2019-01-01 1.0 2019-01-02 3.0 2019-01-03 5.0 2019-01-04 NaN 2019-01-05 6.0 2019-01-06 8.0 Freq: D, dtype: float64 s = s.shift(2) s Out[125]: 2019-01-01 NaN 2019-01-02 NaN 2019-01-03 1.0 2019-01-04 3.0 2019-01-05 5.0 2019-01-06 NaN Freq: D, dtype: float64
这里将s的值移动两个，那么空出的部分会自动使用NaN填充。
不同维度间的运算，pandas会自动扩展维度：
df.sub(s, axis="index")
Out[128]:
A B C D F
2019-01-01 NaN NaN NaN NaN NaN
2019-01-02 NaN NaN NaN NaN NaN
2019-01-03 0.364425 -1.947641 1.386880 4.0 1.0
2019-01-04 -3.485980 -4.281454 -2.645937 2.0 0.0
2019-01-05 -6.122717 -7.789041 -5.791812 0.0 -1.0
2019-01-06 NaN NaN NaN NaN NaN
应用
通过apply()方法，可以对数据进行逐一操作:
累计求和
df.apply(np.cumsum)
Out[130]:
A B C D F
2019-01-01 0.000000 0.000000 0.392435 5 NaN
2019-01-02 -2.420703 -1.116208 0.046365 10 1.0
2019-01-03 -1.056278 -2.063849 2.433245 15 3.0
2019-01-04 -1.542258 -3.345303 2.787307 20 6.0
2019-01-05 -2.664975 -6.134345 1.995495 25 10.0
2019-01-06 -2.443377 -6.887383 0.254239 30 15.0
这里使用了apply()方法调用np.cumsum方法，也可直接使用df.cumsum():
df.cumsum()
Out[133]:
A B C D F
2019-01-01 0.000000 0.000000 0.392435 5.0 NaN
2019-01-02 -2.420703 -1.116208 0.046365 10.0 1.0
2019-01-03 -1.056278 -2.063849 2.433245 15.0 3.0
2019-01-04 -1.542258 -3.345303 2.787307 20.0 6.0
2019-01-05 -2.664975 -6.134345 1.995495 25.0 10.0
2019-01-06 -2.443377 -6.887383 0.254239 30.0 15.0
自定义方法
通过自定义函数，配合apply()方法，可以实现更多数据处理：
df.apply(lambda x: x.max() - x.min()) Out[134]: A 3.785129 B 2.789041 C 4.128136 D 0.000000 F 4.000000 dtype: float64
矩阵
统计矩阵中每个元素出现的频次：
s = pd.Series(np.random.randint(0, 7, size=10)) s Out[136]: 0 2 1 0 2 4 3 0 4 3 5 3 6 6 7 4 8 6 9 5 dtype: int64 s.value_counts() Out[137]: 6 2 4 2 3 2 0 2 5 1 2 1 dtype: int64
String方法
所有的Series类型都可以直接调用str的属性方法来对每个对象进行操作。
比如转换成大写：
s = pd.Series(["A", "B", "C", "Aaba", "Baca", np.nan, "CABA", "dog", "cat"]) s.str.upper() Out[139]: 0 A 1 B 2 C 3 AABA 4 BACA 5 NaN 6 CABA 7 DOG 8 CAT dtype: object
分列：
s = pd.Series(["A,b", "c,d"])
s
Out[142]:
0 A,b
1 c,d
dtype: object
s.str.split(",", expand=True)
Out[143]:
0 1
0 A b
1 c d
其他方法：
dir(str) Out[140]: ["capitalize", "casefold", "center", "count", "encode", "endswith", "expandtabs", "find", "format", "format_map", "index", "isalnum", "isalpha", "isascii", "isdecimal", "isdigit", "isidentifier", "islower", "isnumeric", "isprintable", "isspace", "istitle", "isupper", "join", "ljust", "lower", "lstrip", "maketrans", "partition", "replace", "rfind", "rindex", "rjust", "rpartition", "rsplit", "rstrip", "split", "splitlines", "startswith", "strip", "swapcase", "title", "translate", "upper", "zfill"]合并 Merge
pandas`可以提供很多方法可以快速的合并各种类型的Series、DataFrame以及Panel Object。
Concat方法
df = pd.DataFrame(np.random.randn(10, 4))
df
Out[145]:
0 1 2 3
0 -0.227408 -0.185674 -0.187919 0.185685
1 1.132517 -0.539992 1.156631 -0.022468
2 0.214134 -1.283055 -0.862972 0.518942
3 0.785903 1.033915 -0.471496 -1.403762
4 -0.676717 -0.529971 -1.161988 -1.265071
5 0.670126 1.320960 -0.128098 0.718631
6 0.589902 0.349386 0.221955 1.749188
7 -0.328885 0.607929 -0.973610 -0.928472
8 1.724243 -0.661503 -0.374254 0.409250
9 1.346625 0.618285 0.528776 -0.628470
# break it into pieces
pieces = [df[:3], df[3:7], df[7:]]
pieces
Out[147]:
[ 0 1 2 3
0 -0.227408 -0.185674 -0.187919 0.185685
1 1.132517 -0.539992 1.156631 -0.022468
2 0.214134 -1.283055 -0.862972 0.518942,
0 1 2 3
3 0.785903 1.033915 -0.471496 -1.403762
4 -0.676717 -0.529971 -1.161988 -1.265071
5 0.670126 1.320960 -0.128098 0.718631
6 0.589902 0.349386 0.221955 1.749188,
0 1 2 3
7 -0.328885 0.607929 -0.973610 -0.928472
8 1.724243 -0.661503 -0.374254 0.409250
9 1.346625 0.618285 0.528776 -0.628470]
pd.concat(pieces)
Out[148]:
0 1 2 3
0 -0.227408 -0.185674 -0.187919 0.185685
1 1.132517 -0.539992 1.156631 -0.022468
2 0.214134 -1.283055 -0.862972 0.518942
3 0.785903 1.033915 -0.471496 -1.403762
4 -0.676717 -0.529971 -1.161988 -1.265071
5 0.670126 1.320960 -0.128098 0.718631
6 0.589902 0.349386 0.221955 1.749188
7 -0.328885 0.607929 -0.973610 -0.928472
8 1.724243 -0.661503 -0.374254 0.409250
9 1.346625 0.618285 0.528776 -0.628470
Merge方法
这是类似sql的合并方法：
left = pd.DataFrame({"key": ["foo", "foo"], "lval": [1, 2]})
right = pd.DataFrame({"key": ["foo", "foo"], "rval": [4, 5]})
left
Out[151]:
key lval
0 foo 1
1 foo 2
right
Out[152]:
key rval
0 foo 4
1 foo 5
pd.merge(left, right, on="key")
Out[153]:
key lval rval
0 foo 1 4
1 foo 1 5
2 foo 2 4
3 foo 2 5
另一个例子：
left = pd.DataFrame({"key": ["foo", "bar"], "lval": [1, 2]})
right = pd.DataFrame({"key": ["foo", "bar"], "rval": [4, 5]})
left
Out[156]:
key lval
0 foo 1
1 bar 2
right
Out[157]:
key rval
0 foo 4
1 bar 5
pd.merge(left, right, on="key")
Out[158]:
key lval rval
0 foo 1 4
1 bar 2 5
Append方法
在DataFrame中增加行
df = pd.DataFrame(np.random.randn(8, 4), columns=["A", "B", "C", "D"])
df
Out[160]:
A B C D
0 -0.496709 0.573449 0.076059 0.685285
1 0.479253 0.587376 -1.240070 -0.907910
2 -0.052609 -0.287786 -1.949402 1.163323
3 -0.659489 0.525583 0.820922 -1.368544
4 1.270453 -1.813249 0.059915 0.586703
5 1.859657 0.564274 -0.198763 -1.794173
6 -0.649153 -3.129258 0.063418 -0.727936
7 0.862402 -0.800031 -1.954784 -0.028607
s = df.iloc[3]
s
Out[162]:
A -0.659489
B 0.525583
C 0.820922
D -1.368544
Name: 3, dtype: float64
df.append(s, ignore_index=True)
Out[163]:
A B C D
0 -0.496709 0.573449 0.076059 0.685285
1 0.479253 0.587376 -1.240070 -0.907910
2 -0.052609 -0.287786 -1.949402 1.163323
3 -0.659489 0.525583 0.820922 -1.368544
4 1.270453 -1.813249 0.059915 0.586703
5 1.859657 0.564274 -0.198763 -1.794173
6 -0.649153 -3.129258 0.063418 -0.727936
7 0.862402 -0.800031 -1.954784 -0.028607
8 -0.659489 0.525583 0.820922 -1.368544
这里要注意，我们增加了ignore_index=True参数，如果不设置的话，那么增加的新行的index仍然是3，这样在后续的处理中可能有存在问题。具体也需要看情况来处理。
df.append(s)
Out[164]:
A B C D
0 -0.496709 0.573449 0.076059 0.685285
1 0.479253 0.587376 -1.240070 -0.907910
2 -0.052609 -0.287786 -1.949402 1.163323
3 -0.659489 0.525583 0.820922 -1.368544
4 1.270453 -1.813249 0.059915 0.586703
5 1.859657 0.564274 -0.198763 -1.794173
6 -0.649153 -3.129258 0.063418 -0.727936
7 0.862402 -0.800031 -1.954784 -0.028607
3 -0.659489 0.525583 0.820922 -1.368544
分组 Grouping
一般分组统计有三个步骤：
分组：选择需要的数据
计算：对每个分组进行计算
合并：把分组计算的结果合并为一个数据结构中
df = pd.DataFrame({"A": ["foo", "bar", "foo", "bar",
"foo", "bar", "foo", "foo"],
"B": ["one", "one", "two", "three",
"two", "two", "one", "three"],
"C": np.random.randn(8),
"D": np.random.randn(8)})
df
Out[166]:
A B C D
0 foo one -1.252153 0.172863
1 bar one 0.238547 -0.648980
2 foo two 0.756975 0.195766
3 bar three -0.933405 -0.320043
4 foo two -0.310650 -1.388255
5 bar two 1.568550 -1.911817
6 foo one -0.340290 -2.141259
按A列分组并使用sum函数进行计算：
df.groupby("A").sum()
Out[167]:
C D
A
bar 0.873692 -2.880840
foo -1.817027 -5.833961
这里由于B列无法应用sum函数，所以直接被忽略了。
按A、B列分组并使用sum函数进行计算：
df.groupby(["A", "B"]).sum()
Out[168]:
C D
A B
bar one 0.238547 -0.648980
three -0.933405 -0.320043
two 1.568550 -1.911817
foo one -1.592443 -1.968396
three -0.670909 -2.673075
two 0.446325 -1.192490
这样就有了一个多层index的结果集。
整形 Reshaping
堆叠 Stack
python的zip函数可以将对象中对应的元素打包成一个个的元组：
tuples = list(zip(["bar", "bar", "baz", "baz",
"foo", "foo", "qux", "qux"],
["one", "two", "one", "two",
"one", "two", "one", "two"]))
tuples
Out[172]:
[("bar", "one"),
("bar", "two"),
("baz", "one"),
("baz", "two"),
("foo", "one"),
("foo", "two"),
("qux", "one"),
("qux", "two")]
## 设置两级索引
index = pd.MultiIndex.from_tuples(tuples, names=["first", "second"])
index
Out[174]:
MultiIndex(levels=[["bar", "baz", "foo", "qux"], ["one", "two"]],
codes=[[0, 0, 1, 1, 2, 2, 3, 3], [0, 1, 0, 1, 0, 1, 0, 1]],
names=["first", "second"])
## 创建DataFrame
df = pd.DataFrame(np.random.randn(8, 2), index=index, columns=["A", "B"])
df
Out[176]:
A B
first second
bar one -0.501215 -0.947993
two -0.828914 0.232167
baz one 1.245419 1.006092
two 1.016656 -0.441073
foo one 0.479037 -0.500034
two -1.113097 0.591696
qux one -0.014760 -0.320735
two -0.648743 1.499899
## 选取DataFrame
df2 = df[:4]
df2
Out[179]:
A B
first second
bar one -0.501215 -0.947993
two -0.828914 0.232167
baz one 1.245419 1.006092
two 1.016656 -0.441073
使用stack()方法，可以通过堆叠的方式将二维数据变成为一维数据：
stacked = df2.stack()
stacked
Out[181]:
first second
bar one A -0.501215
B -0.947993
two A -0.828914
B 0.232167
baz one A 1.245419
B 1.006092
two A 1.016656
B -0.441073
dtype: float64
对应的逆操作为unstacked()方法：
stacked.unstack()
Out[182]:
A B
first second
bar one -0.501215 -0.947993
two -0.828914 0.232167
baz one 1.245419 1.006092
two 1.016656 -0.441073
stacked.unstack(1)
Out[183]:
second one two
first
bar A -0.501215 -0.828914
B -0.947993 0.232167
baz A 1.245419 1.016656
B 1.006092 -0.441073
stacked.unstack(0)
Out[184]:
first bar baz
second
one A -0.501215 1.245419
B -0.947993 1.006092
two A -0.828914 1.016656
B 0.232167 -0.441073
unstack()默认对最后一层级进行操作，也可通过输入参数指定。
表格转置
df = pd.DataFrame({"A": ["one", "one", "two", "three"] * 3,
"B": ["A", "B", "C"] * 4,
"C": ["foo", "foo", "foo", "bar", "bar", "bar"] * 2,
"D": np.random.randn(12),
"E": np.random.randn(12)})
df
Out[190]:
A B C D E
0 one A foo -0.933264 -2.387490
1 one B foo -0.288101 0.023214
2 two C foo 0.594490 0.418505
3 three A bar 0.450683 1.939623
4 one B bar 0.243897 -0.965783
5 one C bar -0.705494 -0.078283
6 two A foo 1.560352 0.419907
7 three B foo 0.199453 0.998711
8 one C foo 1.426861 -1.108297
9 one A bar -0.570951 -0.022560
10 two B bar -0.350937 -1.767804
11 three C bar 0.983465 0.065792
通过pivot_table()方法可以很方便的进行行列的转换：
pd.pivot_table(df, values="D", index=["A", "B"], columns=["C"])
Out[191]:
C bar foo
A B
one A -0.570951 -0.933264
B 0.243897 -0.288101
C -0.705494 1.426861
three A 0.450683 NaN
B NaN 0.199453
C 0.983465 NaN
two A NaN 1.560352
B -0.350937 NaN
C NaN 0.594490
转换中，涉及到空值部分会自动填充为NaN。
时间序列 Time Seriespandas的在时序转换方面十分强大，可以很方便的进行各种转换。
时间间隔调整
rng = pd.date_range("1/1/2019", periods=100, freq="S")
rng[:5]
Out[214]:
DatetimeIndex(["2019-01-01 00:00:00", "2019-01-01 00:00:01",
"2019-01-01 00:00:02", "2019-01-01 00:00:03",
"2019-01-01 00:00:04"],
dtype="datetime64[ns]", freq="S")
ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)
ts.head(5)
Out[216]:
2019-01-01 00:00:00 245
2019-01-01 00:00:01 347
2019-01-01 00:00:02 113
2019-01-01 00:00:03 196
2019-01-01 00:00:04 131
Freq: S, dtype: int64
## 按10s间隔进行重新采样
ts1 = ts.resample("10S")
ts1
Out[209]: DatetimeIndexResampler [freq=<10 * Seconds>, axis=0, closed=left, label=left, convention=start, base=0]
## 用求平均的方式进行数据整合
ts1.mean()
Out[218]:
2019-01-01 00:00:00 174.0
2019-01-01 00:00:10 278.5
2019-01-01 00:00:20 281.8
2019-01-01 00:00:30 337.2
2019-01-01 00:00:40 221.0
2019-01-01 00:00:50 277.1
2019-01-01 00:01:00 171.0
2019-01-01 00:01:10 321.0
2019-01-01 00:01:20 318.6
2019-01-01 00:01:30 302.6
Freq: 10S, dtype: float64
## 用求和的方式进行数据整合
ts1.sum()
Out[219]:
2019-01-01 00:00:00 1740
2019-01-01 00:00:10 2785
2019-01-01 00:00:20 2818
2019-01-01 00:00:30 3372
2019-01-01 00:00:40 2210
2019-01-01 00:00:50 2771
2019-01-01 00:01:00 1710
2019-01-01 00:01:10 3210
2019-01-01 00:01:20 3186
2019-01-01 00:01:30 3026
Freq: 10S, dtype: int64
这里先通过resample进行重采样，在指定sum()或者mean()等方式来指定冲采样的处理方式。
显示时区：
rng = pd.date_range("1/1/2019 00:00", periods=5, freq="D")
rng
Out[221]:
DatetimeIndex(["2019-01-01", "2019-01-02", "2019-01-03", "2019-01-04",
"2019-01-05"],
dtype="datetime64[ns]", freq="D")
ts = pd.Series(np.random.randn(len(rng)), rng)
ts
Out[223]:
2019-01-01 -2.327686
2019-01-02 1.527872
2019-01-03 0.063982
2019-01-04 -0.213572
2019-01-05 -0.014856
Freq: D, dtype: float64
ts_utc = ts.tz_localize("UTC")
ts_utc
Out[225]:
2019-01-01 00:00:00+00:00 -2.327686
2019-01-02 00:00:00+00:00 1.527872
2019-01-03 00:00:00+00:00 0.063982
2019-01-04 00:00:00+00:00 -0.213572
2019-01-05 00:00:00+00:00 -0.014856
Freq: D, dtype: float64
转换时区：
ts_utc.tz_convert("US/Eastern")
Out[226]:
2018-12-31 19:00:00-05:00 -2.327686
2019-01-01 19:00:00-05:00 1.527872
2019-01-02 19:00:00-05:00 0.063982
2019-01-03 19:00:00-05:00 -0.213572
2019-01-04 19:00:00-05:00 -0.014856
Freq: D, dtype: float64
时间格式转换
rng = pd.date_range("1/1/2019", periods=5, freq="M")
ts = pd.Series(np.random.randn(len(rng)), index=rng)
ts
Out[230]:
2019-01-31 0.197134
2019-02-28 0.569082
2019-03-31 -0.322141
2019-04-30 0.005778
2019-05-31 -0.082306
Freq: M, dtype: float64
ps = ts.to_period()
ps
Out[232]:
2019-01 0.197134
2019-02 0.569082
2019-03 -0.322141
2019-04 0.005778
2019-05 -0.082306
Freq: M, dtype: float64
ps.to_timestamp()
Out[233]:
2019-01-01 0.197134
2019-02-01 0.569082
2019-03-01 -0.322141
2019-04-01 0.005778
2019-05-01 -0.082306
Freq: MS, dtype: float64
在是时间段和时间转换过程中，有一些很方便的算术方法可以使用，比如我们转换如下两个频率：
1、按季度划分，且每个年的最后一个月是11月。
2、按季度划分，每个月开始为频率一中下一个月的早上9点。
prng = pd.period_range("2018Q1", "2019Q4", freq="Q-NOV")
prng
Out[243]:
PeriodIndex(["2018Q1", "2018Q2", "2018Q3", "2018Q4", "2019Q1", "2019Q2",
"2019Q3", "2019Q4"],
dtype="period[Q-NOV]", freq="Q-NOV")
ts = pd.Series(np.random.randn(len(prng)), prng)
ts
Out[245]:
2018Q1 -0.112692
2018Q2 -0.507304
2018Q3 -0.324846
2018Q4 0.549671
2019Q1 -0.897732
2019Q2 1.130070
2019Q3 -0.399814
2019Q4 0.830488
Freq: Q-NOV, dtype: float64
ts.index = (prng.asfreq("M", "e") + 1).asfreq("H", "s") + 9
ts
Out[247]:
2018-03-01 09:00 -0.112692
2018-06-01 09:00 -0.507304
2018-09-01 09:00 -0.324846
2018-12-01 09:00 0.549671
2019-03-01 09:00 -0.897732
2019-06-01 09:00 1.130070
2019-09-01 09:00 -0.399814
2019-12-01 09:00 0.830488
Freq: H, dtype: float64
注意：这个例子有点怪。可以这样理解，我们先将prng直接转换为按小时显示：
prng.asfreq("H", "end")
Out[253]:
PeriodIndex(["2018-02-28 23:00", "2018-05-31 23:00", "2018-08-31 23:00",
"2018-11-30 23:00", "2019-02-28 23:00", "2019-05-31 23:00",
"2019-08-31 23:00", "2019-11-30 23:00"],
dtype="period[H]", freq="H")
我们要把时间转换为下一个月的早上9点，所以先转换为按月显示，并每个月加1（即下个月），然后按小时显示并加9（早上9点）。
另外例子中s参数是start的简写，e参数是end的简写，Q-NOV即表示按季度，且每年的NOV是最后一个月。
更多了freq简称可以参考：http://pandas.pydata.org/pand...
asfreq（）方法介绍可参考：http://pandas.pydata.org/pand...
分类目录类型 Categoricals关于Categories类型介绍可以参考：http://pandas.pydata.org/pand...
类型转换：astype("category")
df = pd.DataFrame({"id": [1, 2, 3, 4, 5, 6],
"raw_grade": ["a", "b", "b", "a", "a", "e"]})
df
Out[255]:
id raw_grade
0 1 a
1 2 b
2 3 b
3 4 a
4 5 a
5 6 e
df["grade"] = df["raw_grade"].astype("category")
df["grade"]
Out[257]:
0 a
1 b
2 b
3 a
4 a
5 e
Name: grade, dtype: category
Categories (3, object): [a, b, e]
重命名分类：cat
df["grade"].cat.categories = ["very good", "good", "very bad"] df["grade"] Out[269]: 0 very good 1 good 2 good 3 very good 4 very good 5 very bad Name: grade, dtype: category Categories (3, object): [very good, good, very bad]
重分类：
df["grade"] = df["grade"].cat.set_categories(["very bad", "bad", "medium","good", "very good"]) df["grade"] Out[271]: 0 very good 1 good 2 good 3 very good 4 very good 5 very bad Name: grade, dtype: category Categories (5, object): [very bad, bad, medium, good, very good]
排列
df.sort_values(by="grade") Out[272]: id raw_grade grade 5 6 e very bad 1 2 b good 2 3 b good 0 1 a very good 3 4 a very good 4 5 a very good
分组
df.groupby("grade").size()
Out[273]:
grade
very bad 1
bad 0
medium 0
good 2
very good 3
dtype: int64
画图 Plotting
Series
ts = pd.Series(np.random.randn(1000),
index=pd.date_range("1/1/2000", periods=1000))
ts = pd.Series(np.random.randn(1000),
index=pd.date_range("1/1/2019", periods=1000))
ts = ts.cumsum()
ts.plot()
Out[277]:
import matplotlib.pyplot as plt
plt.show()
DataFrame画图
使用plot可以把所有的列都通过标签的形式展示出来：
df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=["A", "B", "C", "D"]) df = df.cumsum() plt.figure() Out[282]:导入导出数据 Getting Data In/Outdf.plot() Out[283]: plt.legend(loc="best")
CSV
写入：
df.to_csv("foo.csv")
读取：
pd.read_csv("foo.csv")
HDF5
写入：
df.to_hdf("foo.h5", "df")
读取：
pd.read_hdf("foo.h5", "df")
Excel
写入：
df.to_excel("foo.xlsx", sheet_name="Sheet1")
读取：
pd.read_excel("foo.xlsx", "Sheet1", index_col=None, na_values=["NA"])
异常处理 Gotchas
如果有一些异常情况比如：
>>> if pd.Series([False, True, False]):
... print("I was true")
Traceback
...
ValueError: The truth value of an array is ambiguous. Use a.empty, a.any() or a.all().
可以参考如下链接：
http://pandas.pydata.org/pand...
http://pandas.pydata.org/pand...
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/43272.html
摘要：去吧，参加一个在上正在举办的实时比赛吧试试你所学到的全部知识微软雅黑深度学习终于看到这个，兴奋吧现在，你已经学到了绝大多数关于机器学习的技术，是时候试试深度学习了。微软雅黑对于深度学习，我也是个新手，就请把这些建议当作参考吧。 如果你想做一个数据科学家，或者作为一个数据科学家你想扩展自己的工具和知识库，那么，你来对地方了。这篇文章的目的，是给刚开始使用Python进行数据分析的人，指明一条全...
?作者主页：小小明-代码实体 ?简介：Python领域优质创作者?、数据处理专家✌ ?欢迎点赞 ? 收藏 ⭐留言 ? 昨晚有位童鞋一道Pandas面试题完全没有思路不会做，通过黄同学找到我时，这道题目离提交答案仅剩20分钟，不过我最终还是在15分钟之内解决了问题，这整个过程简直是刺激~??? 原题题目如下： 最终要求输出： 要在20分钟内解决这个问题，对于我来说最困难的第一步就是理解...
摘要：它还使用执行所谓的链式索引，这通常会导致意外的结果。但这种方法的最大问题是计算的时间成本。这些都是一次产生一行的生成器方法，类似中使用的用法。在这种情况下，所花费的时间大约是方法的一半。根据每小时所属的应用一组标签。 作者：xiaoyu 微信公众号：Python数据科学 知乎：python数据分析师 showImg(https://segmentfault.com/img/bVboe...
摘要：做一个搬运工，希望自己能努力学习，也希望大神们的东西能让更多的人看到不断更新更新日志新增了网络安全分类，整理了排版布局新增了的链接，将一些杂七杂八的东西弄到了一篇新文章上了，叫做积累与杂货铺一以及相关教程的规范与相关中文学习大本营中文文档简 做一个搬运工，希望自己能努力学习，也希望大神们的东西能让更多的人看到 不断更新 更新日志：2017.10.13 新增了网络安全分类，整理了排版布局...
摘要：做一个搬运工，希望自己能努力学习，也希望大神们的东西能让更多的人看到不断更新更新日志新增了网络安全分类，整理了排版布局新增了的链接，将一些杂七杂八的东西弄到了一篇新文章上了，叫做积累与杂货铺一以及相关教程的规范与相关中文学习大本营中文文档简 做一个搬运工，希望自己能努力学习，也希望大神们的东西能让更多的人看到 不断更新 更新日志：2017.10.13 新增了网络安全分类，整理了排版布局...
阅读 6257·2021-11-22 15:32
阅读 843·2021-11-11 16:54
阅读 3193·2021-10-13 09:40
阅读 2185·2021-09-03 10:35
阅读 1860·2021-08-09 13:47
阅读 1886·2019-08-30 15:55
阅读 1950·2019-08-30 15:43
阅读 2469·2019-08-29 17:06
