資訊專欄INFORMATION COLUMN
摘要：選擇多行通過一個會通過索引對行進行切片，由于前面設置了索引為日期格式，所以可以方便的直接使用日期范圍進行篩選。選擇指定行列的數據同，代表全部。按季度劃分，每個月開始為頻率一中下一個月的早上點。
背景
在數據分析中pandas舉足輕重，學習pandas最好的方法就是看官方文檔，以下是根據官方文檔10 Minutes to pandas學習記錄。（官方標題10分鐘，感覺起碼得半個小時吧）
在pandas中主要有兩種數據類型，可以簡單的理解為：
Series：一維數組
DateFrame：二維數組（矩陣）
有了大概的概念之后，開始正式認識pandas:
首先要引入對應的包：
import numpy as np import pandas as pd新建對象 Object Creation
Series
可以通過傳入一個list對象來新建Series，其中空值為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會默認創建一列索引index（上面的0-5）。我們也可以在創建時就指定索引：
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，索引是可以重復的，也可以是字符。
DataFrame
新建一個DataFrame對象可以有多種方式：
通過傳入一個numpy的數組、指定一個時間的索引以及一個列名。
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
通過傳入一個dict對象
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
這里我們指定了不同的類型，可以通過如下查看：
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一樣，在沒有指定索引時，會自動生成一個數字的索引，這在后續的操作中十分重要。
查看 Viewing Data
查看開頭幾行或者末尾幾行：
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
可以通過添加行數參數來輸出，默認為輸出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()轉化為numpy數據。需要注意的是由于numpy array類型數據只可包含一種格式，而DataFrame類型數據可包含多種格式，所以在轉換過程中，pandas會找到一種可以處理DateFrame中國所有格式的numpy array格式，比如object。這個過程會耗費一定的計算量。
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全部為float類型，所以轉換會很快，而df2涉及多種類型轉換，最后全部變成了object類型元素。
查看數據的簡要統計結果
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
轉置
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
按坐標軸排序，其中axis參數為坐標軸，axis默認為0，即橫軸（對行排序），axis=1則為縱軸（對列排序）；asceding參數默認為True，即升序排序，ascending=False則為降序排序：
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
可見df.sort_index(axis=1)是按列名升序排序，所以看起來沒有變化，當設置ascending=False時，列順序變成了DCBA。
按數值排序：
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
篩選 Selection
獲取某列
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，注意這里是大小寫敏感的，這時候獲取的是一個Series類型數據。
選擇多行
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
通過一個[]會通過索引對行進行切片，由于前面設置了索引為日期格式，所以可以方便的直接使用日期范圍進行篩選。
通過標簽選擇
選擇某行
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
選擇指定行列的數據
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
傳入第一個參數是行索引標簽范圍，第二個是列索引標簽，:代表全部。
選定某值
df.loc["20190102", "A"] Out[69]: -2.420703380445092 df.at[dates[1], "A"] Out[70]: -2.420703380445092
可以通過loc[]和at[]兩種方式來獲取某值，但需要注意的是，由于行索引為datetime類型，使用loc[]方式獲取時，可直接使用20190102字符串來代替，而在at[]中，必須傳入datetime類型，否則會有報錯：
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"
通過位置選擇
選擇某行
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[]方法的參數，必須是數值。
選擇指定行列的數據
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。
選擇某值
df.iloc[1, 1] Out[75]: -1.1162076820700824 df.iat[1, 1] Out[76]: -1.1162076820700824
可以通過iloc[]和iat[]兩種方法獲取數值。
按條件判斷選擇
按某列的數值判斷選擇
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
篩選出符合要求的數據
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
不符合要求的數據均會被賦值為空NaN。
使用isin()方法篩選
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必須嚴格一致才行，df中的默認數值小數點位數很長，并非顯示的5位，為了方便展示，所以新增了E列。直接用原數值，情況如下，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
設定值
通過指定索引設定列
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
空值會自動填充為NaN。
通過標簽設定值
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
通過為止設定值
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
通過NumPy array設定值
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
通過條件判斷設定值
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
空值處理 Missing Data
pandas默認使用np.nan來表示空值，在統計計算中會直接忽略。
通過reindex()方法可以新增、修改、刪除某坐標軸（行或列）的索引，并返回一個數據的拷貝：
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
刪除空值
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
判斷是否為空值
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
運算 Operations
統計
注意 所有的統計默認是不包含空值的
平均值
默認情況是按列求平均值：
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，需指定軸參數：
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
數值移動
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
這里將s的值移動兩個，那么空出的部分會自動使用NaN填充。
不同維度間的運算，pandas會自動擴展維度：
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
應用
通過apply()方法，可以對數據進行逐一操作:
累計求和
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
這里使用了apply()方法調用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
自定義方法
通過自定義函數，配合apply()方法，可以實現更多數據處理：
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
矩陣
統計矩陣中每個元素出現的頻次：
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類型都可以直接調用str的屬性方法來對每個對象進行操作。
比如轉換成大寫：
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種類型的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
這是類似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
另一個例子：
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
這里要注意，我們增加了ignore_index=True參數，如果不設置的話，那么增加的新行的index仍然是3，這樣在后續的處理中可能有存在問題。具體也需要看情況來處理。
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
分組 Grouping
一般分組統計有三個步驟：
分組：選擇需要的數據
計算：對每個分組進行計算
合并：把分組計算的結果合并為一個數據結構中
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列分組并使用sum函數進行計算：
df.groupby("A").sum()
Out[167]:
C D
A
bar 0.873692 -2.880840
foo -1.817027 -5.833961
這里由于B列無法應用sum函數，所以直接被忽略了。
按A、B列分組并使用sum函數進行計算：
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
這樣就有了一個多層index的結果集。
整形 Reshaping
堆疊 Stack
python的zip函數可以將對象中對應的元素打包成一個個的元組：
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")]
## 設置兩級索引
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"])
## 創建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
## 選取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，可以通過堆疊的方式將二維數據變成為一維數據：
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
對應的逆操作為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()默認對最后一層級進行操作，也可通過輸入參數指定。
表格轉置
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
通過pivot_table()方法可以很方便的進行行列的轉換：
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
轉換中，涉及到空值部分會自動填充為NaN。
時間序列 Time Seriespandas的在時序轉換方面十分強大，可以很方便的進行各種轉換。
時間間隔調整
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間隔進行重新采樣
ts1 = ts.resample("10S")
ts1
Out[209]: DatetimeIndexResampler [freq=<10 * Seconds>, axis=0, closed=left, label=left, convention=start, base=0]
## 用求平均的方式進行數據整合
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
## 用求和的方式進行數據整合
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
這里先通過resample進行重采樣，在指定sum()或者mean()等方式來指定沖采樣的處理方式。
顯示時區：
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
轉換時區：
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
時間格式轉換
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
在是時間段和時間轉換過程中，有一些很方便的算術方法可以使用，比如我們轉換如下兩個頻率：
1、按季度劃分，且每個年的最后一個月是11月。
2、按季度劃分，每個月開始為頻率一中下一個月的早上9點。
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：這個例子有點怪。可以這樣理解，我們先將prng直接轉換為按小時顯示：
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")
我們要把時間轉換為下一個月的早上9點，所以先轉換為按月顯示，并每個月加1（即下個月），然后按小時顯示并加9（早上9點）。
另外例子中s參數是start的簡寫，e參數是end的簡寫，Q-NOV即表示按季度，且每年的NOV是最后一個月。
更多了freq簡稱可以參考：http://pandas.pydata.org/pand...
asfreq（）方法介紹可參考：http://pandas.pydata.org/pand...
分類目錄類型 Categoricals關于Categories類型介紹可以參考：http://pandas.pydata.org/pand...
類型轉換：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]
重命名分類：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]
重分類：
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
分組
df.groupby("grade").size()
Out[273]:
grade
very bad 1
bad 0
medium 0
good 2
very good 3
dtype: int64
畫圖 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畫圖
使用plot可以把所有的列都通過標簽的形式展示出來：
df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=["A", "B", "C", "D"]) df = df.cumsum() plt.figure() Out[282]:導入導出數據 Getting Data In/Outdf.plot() Out[283]: plt.legend(loc="best")
CSV
寫入：
df.to_csv("foo.csv")
讀取：
pd.read_csv("foo.csv")
HDF5
寫入：
df.to_hdf("foo.h5", "df")
讀取：
pd.read_hdf("foo.h5", "df")
Excel
寫入：
df.to_excel("foo.xlsx", sheet_name="Sheet1")
讀取：
pd.read_excel("foo.xlsx", "Sheet1", index_col=None, na_values=["NA"])
異常處理 Gotchas
如果有一些異常情況比如：
>>> 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().
可以參考如下鏈接：
http://pandas.pydata.org/pand...
http://pandas.pydata.org/pand...
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/43272.html
摘要：去吧，參加一個在上正在舉辦的實時比賽吧試試你所學到的全部知識微軟雅黑深度學習終于看到這個，興奮吧現在，你已經學到了絕大多數關于機器學習的技術，是時候試試深度學習了。微軟雅黑對于深度學習，我也是個新手，就請把這些建議當作參考吧。 如果你想做一個數據科學家，或者作為一個數據科學家你想擴展自己的工具和知識庫，那么，你來對地方了。這篇文章的目的，是給剛開始使用Python進行數據分析的人，指明一條全...
?作者主頁：小小明-代碼實體 ?簡介：Python領域優質創作者?、數據處理專家? ?歡迎點贊 ? 收藏 ?留言 ? 昨晚有位童鞋一道Pandas面試題完全沒有思路不會做，通過黃同學找到我時，這道題目離提交答案僅剩20分鐘，不過我最終還是在15分鐘之內解決了問題，這整個過程簡直是刺激~??? 原題題目如下： 最終要求輸出： 要在20分鐘內解決這個問題，對于我來說最困難的第一步就是理解...
摘要：它還使用執行所謂的鏈式索引，這通常會導致意外的結果。但這種方法的最大問題是計算的時間成本。這些都是一次產生一行的生成器方法，類似中使用的用法。在這種情況下，所花費的時間大約是方法的一半。根據每小時所屬的應用一組標簽。 作者：xiaoyu 微信公眾號：Python數據科學 知乎：python數據分析師 showImg(https://segmentfault.com/img/bVboe...
摘要：做一個搬運工，希望自己能努力學習，也希望大神們的東西能讓更多的人看到不斷更新更新日志新增了網絡安全分類，整理了排版布局新增了的鏈接，將一些雜七雜八的東西弄到了一篇新文章上了，叫做積累與雜貨鋪一以及相關教程的規范與相關中文學習大本營中文文檔簡 做一個搬運工，希望自己能努力學習，也希望大神們的東西能讓更多的人看到 不斷更新 更新日志：2017.10.13 新增了網絡安全分類，整理了排版布局...
摘要：做一個搬運工，希望自己能努力學習，也希望大神們的東西能讓更多的人看到不斷更新更新日志新增了網絡安全分類，整理了排版布局新增了的鏈接，將一些雜七雜八的東西弄到了一篇新文章上了，叫做積累與雜貨鋪一以及相關教程的規范與相關中文學習大本營中文文檔簡 做一個搬運工，希望自己能努力學習，也希望大神們的東西能讓更多的人看到 不斷更新 更新日志：2017.10.13 新增了網絡安全分類，整理了排版布局...
閱讀 6179·2021-11-22 15:32
閱讀 813·2021-11-11 16:54
閱讀 3157·2021-10-13 09:40
閱讀 2161·2021-09-03 10:35
閱讀 1824·2021-08-09 13:47
閱讀 1865·2019-08-30 15:55
閱讀 1932·2019-08-30 15:43
閱讀 2455·2019-08-29 17:06
