网站一键备案,仿网链网站源代码下载,前端开发培训多久,做贷款在那些网站找客户文章目录 一、文件的读取和写入1.文件读取2.数据写入 二、基本数据结构1.Series2.DataFrame 三、常用基本函数1.汇总函数2.特征统计函数3.唯一值函数4.替换函数5.排序函数6.apply方法 四、窗口对象1.滑窗对象2.扩张窗口 一、文件的读取和写入
1.文件读取
pandas可以读取的文件… 文章目录 一、文件的读取和写入1.文件读取2.数据写入 二、基本数据结构1.Series2.DataFrame 三、常用基本函数1.汇总函数2.特征统计函数3.唯一值函数4.替换函数5.排序函数6.apply方法 四、窗口对象1.滑窗对象2.扩张窗口 一、文件的读取和写入
1.文件读取
pandas可以读取的文件格式有很多这里主要介绍读取csv, excel, txt文件。
import numpy as np
import pandas as pddf_csv pd.read_csv(../data/my_csv.csv)
df_csv
# col1 col2 col3 col4 col5
#0 2 a 1.4 apple 2020/1/1
#1 3 b 3.4 banana 2020/1/2df_txt pd.read_table(../data/my_table.txt)
df_txt
# col1 col2 col3 col4
#0 2 a 1.4 apple 2020/1/1
#1 3 b 3.4 banana 2020/1/2df_excel pd.read_excel(../data/my_excel.xlsx)
df_excel
# col1 col2 col3 col4 col5
#0 2 a 1.4 apple 2020/1/1
#1 3 b 3.4 banana 2020/1/2pd.read_table(../data/my_table.txt, headerNone)
# 0 1 2 3
#0 col1 col2 col3 col4
#1 2 a 1.4 apple 2020/1/1pd.read_csv(../data/my_csv.csv, index_col[col1, col2])
# col3 col4 col5
#col1 col2
#2 a 1.4 apple 2020/1/1pd.read_table(../data/my_table.txt, usecols[col1, col2])
# col1 col2
#0 2 a
#1 3 bpd.read_csv(../data/my_csv.csv, parse_dates[col5])
# col1 col2 col3 col4 col5
#0 2 a 1.4 apple 2020-01-01
#1 3 b 3.4 banana 2020-01-02pd.read_excel(../data/my_excel.xlsx, nrows2)
# col1 col2 col3 col4 col5
#0 2 a 1.4 apple 2020/1/1
#1 3 b 3.4 banana 2020/1/22.数据写入
一般在数据写入中最常用的操作是把index设置为False特别当索引没有特殊意义的时候这样的行为能把索引在保存的时候去除。
df_csv.to_csv(../data/my_csv_saved.csv, indexFalse)
df_excel.to_excel(../data/my_excel_saved.xlsx, indexFalse)二、基本数据结构
pandas中具有两种基本的数据存储结构存储一维values的Series和存储二维values的DataFrame在这两种结构上定义了很多的属性和方法。
1.Series
Series一般由四个部分组成分别是序列的值data、索引index、存储类型dtype、序列的名字name。其中索引也可以指定它的名字默认为空。
s pd.Series(data [100, a, {dic1:5}],index pd.Index([id1, 20, third], namemy_idx),dtype object,name my_name)
s
#my_idx
#,id1 100
#,20 a
#,third {dic1: 5}
#,Name: my_name, dtype: object对于这些属性可以通过 . 的方式来获取
s.values
#array([100, a, {dic1: 5}], dtypeobject)s.index
#Index([id1, 20, third], dtypeobject, namemy_idx)s.dtype
#dtype(O)s.name
#my_name利用.shape可以获取序列的长度
s.shape
# (3,)2.DataFrame
DataFrame在Series的基础上增加了列索引一个数据框可以由二维的data与行列索引来构造
data [[1, a, 1.2], [2, b, 2.2], [3, c, 3.2]]
df pd.DataFrame(data data,index [row_%d%i for i in range(3)],columns[col_0, col_1, col_2])
df
# col_0 col_1 col_2
#row_0 1 a 1.2
#row_1 2 b 2.2
#row_2 3 c 3.2但一般而言更多的时候会采用从列索引名到数据的映射来构造数据框同时再加上行索引
df pd.DataFrame(data {col_0: [1,2,3],col_1:list(abc),col_2: [1.2, 2.2, 3.2]},index [row_%d%i for i in range(3)])
df
# col_0 col_1 col_2
#row_0 1 a 1.2
#row_1 2 b 2.2
#row_2 3 c 3.2由于这种映射关系在DataFrame中可以用[col_name]与[col_list]来取出相应的列与由多个列组成的表结果分别为Series和DataFrame
df[col_0]
#row_0 1
#,row_1 2
#,row_2 3
#,Name: col_0, dtype: int64df[[col_0, col_1]]
# col_0 col_1
#row_0 1 a
#row_1 2 b
#row_2 3 c与Series类似在数据框中同样可以取出相应的属性
df.values
#array([[1, a, 1.2],
#, [2, b, 2.2],
#, [3, c, 3.2]], dtypeobject)df.index
#Index([row_0, row_1, row_2], dtypeobject)df.columns
#Index([col_0, col_1, col_2], dtypeobject)df.dtypes # 返回的是值为相应列数据类型的Series
#col_0 int64
#,col_1 object
#,col_2 float64
#,dtype: objectdf.shape
#(3, 3)df.T # 通过.T可以把DataFrame进行转置
# row_0 row_1 row_2
#col_0 1 2 3
#col_1 a b c
#col_2 1.2 2.2 3.2三、常用基本函数
为了进行举例说明在接下来的部分和其余章节都将会使用一份learn_pandas.csv的虚拟数据集它记录了四所学校学生的体测个人信息。
df pd.read_csv(../data/learn_pandas.csv)
df.columns
# Index([School, Grade, Name, Gender, Height, Weight, Transfer,
#, Test_Number, Test_Date, Time_Record],
#, dtypeobject)上述列名依次代表学校、年级、姓名、性别、身高、体重、是否为转系生、体测场次、测试时间、1000米成绩只需使用其中的前七列。
df df[df.columns[:7]]1.汇总函数
head, tail函数分别表示返回表或者序列的前n行和后n行其中n默认为5
df.head(2)
# School Grade Name Gender Height Weight Transfer
#0 Shanghai Jiao Tong University Freshman Gaopeng Yang Female 158.9 46.0 N
#1 Peking University Freshman Changqiang You Male 166.5 70.0 Ndf.tail(3)
# School Grade Name Gender Height Weight Transfer
#197 Shanghai Jiao Tong University Senior Chengqiang Chu Female 153.9 45.0 N
#198 Shanghai Jiao Tong University Senior Chengmei Shen Male 175.3 71.0 N
#199 Tsinghua University Sophomore Chunpeng Lv Male 155.7 51.0 Ninfo, describe分别返回表的信息概况和表中数值列对应的主要统计量
df.info()
#class pandas.core.frame.DataFrame
#RangeIndex: 200 entries, 0 to 199
#Data columns (total 7 columns):
# # Column Non-Null Count Dtype
#--- ------ -------------- -----
# 0 School 200 non-null object
# 1 Grade 200 non-null object
# 2 Name 200 non-null object
# 3 Gender 200 non-null object
# 4 Height 183 non-null float64
# 5 Weight 189 non-null float64
# 6 Transfer 188 non-null object
#dtypes: float64(2), object(5)
#memory usage: 11.1 KBdf.describe()
# Height Weight
#count 183.000000 189.000000
#mean 163.218033 55.015873
#std 8.608879 12.824294
#min 145.400000 34.000000
#25% 157.150000 46.000000
#50% 161.900000 51.000000
#75% 167.500000 65.000000
#max 193.900000 89.0000002.特征统计函数
在Series和DataFrame上定义了许多统计函数最常见的是sum, mean, median, var, std, max, min。例如选出身高和体重列进行演示
df_demo df[[Height, Weight]]
df_demo.mean()
#Height 163.218033
#,Weight 55.015873
#,dtype: float64df_demo.max()
#Height 193.9
#,Weight 89.0
#,dtype: float64此外需要介绍的是quantile, count, idxmax这三个函数它们分别返回的是分位数、非缺失值个数、最大值对应的索引
df_demo.quantile(0.75)
#Height 167.5
#,Weight 65.0
#,Name: 0.75, dtype: float64df_demo.count()
#Height 183
#,Weight 189
#,dtype: int64df_demo.idxmax() # idxmin是对应的函数
#Height 193
#,Weight 2
#,dtype: int64上面这些所有的函数由于操作后返回的是标量所以又称为聚合函数它们有一个公共参数axis默认为0代表逐列聚合如果设置为1则表示逐行聚合
df_demo.mean(axis1).head() # 在这个数据集上体重和身高的均值并没有意义
#0 102.45
#,1 118.25
#,2 138.95
#,3 41.00
#,4 124.00
#,dtype: float643.唯一值函数
对序列使用unique和nunique可以分别得到其唯一值组成的列表和唯一值的个数
df[School].unique()
#array([Shanghai Jiao Tong University, Peking University,
#, Fudan University, Tsinghua University], dtypeobject)df[School].nunique()
#Tsinghua University 69
#,Shanghai Jiao Tong University 57
#,Fudan University 40
#,Peking University 34
#,Name: School, dtype: int64如果想要观察多个列组合的唯一值可以使用drop_duplicates。其中的关键参数是keep默认值first表示每个组合保留第一次出现的所在行last表示保留最后一次出现的所在行False表示把所有重复组合所在的行剔除。
df_demo df[[Gender,Transfer,Name]]
df_demo.drop_duplicates([Gender, Transfer])
# Gender Transfer Name
#0 Female N Gaopeng Yang
#1 Male N Changqiang You
#12 Female NaN Peng You
#21 Male NaN Xiaopeng Shen
#36 Male Y Xiaojuan Qin
#43 Female Y Gaoli Fengdf_demo.drop_duplicates([Gender, Transfer], keeplast)
# Gender Transfer Name
#147 Male NaN Juan You
#150 Male Y Chengpeng You
#169 Female Y Chengquan Qin
#194 Female NaN Yanmei Qian
#197 Female N Chengqiang Chu
#199 Male N Chunpeng Lvdf_demo.drop_duplicates([Name, Gender], keepFalse).head() # 保留只出现过一次的性别和姓名组合
# Gender Transfer Name
#0 Female N Gaopeng Yang
#1 Male N Changqiang You
#2 Male N Mei Sun
#4 Male N Gaojuan You
#5 Female N Xiaoli Qiandf[School].drop_duplicates() # 在Series上也可以使用
#0 Shanghai Jiao Tong University
#,1 Peking University
#,3 Fudan University
#,5 Tsinghua University
#,Name: School, dtype: object此外duplicated和drop_duplicates的功能类似但前者返回了是否为唯一值的布尔列表其keep参数与后者一致。其返回的序列把重复元素设为True否则为False。 drop_duplicates等价于把duplicated为True的对应行剔除。
df_demo.duplicated([Gender, Transfer]).head()
#0 False
#,1 False
#,2 True
#,3 True
#,4 True
#,dtype: booldf[School].duplicated().head() # 在Series上也可以使用
#0 False
#,1 False
#,2 True
#,3 False
#,4 True
#,Name: School, dtype: bool4.替换函数
一般而言替换操作是针对某一个列进行的因此下面的例子都以Series举例。pandas中的替换函数可以归纳为三类映射替换、逻辑替换、数值替换。其中映射替换包含replace方法、str.replace方法以及cat.codes方法此处介绍replace的用法。
在replace中可以通过字典构造或者传入两个列表来进行替换
df[Gender].replace({Female:0, Male:1}).head()
#0 0
#,1 1
#,2 1
#,3 0
#,4 1
#,Name: Gender, dtype: int64df[Gender].replace([Female, Male], [0, 1]).head()
#0 0
#,1 1
#,2 1
#,3 0
#,4 1
#,Name: Gender, dtype: int64另外replace还有一种特殊的方向替换指定method参数为ffill则为用前面一个最近的未被替换的值进行替换bfill则使用后面最近的未被替换的值进行替换。从下面的例子可以看到它们的结果是不同的
s pd.Series([a, 1, b, 2, 1, 1, a])
s.replace([1, 2], methodffill)
#0 a
#,1 a
#,2 b
#,3 b
#,4 b
#,5 b
#,6 a
#,dtype: objects.replace([1, 2], methodbfill)
#0 a
#,1 b
#,2 b
#,3 a
#,4 a
#,5 a
#,6 a
#,dtype: object逻辑替换包括了where和mask这两个函数是完全对称的where函数在传入条件为False的对应行进行替换而mask在传入条件为True的对应行进行替换当不指定替换值时替换为缺失值。
s pd.Series([-1, 1.2345, 100, -50])
s.where(s0)
#0 -1.0
#,1 NaN
#,2 NaN
#,3 -50.0
#,dtype: float64s.where(s0, 100)
#0 -1.0
#,1 100.0
#,2 100.0
#,3 -50.0
#,dtype: float64s.mask(s0)
#0 NaN
#,1 1.2345
#,2 100.0000
#,3 NaN
#,dtype: float64s.mask(s0, -50)
#0 -50.0000
#,1 1.2345
#,2 100.0000
#,3 -50.0000
#,dtype: float64需要注意的是传入的条件只需是与被调用的Series索引一致的布尔序列即可
s_condition pd.Series([True,False,False,True],indexs.index)
s.mask(s_condition, -50)
#0 -50.0000
#,1 1.2345
#,2 100.0000
#,3 -50.0000
#,dtype: float64数值替换包含了round, abs, clip方法它们分别表示按照给定精度四舍五入、取绝对值和截断
s pd.Series([-1, 1.2345, 100, -50])
s.round(2)
#0 -1.00
#,1 1.23
#,2 100.00
#,3 -50.00
#,dtype: float64s.abs()
#0 1.0000
#,1 1.2345
#,2 100.0000
#,3 50.0000
#,dtype: float64s.clip(0, 2) # 前两个数分别表示上下截断边界
#0 0.0000
#,1 1.2345
#,2 2.0000
#,3 0.0000
#,dtype: float645.排序函数
排序共有两种方式其一为值排序其二为索引排序对应的函数是sort_values和sort_index。
为了演示排序函数下面先利用set_index方法把年级和姓名两列作为索引
df_demo df[[Grade, Name, Height, Weight]].set_index([Grade,Name])
df_demo.head(3)
# Height Weight
Grade Name
Freshman Gaopeng Yang 158.9 46.0Changqiang You 166.5 70.0
Senior Mei Sun 188.9 89.0对身高进行排序默认参数ascendingTrue为升序
df_demo.sort_values(Height).head()
# Height Weight
#Grade Name
#Junior Xiaoli Chu 145.4 34.0
#Senior Gaomei Lv 147.3 34.0
#Sophomore Peng Han 147.8 34.0
#Senior Changli Lv 148.7 41.0
#Sophomore Changjuan You 150.5 40.0df_demo.sort_values(Height, ascendingFalse).head()
# Height Weight
#Grade Name
#Senior Xiaoqiang Qin 193.9 79.0
# Mei Sun 188.9 89.0
# Gaoli Zhao 186.5 83.0
#Freshman Qiang Han 185.3 87.0
#Senior Qiang Zheng 183.9 87.0在排序中经常遇到多列排序的问题比如在体重相同的情况下对身高进行排序并且保持身高降序排列体重升序排列
df_demo.sort_values([Weight,Height],ascending[True,False]).head()
# Height Weight
#Grade Name
#Sophomore Peng Han 147.8 34.0
#Senior Gaomei Lv 147.3 34.0
#Junior Xiaoli Chu 145.4 34.0
#Sophomore Qiang Zhou 150.5 36.0
#Freshman Yanqiang Xu 152.4 38.0索引排序的用法和值排序完全一致只不过元素的值在索引中此时需要指定索引层的名字或者层号用参数level表示。另外需要注意的是字符串的排列顺序由字母顺序决定。
df_demo.sort_index(level[Grade,Name],ascending[True,False]).head()
# Height Weight
#Grade Name
#Freshman Yanquan Wang 163.5 55.0
# Yanqiang Xu 152.4 38.0
# Yanqiang Feng 162.3 51.0
# Yanpeng Lv NaN 65.0
# Yanli Zhang 165.1 52.06.apply方法
apply方法常用于DataFrame的行迭代或者列迭代它的axis含义与第2小节中的统计聚合函数一致apply的参数往往是一个以序列为输入的函数。例如对于.mean()使用apply可以如下地写出
df_demo df[[Height, Weight]]
def my_mean(x):res x.mean()return res
df_demo.apply(my_mean)
#Height 163.218033
#,Weight 55.015873
#,dtype: float64同样的可以利用lambda表达式使得书写简洁这里的x就指代被调用的df_demo表中逐个输入的序列
df_demo.apply(lambda x:x.mean())
#Height 163.218033
#,Weight 55.015873
#,dtype: float64若指定axis1那么每次传入函数的就是行元素组成的Series其结果与之前的逐行均值结果一致。
df_demo.apply(lambda x:x.mean(), axis1).head()
#0 102.45
#,1 118.25
#,2 138.95
#,3 41.00
#,4 124.00
#,dtype: float64这里再举一个例子mad函数返回的是一个序列中偏离该序列均值的绝对值大小的均值例如序列1,3,7,10中均值为5.25每一个元素偏离的绝对值为4.25,2.25,1.75,4.75这个偏离序列的均值为3.25。现在利用apply计算升高和体重的mad指标
df_demo.apply(lambda x:(x-x.mean()).abs().mean())
#Height 6.707229
#,Weight 10.391870
#,dtype: float64这与使用内置的mad函数计算结果一致
df_demo.mad()
#Height 6.707229
#,Weight 10.391870
#,dtype: float64四、窗口对象
pandas中有3类窗口分别是滑动窗口rolling、扩张窗口expanding以及指数加权窗口ewm。需要说明的是以日期偏置为窗口大小的滑动窗口将在第十章讨论指数加权窗口见本章练习。
1.滑窗对象
要使用滑窗函数就必须先要对一个序列使用.rolling得到滑窗对象其最重要的参数为窗口大小window。
s pd.Series([1,2,3,4,5])
roller s.rolling(window 3)
roller在得到了滑窗对象后能够使用相应的聚合函数进行计算需要注意的是窗口包含当前行所在的元素例如在第四个位置进行均值运算时应当计算(234)/3而不是(123)/3
roller.mean()
#0 NaN
#,1 NaN
#,2 2.0
#,3 3.0
#,4 4.0
#,dtype: float64roller.sum()
#0 NaN
#,1 NaN
#,2 6.0
#,3 9.0
#,4 12.0
#,dtype: float64对于滑动相关系数或滑动协方差的计算可以如下写出
s2 pd.Series([1,2,6,16,30])
roller.cov(s2)
#0 NaN
#,1 NaN
#,2 2.5
#,3 7.0
#,4 12.0
#,dtype: float64roller.corr(s2)
#0 NaN
#,1 NaN
#,2 0.944911
#,3 0.970725
#,4 0.995402
#,dtype: float64此外还支持使用apply传入自定义函数其传入值是对应窗口的Series例如上述的均值函数可以等效表示
roller.apply(lambda x:x.mean())
#0 NaN
#,1 NaN
#,2 2.0
#,3 3.0
#,4 4.0
#,dtype: float64shift, diff, pct_change是一组类滑窗函数它们的公共参数为periodsn默认为1分别表示取向前第n个元素的值、与向前第n个元素做差与Numpy中不同后者表示n阶差分、与向前第n个元素相比计算增长率。这里的n可以为负表示反方向的类似操作。
s pd.Series([1,3,6,10,15])
s.shift(2)
#0 NaN
#,1 NaN
#,2 1.0
#,3 3.0
#,4 6.0
#,dtype: float64s.diff(3)
#0 NaN
#,1 NaN
#,2 NaN
#,3 9.0
#,4 12.0
#,dtype: float64s.pct_change()
#0 NaN
#,1 2.000000
#,2 1.000000
#,3 0.666667
#,4 0.500000
#,dtype: float64s.shift(-1)
#0 3.0
#,1 6.0
#,2 10.0
#,3 15.0
#,4 NaN
#,dtype: float64s.diff(-2)
#0 -5.0
#,1 -7.0
#,2 -9.0
#,3 NaN
#,4 NaN
#,dtype: float64将其视作类滑窗函数的原因是它们的功能可以用窗口大小为n1的rolling方法等价代替
s.rolling(3).apply(lambda x:list(x)[0]) # s.shift(2)
#0 NaN
#,1 NaN
#,2 1.0
#,3 3.0
#,4 6.0
#,dtype: float64s.rolling(4).apply(lambda x:list(x)[-1]-list(x)[0]) # s.diff(3)
#0 NaN
#,1 NaN
#,2 NaN
#,3 9.0
#,4 12.0
#,dtype: float64def my_pct(x):L list(x)return L[-1]/L[0]-1
s.rolling(2).apply(my_pct) # s.pct_change()
#0 NaN
#,1 2.000000
#,2 1.000000
#,3 0.666667
#,4 0.500000
#,dtype: float642.扩张窗口
扩张窗口又称累计窗口可以理解为一个动态长度的窗口其窗口的大小就是从序列开始处到具体操作的对应位置其使用的聚合函数会作用于这些逐步扩张的窗口上。具体地说设序列为a1, a2, a3, a4则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]。
s pd.Series([1, 3, 6, 10])
s.expanding().mean()
#0 1.000000
#,1 2.000000
#,2 3.333333
#,3 5.000000
#,dtype: float64参考阿里云天池
