Python库-pandas详解
1. pandas介绍
pandas 是用于数据挖掘的Python库
- 便捷的数据处理能力
- 独特的数据结构
- 读取文件方便
- 封装了matplotlib的画图和numpy的计算
pandas的数据结构
- Series
- Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。由索引（index）和列组成。
- DataFrame
- DataFrame 是一个表格型的数据结构，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典。
案例应用
创建一个符合正态分布的10个股票5天的涨跌幅数据，使用pandas中的数据结构 DataFrame() 处理数据
# 导入库
import numpy as np
import pandas as pd
# 创建一个符合正态分布的10个股票5天的涨跌幅数据
stocks = np.random.normal(0, 1, [10, 5])
# 使用pandas中的数据结构 DataFrame() 处理数据
stocks_rise = pd.DataFrame(stocks)
# 设置行索引,获取行数 stocks_rise.shape[0] 进行遍历 列表生成式
index_row = ['股票{}'.format(i+1) for i in range(stocks_rise.shape[0])]
# 设置列索引，日期是一个时间序列，为了简便，使用pd.date_range()生成一组连续的时间序列
# pd.date_range(start,end,periods,freq) start:开始时间, end:结束时间
# periods:时间天数, freq:递进单位，默认1天，'B'默认略过周末
index_col = pd.date_range(start='20220201',periods=stocks_rise.shape[1],freq='B')
# 添加索引，注意数据是ndarray数据 index表示行索引，columns表示列索引
data = pd.DataFrame(stocks, index=index_row, columns=index_col)
print(data)
2022-02-01 2022-02-02 2022-02-03 2022-02-04 2022-02-07
股票1 -2.054041 -1.170757 0.162393 0.253333 -1.638837
股票2 -1.463734 0.408459 0.530070 -0.925281 1.454630
股票3 -0.511517 -0.827591 -2.076265 0.139486 0.658707
股票4 -1.698789 0.250902 -0.624713 1.378845 -1.672292
股票5 0.683233 -1.083694 0.810567 0.421215 1.375385
股票6 -0.296111 -0.946959 0.836536 -1.179879 -0.397406
股票7 0.017772 0.180210 2.022776 0.436337 -1.555866
股票8 0.638262 -0.790932 1.077822 -1.746631 -0.591360
股票9 -0.681391 -0.613255 -1.849094 0.438304 -0.503742
股票10 -0.243500 -1.733623 -1.137840 0.124976 -0.415727
2. Series
pd.Series( data, index, dtype, name, copy)
参数说明：
data：一组数据(ndarray 类型)。
index：数据索引标签，如果不指定，默认从 0 开始。
dtype：数据类型，默认会自己判断。
name：设置名称。
copy：拷贝数据，默认为 False。
Series实例
# 通过数组创建Series
s = pd.Series([6, 5, 2], index=['x', 'y', 'z'])
print(s)
x 6
y 5
z 2
# 通过字典创建Series
s = pd.Series({
'day': 2,
'month': 2,
'year': 2022
})
print(s)
day 2
month 2
year 2022
dtype: int64
# 通过索引操作数据
print(s['year'])
2022
3. DataFrame
3.1 DataFrame结构
DataFrame对象既有行索引，又有列索引
- 行索引：表明不同行，横向索引，叫index，axis=0
- 列索引：表明不同列，纵向索引，叫columns，axis=1
3.2 DataFrame属性与方法
- shape DataFrame的形状
- index DataFrame行索引
- columns DataFrame列索引
- values DataFrame的值
- T DataFrame转置
- head(n) DataFrame的前n行，默认为前5行
- tail(n) DataFrame的后n行，默认为后5行
print(data.shape) # (10, 5)
print(data.index)
# Index(['股票1', '股票2', '股票3', '股票4', '股票5', '股票6', '股票7', '股票8', '股票9', '股票10'], dtype='object')
print(data.columns)
# DatetimeIndex(['2022-02-01', '2022-02-02', '2022-02-03', '2022-02-04',
# '2022-02-07'],
# dtype='datetime64[ns]', freq='B')
print(data.values)
print(data.T)
3.2 DataFrame索引的设置
1 修改行列索引值
- 必须整体全部修改，不能单独修改某个索引
index_row2 = ['股票_{}'.format(i + 1) for i in range(stocks_rise.shape[0])]
data.index = index_row2
print(data)
2 重设索引
- reset_index(drop=False)
- 设置新的下标索引
- drop:默认为False，不删除原来索引
# 重设索引
print(data.reset_index(drop=False))
3 以某列值设为新的索引
- set_index(keys,drop=True)
- keys:列索引名称或者列索引名称的列表
- drop:默认为True，当作新的索引，删除原来索引
# 创建
df = pd.DataFrame({
'month': [1, 4, 7, 10],
'year': [2018, 2019, 2020, 2021],
'sale': [55, 40, 84, 33]
})
print(df)
month year sale
0 1 2018 55
1 4 2019 40
2 7 2020 84
3 10 2021 33
# 以月份设置新的索引
print(df.set_index('month'))
year sale
month
1 2018 55
4 2019 40
7 2020 84
10 2021 33
# 设置多个索引，以年和月份
# 如果设置索引是两个的时候，就是multiIndex
print(df.set_index(['year', 'month']))
sale
year month
2018 1 55
2019 4 40
2020 7 84
2021 10 33
4. 基本数据操作
4.1 索引重命名
- rename(mapper=None,inplace=False)
- mapper：映射结构，修改columns或index要传入一个映射体，可以是字典、函数
- inplace：默认为False，不改变数据，返回一个新的DataFrame
4.2 通过索引操作数据
1. 直接使用行列索引（先列后行）
- 先行后列会报错
- 不支持切片，会报错
stocks = np.random.normal(0, 1, [10, 5])
stocks_rise = pd.DataFrame(stocks)
index_row = ['股票{}'.format(i + 1) for i in range(stocks_rise.shape[0])]
index_col = pd.date_range(start='20220201', periods=stocks_rise.shape[1], freq='B')
data = pd.DataFrame(stocks, index=index_row, columns=index_col)
print(data.head())
2022-02-01 2022-02-02 2022-02-03 2022-02-04 2022-02-07
股票1 0.663384 1.936687 1.992576 2.009280 -0.723381
股票2 -2.441452 0.081647 -0.738524 -0.620358 -1.930378
股票3 2.026646 -0.324842 -0.478456 -0.840363 1.492842
股票4 -0.188968 -1.180816 0.733197 -0.078608 -1.056264
股票5 1.219254 -1.738242 0.473682 0.288252 3.513113
# 索引先列后行获取数据
print(data['2022-02-03']['股票3'])
-0.47845617563179627
# print(data['股票3']['2022-02-03']) # 先行后列会报错
# print(data[:1, :2]) # 不支持切片，会报错
2. 结合loc或iloc使用索引（先行后列）
- loc 通过索引名称访问
- iloc 通过索引下标访问，支持切片
print(data.loc['股票3']['2022-02-03'])
print(data.iloc[1, 1])
print(data.iloc[:3, :4])
- loc或iloc还可以进行组合索引访问
# 获取前5行，两列的值
print(data.loc[data.index[:5], ['2022-02-01', '2022-02-02']])
print(data.iloc[0:5, data.columns.get_indexer(['2022-02-01', '2022-02-02'])])
4.3 排序
1. sort_values(by=,ascending=) 对内容进行排序
- by:根据单个键或者多个键（优先级从前到后）进行排序，默认升序 ascending=True
- ascending=False，降序
print(data.sort_values(by='2022-02-01', ascending=False))
print(data.sort_values(by=['2022-02-01', '2022-02-02'], ascending=False))
2. sort_index(ascending=) 对索引进行排序
- 默认升序 ascending=True， 降序为False
print(data.sort_index(ascending=False))
说明：Series的排序方法与DataFrame方法一致，因为只有一列，也不用指定键，只需要指定是升序或降序
5. DataFrame运算
5.1 算术运算
和一般算数运算方法类似，举几个例子
import pandas as pd
df = pd.DataFrame({
'month': [1, 4, 7, 10],
'year': [2018, 2019, 2020, 2021],
'sale': [55, 40, 84, 33]
})
n = df['sale'][0] # 55
print(n.__add__(2)) # 加法运算 <=> +
print(n.__sub__(2)) # 减法运算 <=> -
print(n.__mul__(2)) # 乘法运算 <=> *
print(n.__divmod__(2)) # 除余，得到商和余数 (商, 余数)
print(n.__mod__(2)) # 模运算（余数）<=> %
print(n.__abs__()) # 绝对值运算
5.2 逻辑运算
- 逻辑运算符号 < > | &
- 获取逻辑运算结果
- 将逻辑运算结果作为筛选条件进行数据筛选
print(df)
month year sale
0 1 2018 55
1 4 2019 40
2 7 2020 84
3 10 2021 33
# 获取逻辑运算结果
print(df['sale'] > 50)
0 True
1 False
2 True
3 False
# 逻辑运算结果可以作为筛选的条件
print(df[df['sale'] > 50])
Name: sale, dtype: bool
month year sale
0 1 2018 55
2 7 2020 84
- 逻辑运算函数
- query(expr) 通过条件字符串进行查询符合条件的数据
- isin(values) 对数据进行逻辑判断，判断数据是否在指定的values中
print(df.query('sale > 35 & sale < 80'))
month year sale
0 1 2018 55
1 4 2019 40
print(df['sale'].isin([30, 40]))
0 False
1 True
2 False
3 False
Name: sale, dtype: bool
5.3 统计运算
- describe() 综合分析，统计数量count，平均值mean，标准差std，最大值，最小值等
print(data.head().describe())
2022-02-01 2022-02-02 2022-02-03 2022-02-04 2022-02-07
count 5.000000 5.000000 5.000000 5.000000 5.000000
mean 0.731207 0.016387 -0.292730 -0.050105 0.491857
std 0.692347 1.184870 1.038632 0.897436 0.808612
min -0.019900 -1.273726 -1.526506 -0.766793 -0.416006
25% 0.558542 -0.963643 -1.228403 -0.563485 0.043999
50% 0.581686 -0.036380 -0.031193 -0.553368 0.136538
75% 0.665749 0.797005 0.541065 0.229670 1.331016
max 1.869961 1.558681 0.781386 1.403449 1.363740
- 描述性统计函数
对于单个函数去统计的时候，坐标轴还是按照默认columns(axis=0),如需要对行统计，指定axis=1
| 函数名称 | 描述说明 |
|---|---|
| count() | 统计某个非空值的数量 |
| sum() | 求和 |
| mean() | 求均值 |
| median() | 求中位数 |
| mode() | 求众数 |
| std() | 求标准差 |
| min() | 求最小值 |
| max() | 求最大值 |
| idxmax | 最大值的索引 |
| idxmin | 最小值的索引 |
| abs() | 求绝对值 |
| prod() | 求所有数值的乘积 |
| cumsum() | 计算累计和 |
| cumprod() | 计算累计积 |
- 其他统计函数
| 函数名称 | 描述说明 |
|---|---|
| pct_change() | 百分比函数：将每个元素与其前一个元素进行比较，并计算前后数值的百分比变化 |
| cov() | 协方差函数：用来计算 Series 对象之间的协方差。该方法会将缺失值(NAN )自动排除 |
| corr() | 相关系数：计算数列或变量之间的相关系数，取值-1到1，值越大表示关联性越强，会排除NAN 值 |
5.4 自定义运算
apply(func,axis)
- func:自定义运算函数
- axis:默认为0，对列运算
6. pandas画图
对象.plot(x=None,y=None,kind=‘line’)
- x和y表示标签或者位置，默认为None
- kind：表示绘图的类型，默认为line，折线图
- line：折线图
- bar/barh：柱状图
- hist：直方图
- pie：饼状图
- area：区域图
- scatter：散点图
import matplotlib.pyplot as plt
rise = data.loc['股票1'].cumsum()
print(rise)
rise.plot() # 画图
plt.show() # 显示
7. 文件的读取和存储
pandas支持的常用文件类型包括：HDF5、CSV、SQL、XLS、JSON等
1.CSV
- pd.read_csv(‘filepath_or_buffer’, usecols=[]) 读取csv文件数据
- filepath_or_buffer：文件路径
- sep:分隔符，默认为’,’
- usecols：指定读取的列名，列表形式
import pandas as pd
data = pd.read_csv(r'../../fodder/stocks.csv', usecols=['open', 'high', 'low', 'close'])
print(data.head())
open high low close
0 29.76 29.97 29.52 29.96
1 28.49 29.51 28.42 29.50
2 28.76 28.95 28.47 28.50
3 28.41 28.95 28.32 28.90
4 28.37 28.61 28.33 28.36
- df.to_csv(path_or_buf,columns=[],index=True,mode=‘w’) 将数据存储到csv文件中
- path_or_buf：文件存放的路径
- sep:分隔符，默认为’,’
- columns：列，列表形式
- mode：‘w’：重写，‘a’：追加
- header：是否写进列索引值
- index：是否写进行索引，默认True写进行索引，会将行索引变成一列数据
- encoding：编码格式，默认为None
# 将前十行数据写进新的文件中 index设置False，不写行索引
data[:10].to_csv(r'../../fodder/test.csv', columns=['open', 'close'], index=False)
# 查看写进文件的数据
data2 = pd.read_csv(r'../../fodder/test.csv')
print(data2)
open close
0 29.76 29.96
1 28.49 29.50
2 28.76 28.50
3 28.41 28.90
4 28.37 28.36
5 27.48 28.34
6 27.66 27.84
7 28.03 27.55
8 28.65 28.37
9 28.39 28.84
2.HDF5
读取HDF5文件（.h5）需要安装tables模块
- pd.read_hdf(path_or_buf, key=None) 读取HDF5文件
- path_or_buf：文件路径
- key：读取的键
- df.to_hdf(path_or_buf, key) 写入HDF5文件
- path_or_buf：文件路径
- key：写入文件时，必须指定一个键
# 读取.h5文件数据
data = pd.read_hdf(r'../../fodder/stocks.h5')
print(data.head())
# 将数据写入.h5文件
data.to_hdf(r'../../fodder/test.h5', key='a')
data2 = pd.read_hdf(r'../../fodder/test.h5', key='a')
print(data2.head())
3.JSON
- pd.read_jsonf(path_or_buf, orient=None,typ=‘frame’,lines=False) 读取json文件
- path_or_buf：文件路径
- orient：指定数据存储的json形式 ，{‘split’,‘records’,‘index’,‘columns’,‘valuse’}
- typ：默认frame，指定转换成的对象类型Series或者DataFrame
- lines：默认False，按照每行读取json
- pd.to_jsonf(path_or_buf, orient=None,lines=False) 存储json文件
- path_or_buf：文件路径
- orient：指定数据存储的json形式
- lines：默认False，一个对象存储为一行。一般设置为Ture
# 读取json文件
data = pd.read_json(r'../../fodder/33510.json', orient='records', lines=True)
print(data.head())
# 写入json文件
data.to_json(r'../../fodder/test.json', orient='records', lines=True)
data2 = pd.read_json(r'../../fodder/test.json')
print(data2.head())
8. 数据的高级处理
8.1 缺失值处理
缺失值NaN的类型是float
print(type(np.NAN))
<class 'float'>
1. 判断数据是否有缺失值
- pd.isnull(df)
- pd.notnull(df)
# 读取xls数据
data = pd.read_excel(r'../Python/demo/reptile/豆瓣电影TOP250/豆瓣电影TOP250.xls')
# 只要包含缺失值，就为True
np.any(pd.isnull(data)) # True
2. 处理NaN
- 删除缺失值 dropna(inplace=False)，前提是缺失值的类型必须是np.NaN
# dropna()方法可以指定是否在原数据上进行删除 默认inplace=False 不修改原数据
newdata = data.dropna()
np.any(pd.isnull(newdata)) # False
- 替换缺失值 fillna(value,inplace=False)
- value：替换后的值
- inplace：默认False，表示不改变原数据，True表示在原数据上直接替换
for item in data.columns:
# print(item) # 遍历所有列索引
# 判断该列中是否含有缺失值
if np.any(pd.isnull(data[item])):
# print(item)
# 对该列中的缺失值进行替换
data[item].fillna(value="this is queshizhi", inplace=True)
3. 缺失值不是NaN的情况，如默认标记符号
比如数据中存在"?"符号，则可以先将符号替换为NaN，再进行处理。
- 替换 replace(to_replace,value) ，在原数据上直接替换
- to_replace：替换前的值
- value：替换后的值
# 替换为np.NaN
data.replace(to_replace="?", value=np.NaN)
# 删除缺失值 在原数据上直接删除
data.dropna(inplace=True)
8.2 数据离散化处理
1. 为什么要离散化
连续属性离散化的目的是为了简化数据结构，数据离散化技术可以用来减少给定连续属性值的个数，离散化方法经常作为数据挖掘的工具。
2. 什么是数据的离散化
连续属性的离散化就是在连续属性的值域上，将值域划分为着干个离散的区间，最后用不同的符号或整数值代表落在每个子区间中的属性值。
假设按照身高分几个区间段：150—165，165～180.180—195
这样我们将数据分到了三个区间段，我可以对应的标记为矮、中、高三个类别，最终要处理成一个“哑变量“矩阵
3. 数据离散化处理
one-hot编码介绍
One-Hot编码，又称为一位有效编码，是分类变量作为二进制向量的表示。one-hot 编码就是保证每个样本中的单个特征只有1位处于状态1，其他的都是0。别名：哑变量，热独编码
(1) 将分类值映射到整数值。
(2) 然后，每个整数值被表示为二进制向量，除了整数的索引之外，其他都是零值，它被标记为1。
例子：把下图中左边的表格转化为使用右边形式进行表示：
方法
- pd.qcut(data,q)：对数据进行分组，一般与value_counts搭配使用
- data：需要分组的数据
- q：分组数量，表示自行将数据分成数量相近的q组
- pd.cut(data,bins)：自定义分组
- bins：自定义分组区间
- series.value_counts()：统计个数
- pd.get_dummies(data, prefix=None)：获取数据的one-hot编码矩阵
- prefix：分组名字
案例：对股票每日的涨跌幅(“p_change”)数据进行离散化
# 1. 先读取股票的数据，筛选出p_change数据
data = pd.read_csv('../Python/fodder/stock_day.csv')
data_p = data['p_change']
# 2. 将股票涨跌幅数据进行分组并统计
qcut = pd.qcut(data_p, 10) # 分组 自行分成10组
2018-02-27 (1.738, 2.938]
2018-02-26 (2.938, 5.27]
2018-02-23 (1.738, 2.938]
2018-02-22 (0.94, 1.738]
2018-02-14 (1.738, 2.938]
...
qcut.value_counts() # 统计
(-10.030999999999999, -4.836] 65
(-0.462, 0.26] 65
(0.26, 0.94] 65
(5.27, 10.03] 65
(-4.836, -2.444] 64
(-2.444, -1.352] 64
(-1.352, -0.462] 64
(1.738, 2.938] 64
(2.938, 5.27] 64
(0.94, 1.738] 63
# 可以自定义分组区间
bins = [-100, -7, -5, -3, 0, 3, 5, 7, 100]
cut = pd.cut(data_p, bins)
cut.value_counts()
(0, 3] 215
(-3, 0] 188
(3, 5] 57
(-5, -3] 51
(5, 7] 35
(7, 100] 35
(-100, -7] 34
(-7, -5] 28
# 3. 得出one-hot编码矩阵
pd.get_dummies(cut, prefix="rise").head()
one-hot编码矩阵前5行如图所示：
8.3 数据合并
- pd.concat([data1, data2], axis=1)
- 按照行或列进行合并,axis=0为列索引（默认），axis=1为行索引
将处理好的one-hot编码矩阵与原数据合并
- pd.merge(left, right, how=‘inner’, on=None, left_on=None, right_on=None)
- 可以指定按照两组数据的共同键值对合并或者左右各自
- left：左表
- right：右表
- how：指定合并的方式 ，与数据库表的连接方式原理一样
- inner：内连接，默认连接方式
- outer：外连接
- left：左连接
- right：右连接
- on: 指定键
- left_on=None, right_on=None：指定左右键
left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})
# 默认内连接， 指定'key1', 'key2'
pd.merge(left, right, on=['key1', 'key2'])
# 外连接
pd.merge(left, right, how='outer', on=['key1', 'key2'])
# 左连接
pd.merge(left, right, how='left', on=['key1', 'key2'])
# 右连接
pd.merge(left, right, how='right', on=['key1', 'key2'])
8.4 交叉表与透视表
透视表（pivot table）数据汇总分析工具
交叉表（crosstab）是一种用于计算分组频率的特殊透视表
用于计算一列数据对于另外一列数据的分组频率(寻找两个列之间的关系)
- pd.crosstab(value1, value2) 交叉表
案例分析：探究星期几跟股票涨跌的关系
1.准备两列数据，星期数据以及涨跌数据
# 先把对应的日期找到星期几
weekday = pd.to_datetime(data.index).weekday
# 增加一列weekday 表示星期几 星期一至星期日 分别为0~6
data['weekday'] = weekday
# 把p_change按照大小去分个类0为界限
up_or_down = np.where(data['p_change'] > 0, 1, 0)
# 增加一列up_or_down，表示涨跌情况 1涨，0跌
data['up_or_down'] = up_or_down
2.通过交叉表找寻两列数据的关系
# 通过交叉表找寻两列数据的关系
result= pd.crosstab(data['weekday'], data['up_or_down'])
up_or_down 0 1
weekday
0 63 62
1 55 76
2 61 71
3 63 65
4 59 68
3.此时得到的result只是每天涨跌的次数，并没有得到比例，可以通过先求和，再计算百分比
# 算数运算，先求和
sum = result.sum(axis=1)
# 进行相除操作，得出比例
per = result.div(sum, axis=0)
up_or_down 0 1
weekday
0 0.504000 0.496000
1 0.419847 0.580153
2 0.462121 0.537879
3 0.492188 0.507812
4 0.464567 0.535433
4.画图，查看效果
# stacked=True 表示堆积显示
pro.plot(kind='bar', stacked=True)
- DataFrame.pivot_table([], index=[]) 透视表
使用透视表，刚才的过程更加简单，可以直接得到一组数据占另一组数据的百分比
per = data.pivot_table(['up_or_down'], index='weekday')
up_or_down
weekday
0 0.496000
1 0.580153
2 0.537879
3 0.507812
4 0.535433
8.5 分组与聚合
分组与聚合通常是分析数据的一种方式，通常与一些统计函数一起使用，查看数据的分组情况
DataFrame.groupby(key, as_index=True)
- key:分组的列数据，可以多个
- as_index：是否进行索引，默认True
案例：不同颜色的不同笔的价格数据，对颜色分组，价格进行聚合
col =pd.DataFrame({'color': ['white','red','green','red','green'], 'object': ['pen','pencil','pencil','ashtray','pen'],'price1':[5.56,4.20,1.30,0.56,2.75],'price2':[4.75,4.12,1.60,0.75,3.15]})
# 对颜色分组，price1进行聚合，求均值
col.groupby('color')['price1'].mean() # 方法1 常用
col['price1'].groupby(col['color']).mean() # 方法2
color
green 2.025
red 2.380
white 5.560
文章出处登录后可见！
已经登录？立即刷新
