Python pandas用法

在Python中，pandas是基于NumPy数组构建的，使数据预处理、清洗、分析工作变得更快更简单。pandas是专门为处理表格和混杂数据设计的，而NumPy更适合处理统一的数值数组数据。

使用下面格式约定，引入pandas包：

pandas有两个主要数据结构：Series和DataFrame。

Series是一种类似于一维数组的对象，它由 一组数据 （各种NumPy数据类型）以及一组与之相关的 数据标签（即索引） 组成，即index和values两部分，可以通过索引的方式选取Series中的单个或一组值。

pdSeries(list,index=[ ]) ，第二个参数是Series中数据的索引，可以省略。

Series类型索引、切片、运算的 *** 作类似于ndarray，同样的类似Python字典类型的 *** 作，包括保留字in *** 作、使用get()方法。

Series和ndarray之间的主要区别在于Series之间的 *** 作会根据索引自动对齐数据。

DataFrame是一个表格型的数据类型，每列值类型可以不同，是最常用的pandas对象。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构）。

pdDataFrame(data,columns = [ ],index = [ ]) ：columns和index为指定的列、行索引，并按照顺序排列。

如果创建时指定了columns和index索引，则按照索引顺序排列，并且如果传入的列在数据中找不到，就会在结果中产生缺失值：

数据索引 ：Series和DataFrame的索引是Index类型，Index对象是不可修改，可通过索引值或索引标签获取目标数据，也可通过索引使序列或数据框的计算、 *** 作实现自动化对齐。索引类型index的常用方法：

重新索引 ：能够改变、重排Series和DataFrame索引，会创建一个新对象，如果某个索引值当前不存在，就引入缺失值。

dfreindex(index, columns ,fill_value, method, limit, copy ) ：index/columns为新的行列自定义索引；fill_value为用于填充缺失位置的值；method为填充方法，ffill当前值向前填充，bfill向后填充；limit为最大填充量；copy 默认True，生成新的对象，False时，新旧相等不复制。

删除指定索引 ：默认返回的是一个新对象。

drop() ：能够删除Series和DataFrame指定行或列索引。

删除一行或者一列时，用单引号指定索引，删除多行时用列表指定索引。

如果删除的是列索引，需要增加axis=1或axis='columns'作为参数。

增加inplace=True作为参数，可以就地修改对象，不会返回新的对象。

在pandas中，有多个方法可以选取和重新组合数据。对于DataFrame，表5-4进行了总结

适用于Series和DataFrame的基本统计分析函数 ：传入axis='columns'或axis=1将会按行进行运算。

describe() ：针对各列的多个统计汇总，用统计学指标快速描述数据的概要。

sum() ：计算各列数据的和

count() ：非NaN值的数量

mean( )/median() ：计算数据的算术平均值、算术中位数

var()/std() ：计算数据的方差、标准差

corr()/cov() ：计算相关系数矩阵、协方差矩阵，是通过参数对计算出来的。Series的corr方法用于计算两个Series中重叠的、非NA的、按索引对齐的值的相关系数。DataFrame的corr和cov方法将以DataFrame的形式分别返回完整的相关系数或协方差矩阵。

corrwith() ：利用DataFrame的corrwith方法，可以计算其列或行跟另一个Series或DataFrame之间的相关系数。传入一个Series将会返回一个相关系数值Series（针对各列进行计算），传入一个DataFrame则会计算按列名配对的相关系数。

min()/max() ：计算数据的最小值、最大值

diff() ：计算一阶差分，对时间序列很有效

mode() ：计算众数，返回频数最高的那（几）个

mean() ：计算均值

quantile() ：计算分位数（0到1）

isin() ：用于判断矢量化集合的成员资格，可用于过滤Series中或DataFrame列中数据的子集

适用于Series的基本统计分析函数，DataFrame[列名]返回的是一个Series类型。

unique() ：返回一个Series中的唯一值组成的数组。

value_counts() ：计算一个Series中各值出现的频率。

argmin()/argmax() ：计算数据最大值、最小值所在位置的索引位置（自动索引）

idxmin()/idxmax() ：计算数据最大值、最小值所在位置的索引（自定义索引）

pandas提供了一些用于将表格型数据读取为DataFrame对象的函数。下表对它们进行了总结，其中read_csv()、read_table()、to_csv()是用得最多的。

在数据分析和建模的过程中，相当多的时间要用在数据准备上：加载、清理、转换以及重塑。

在许多数据分析工作中，缺失数据是经常发生的。对于数值数据，pandas使用浮点值NaN（npnan）表示缺失数据，也可将缺失值表示为NA（Python内置的None值）。

替换值

replace(old, new) ：用新的数据替换老的数据，如果希望一次性替换多个值，old和new可以是列表。默认会返回一个新的对象，传入inplace=True可以对现有对象进行就地修改。

删除重复数据

利用函数或字典进行数据转换

dfhead()：查询数据的前五行

dftail()：查询数据的末尾5行

pandascut()

pandasqcut() 基于分位数的离散化函数。基于秩或基于样本分位数将变量离散化为等大小桶。

pandasdate_range() 返回一个时间索引

dfapply() 沿相应轴应用函数

Seriesvalue_counts() 返回不同数据的计数值

dfaggregate()

dfreset_index() 重新设置index，参数drop = True时会丢弃原来的索引，设置新的从0开始的索引。常与groupby()一起用

numpyzeros()

在dataframe中根据一定的条件，得到符合要求的某行元素所在的位置。

代码如下所示：

[python] view plain copy

df = pdDataFrame({'BoolCol': [1, 2, 3, 3, 4],'attr': [22, 33, 22, 44, 66]},

index=[10,20,30,40,50])

print(df)

a = df[(dfBoolCol==3)&(dfattr==22)]indextolist()

print(a)

df如下所示，以上通过选取“BoolCol”取值为3且“attr”取值为22的行，得到该行在df中的位置

注意：返回的位置为index列表，根据index的不同而不同，这点易于数组中默认的下标。

[python] view plain copy

BoolCol  attr

10        1    22

20        2    33

30        3    22

40        3    44

50        4    66

[30]

因为你引用gcol[1:]的时候index没有变化，1,2,3,4对应的还是1,3,5,7。只是少了row 0 而已这样你用gcol[1:] - gcol[:]的时候，相减的并不是你想象的, pandas会找相同的index做运算。所以1,2,3,4位置对应的值都一长肌拜可之玖瓣雪抱磨样，减完就是0。row 0位置没有可以减的，就是NaN。所以最后你得到Nan, 0,0,0,0 使用shift可以把value沿着index往下Shift。

（1）index 与columns都不是DataFrame的数据组成部分

通过查看shape属性验证

index的name

1，identification

过滤的时候，index是不会变化的。

2，selection

loc，iloc，索引方法

3，alignment

如当两个series做计算或者合并的时候，可以起到对齐的作用

set_index()方法

reset_index()方法

使用前要确保index的名字要存在。

sort_index()方法

附上小哥哥的视频链接Data analysis in Python with pandas

Youtube