python pandas 数据处理

pandas是基于numpy包扩展而来的，因而numpy的绝大多数方法在pandas中都能适用。

pandas中我们要熟悉两个数据结构Series 和DataFrame

 

Series是类似于数组的对象，它有一组数据和与之相关的标签组成。

import pandas as pd

object=pd.Series([2,5,8,9])

print(object)

结果为：

0 2
1 5
2 8
3 9
dtype: int64

结果中包含一列数据和一列标签
我们可以用values和index分别进行引用

print(object.values)
print(object.index)

结果为：

[2 5 8 9]  
RangeIndex(start=0, stop=4, step=1)

我们还可以按照自己的意愿构建标签

object=pd.Series([2,5,8,9],index=['a','b','c','d'])

print(object)

结果为：

a 2
b 5
c 8
d 9
dtype: int64

我们还可以对序列进行运算

print(object[object>5])

结果为

c 8
d 9
dtype: int64

也可以把Series看成一个字典，使用in进行判断

print('a' in object)

结果为：

True

另外，值是不能直接被索引到的

print(2 in object)

结果为：

False

 

Series中的一些方法，

isnull或者notnull可以用于判断数据中缺失值情况

name或者index.name可以对数据进行重命名

DataFrame数据框，也是一种数据结构，和R中的数据框类似

data={'year':[2000,2001,2002,2003],
          'income':[3000,3500,4500,6000]}

data=pd.DataFrame(data)

print(data)

结果为：

   income year
0 3000 2000
1 3500 2001
2 4500 2002
3 6000 2003

data1=pd.DataFrame(data,columns=['year','income','outcome'],
                      　　　 index=['a','b','c','d'])
print(data1)

结果为：

   year income outcome
a 2000 3000 NaN
b 2001 3500 NaN
c 2002 4500 NaN
d 2003 6000 NaN

新增加列outcome在data中没有，则用na值代替

索引的几种方式

print(data1['year'])
print(data1.year)

两种索引是等价的，都是对列进行索引，结果为：

a 2000
b 2001
c 2002
d 2003
Name: year, dtype: int64

对行进行索引，则是另外一种形式

print(data1.ix['a'])

结果为：

year 2000
income 3000
outcome NaN
Name: a, dtype: object

print(data1[1:3])

或者也可以用切片的形式

结果为：

   year income outcome
b 2001 3500 NaN
c 2002 4500 NaN

增加和删除列

data1['money']=np.arange(4)

增加列为money

  year income outcome money
a 2000 3000 NaN 0
b 2001 3500 NaN 1
c 2002 4500 NaN 2
d 2003 6000 NaN 3

del data1['outcome']

删除列结果为：

   year income money
a 2000 3000 0
b 2001 3500 1
c 2002 4500 2
d 2003 6000 3

 

 pandas中的主要索引对象以及相对应的索引方法和属性

 

 此外还有一个reindex函数可以重新构建索引

data={'year':[2000,2001,2002,2003],
　　　  'income':[3000,3500,4500,6000]}

data1=pd.DataFrame(data,columns=['year','income','outcome'],
index=['a','b','c','d'])

data2=data1.reindex(['a','b','c','d','e'])
print(data2)

 结果为：

data2=data1.reindex(['a','b','c','d','e'],method='ffill')
print(data2)

使用方法后的结果为： 

 

 

 索引删除以及过滤等相关方法

 print(data1.drop(['a']))

结果为： 

print(data1[data1['year']>2001])

结果为：

 print(data1.ix[['a','b'],['year','income']])

结果为 ：

print(data1.ix[data1.year>2000,:2])

结果为：

详细的索引过滤方法如下：

 

 dataframe的算法运算

data={'year':[2000,2001,2002,2003],
'income':[3000,3500,4500,6000]}

data1=pd.DataFrame(data,columns=['year','income','outcome'],
index=['a','b','c','d'])

data2=pd.DataFrame(data,columns=['year','income','outcome'],
index=['a','b','c','d'])

data1['outcome']=range(1,5)

data2=data2.reindex(['a','b','c','d','e'])

print(data1.add(data2,fill_value=0))

结果为：

 

 

 对dataframe进行排序

data=pd.DataFrame(np.arange(10).reshape((2,5)),index=['c','a'],
　　　　　　　　　　  columns=['one','four','two','three','five'])

print(data)

结果为：

print(data.sort_index())

结果为：

print(data.sort_index(axis=1))

结果为：

 

print(data.sort_values(by='one'))

结果为：

 

print(data.sort_values(by='one',ascending=False))

结果为：

这里是对结果进行降序排列

 

汇总以及统计描述

data=pd.DataFrame(np.arange(10).reshape((2,5)),index=['c','a'],
columns=['one','four','two','three','five'])

print(data.describe())

结果为：

 

print(data.sum())

结果为：

 

print(data.sum(axis=1))

结果为：

 

详细约简方法 

 

相关描述统计函数

 

 

 相关系数与协方差

 

data=pd.DataFrame(np.random.random(20).reshape((4,5)),index=['c','a','b','c'],
columns=['one','four','two','three','five'])

print(data)

结果为：

print(data.one.corr(data.three))

one和three的相关系数为：

0.706077105725

print(data.one.cov(data.three))

one和three的协方差为：

0.0677896135613

print(data.corrwith(data.one))

one和所有列的相关系数： 

 

唯一值，成员资格等方法

data=pd.Series(['a','a','b','b','b','c','d','d'])

print(data.unique())

结果为：

['a' 'b' 'c' 'd']

print(data.isin(['b']))

结果为：

0 False
1 False
2 True
3 True
4 True
5 False
6 False
7 False
dtype: bool

 print(pd.value_counts(data.values,sort=False))

结果为：

d 2
c 1
b 3
a 2
dtype: int64

 

缺失值处理

data=pd.Series(['a','a','b',np.nan,'b','c',np.nan,'d'])

print(data.isnull())

结果为：

0 False
1 False
2 False
3 True
4 False
5 False
6 True
7 False
dtype: bool

print(data.dropna())

结果为：

0 a
1 a
2 b
4 b
5 c
7 d
dtype: object

 print(data.ffill())

 结果为：

0 a
1 a
2 b
3 b
4 b
5 c
6 c
7 d
dtype: object

 print(data.fillna(0))

结果为：

0 a
1 a
2 b
3 0
4 b
5 c
6 0
7 d
dtype: object

 

 

 层次化索引

可以对数据进行多维度的索引

data = pd.Series(np.random.randn(10), index=[['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c', 'd', 'd'], 
　　　　　　　　　[1, 2, 3, 1, 2, 3, 1, 2, 2, 3]])

print(data)

结果为：

 

print(data.index)

结果为：

MultiIndex(levels=[['a', 'b', 'c', 'd'], [1, 2, 3]],

labels=[[0, 0, 0, 1, 1, 1, 2, 2, 3, 3], [0, 1, 2, 0, 1, 2, 0, 1, 1, 2]])

print(data['c'])

结果为：

print(data[:,2])

结果为： 

 print(data.unstack())

结果为：

把数据转换成为一个dataframe

print(data.unstack().stack())

unstack()的逆运算

 

了解这些，应该可以进行一些常规的数据处理了。