Pandas基础教程

• pandas简介

  pandas是python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来，目前由专注于Python数据包开发的PyData开发team继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来，因此，pandas为时间序列分析提供了很好的支持。
  Pandas的名称来自于面板数据（panel data）和python数据分析（data analysis）。panel data是经济学中关于多维数据集的一个术语，在Pandas中也提供了panel的数据类型。

  官网：http://pandas.pydata.org/
  参考文档：http://pandas.pydata.org/pandas-docs/stable/

• pandas数据结构介绍

  Series：一种类似于一维数组的对象，它是由一组数据（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。仅由一组数据即可产生简单的
  Series。

  DataFrame：一个表格型的数据结构，含有一组有序的列，每列可以是不同的值
  类型（数值、字符串、布尔值等），DataFrame既有行索引也有列索引，可以被
  看做是由Series组成的字典。

• Series

  • Series类型的创建
  • Series切片和索引
  • Series应用NumPy数组运算
  • Series类型的操作类似Python字典类型
  • Series缺失值检测
  • Series自动对齐
  • Series及其索引的name属性

• Series类型的创建

  • 通过一维数组创建Series
  • Python字典，键值对中的“键”是索引，index从字典中进行选择操作
  • 标量值，index表达Series类型的尺寸

  • Python列表，index与列表元素个数一致
  • 其他函数，range()函数等

  1.通过一维数组创建Series

  Series对象本质上是由两个数组构成，一个数组构成对象的键(index,索引)，一个数组构成对象的值（values)

  In [1]: import numpy as np
  
  In [2]: import pandas as pd
  
  In [3]: arr=np.array([1,2,3,4])
  
  In [4]: series01=pd.Series(arr)
  
  In [5]: series01
  Out[5]:
  0    1
  1    2
  2    3
  3    4
  dtype: int32
  #Series的索引
  In [6]: series01.index
  Out[6]: RangeIndex(start=0, stop=4, step=1)
  #Series的值
  In [7]: series01.values
  Out[7]: array([1, 2, 3, 4])
  
  In [8]: series01.dtype
  Out[8]: dtype('int32')
  

  In [9]: series02=pd.Series([34.5,56.78,45.67])
  
  In [10]: series02
  Out[10]:
  0    34.50
  1    56.78
  2    45.67
  dtype: float64
  
  In [11]: series02.index=['product1','product2','product3']
  
  In [12]: series02
  Out[12]:
  product1    34.50
  product2    56.78
  product3    45.67
  dtype: float64
  

  In [13]: series03=pd.Series([98,56,88,45],index=['语文','数学','英语','体育'])
  
  In [14]: series03
  Out[14]:
  语文    98
  数学    56
  英语    88
  体育    45
  dtype: int64
  
  In [15]: series03.index
  Out[15]: Index(['语文', '数学', '英语', '体育'], dtype='object')
  
  In [16]: series03.values
  Out[16]: array([98, 56, 88, 45], dtype=int64)
  

  2.通过字典的方式创建Series

  In [20]: a_dict={'20071001':6789.98,'20071002':34556.89,'20071003':3748758.88}
  
  In [21]: series04=pd.Series(a_dict)
  
  In [22]: series04
  Out[22]:
  20071001       6789.98
  20071002      34556.89
  20071003    3748758.88
  dtype: float64
  
  In [23]: series04.index
  Out[23]: Index(['20071001', '20071002', '20071003'], dtype='object')
  

  3.标量值，index表达Series类型的尺寸

  In [16]: s=pd.Series(25,index=['a','b','c'])
  
  In [17]: s
  Out[17]:
  a    25
  b    25
  c    25
  dtype: int64
  

• Series切片和索引

  切片：可以通过自定义索引的列表进行切片；可以通过自动索引进行切片，如果存在自定义索引，则一同被切片。

  索引分为自动索引（序号）和自定义索引（index）。

  索引：一个的时候直接传入序号或者index，多个的时候传入序号或者index的列表，也可以使用reindex()函数。

  In [3]: t=pd.Series(np.arange(10),index=list('ABCDEFGHIJ'))
  
  In [4]: t
  Out[4]:
  A    0
  B    1
  C    2
  D    3
  E    4
  F    5
  G    6
  H    7
  I    8
  J    9
  dtype: int32
  
  In [5]: t[2:8]
  Out[5]:
  C    2
  D    3
  E    4
  F    5
  G    6
  H    7
  dtype: int32
  #从2到10，步长为2
  In [6]: t[2:10:2]
  Out[6]:
  C    2
  E    4
  G    6
  I    8
  dtype: int32
  
  In [7]: t[[2,3,6]]
  Out[7]:
  C    2
  D    3
  G    6
  dtype: int32
  
  In [8]: t[t>7]
  Out[8]:
  I    8
  J    9
  dtype: int32
  
  In [9]: t['F']
  Out[9]: 5
  
  In [11]:  t[['A','F','g']] # 将来可能报错
  d:\python36\lib\site-packages\pandas\core\series.py:851: FutureWarning:
  Passing list-likes to .loc or [] with any missing label will raise
  KeyError in the future, you can use .reindex() as an alternative.
  
  See the documentation here:
  https://pandas.pydata.org/pandas-docs/stable/indexing.html#deprecate-loc-reindex-listlike
    return self.loc[key]
  Out[11]:
  A    0.0
  F    5.0
  g    NaN
  dtype: float64
  
  In [12]: t.reindex(['A','F','g'])
  Out[12]:
  A    0.0
  F    5.0
  g    NaN
  dtype: float64
  
  

• Series应用NumPy数组运算

  NumPy中运算和操作可用于Series类型。

  In [26]: series04
  Out[26]:
  20071001       6789.98
  20071002      34556.89
  20071003    3748758.88
  
  In [27]: series04[series04>10000]
  Out[27]:
  20071002      34556.89
  20071003    3748758.88
  dtype: float64
  
  In [28]: series04/100
  Out[28]:
  20071001       67.8998
  20071002      345.5689
  20071003    37487.5888
  dtype: float64
  
  In [29]: series01
  Out[29]:
  0    1
  1    2
  2    3
  3    4
  dtype: int32
  
  In [30]: np.exp(series01)
  Out[30]:
  0     2.718282
  1     7.389056
  2    20.085537
  3    54.598150
  dtype: float64
  

• Series类型的操作类似Python字典类型

  • 通过自定义索引访问
  • 保留字in操作
  • 使用.get()方法

  In [18]: b=pd.Series([9,8,7,6],index=list('abcd'))
  
  In [19]: b['b']
  Out[19]: 8
  
  In [20]: 'c' in b
  Out[20]: True
  
  In [23]: b.get('f',100)
  Out[23]: 100
  
  In [25]: b.get('c',100)
  Out[25]: 7
  

• Series缺失值检测

  pandas中的isnull和notnull函数

  In [31]: score=pd.Series({'Tom':89,'John':88,'Merry':96,'Max':65})
  
  In [32]: score
  Out[32]:
  Tom      89
  John     88
  Merry    96
  Max      65
  dtype: int64
  
  In [33]: new_index=['Tom','Max','Joe','John','Merry']
  
  In [34]: scores = pd.Series(score,index=new_index)
  
  In [35]: scores
  Out[35]:
  Tom      89.0
  Max      65.0
  Joe       NaN
  John     88.0
  Merry    96.0
  dtype: float64
  

  pandas中的isnull和notnull函数可用于Series缺失值检测。
  isnull和notnull都返回一个布尔类型的Series。

  In [37]: pd.isnull(scores)
  Out[37]:
  Tom      False
  Max      False
  Joe       True
  John     False
  Merry    False
  dtype: bool
  
  In [38]: pd.notnull(scores)
  Out[38]:
  Tom       True
  Max       True
  Joe      False
  John      True
  Merry     True
  dtype: bool
  
  In [39]: scores[pd.isnull(scores)]
  Out[39]:
  Joe   NaN
  dtype: float64
  
  In [40]: scores[pd.notnull(scores)]
  Out[40]:
  Tom      89.0
  Max      65.0
  John     88.0
  Merry    96.0
  dtype: float64
  

• Series自动对齐

  不同Series之间进行算术运算，会自动对齐不同索引的数据。

  In [41]: product_num=pd.Series([23,45,67,89],index=['p3','p1','p2','p5'])
  
  In [42]: product_num
  Out[42]:
  p3    23
  p1    45
  p2    67
  p5    89
  dtype: int64
  
  In [43]: product_price_table=pd.Series([9.98,2.34,4.56,5.67,8.78],index=['p1','p2','p3','p4','p5'])
  
  In [44]: product_price_table
  Out[44]:
  p1    9.98
  p2    2.34
  p3    4.56
  p4    5.67
  p5    8.78
  dtype: float64
  
  In [45]: product_sum=product_num*product_price_table
  
  In [46]: product_sum
  Out[46]:
  p1    449.10
  p2    156.78
  p3    104.88
  p4       NaN
  p5    781.42
  dtype: float64
  

• Series及其索引的name属性

  Series对象本身及其索引都有一个name属性，可赋值设置。

  In [47]: product_num.name='ProductNums'
  
  In [48]: product_num.index.name='ProductType'
  
  In [49]: product_num
  Out[49]:
  ProductType
  p3    23
  p1    45
  p2    67
  p5    89
  Name: ProductNums, dtype: int64
  

• DataFrame

  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，0轴，axis=0

  列索引，表名不同列，纵向索引，叫columns，1轴，axis=1

  • DataFrame类型的创建
  • DataFrame的基本属性和整体情况查询
  • DataFrame索引

• DataFrame类型的创建

  • 二维ndarray对象
  • 由一维ndarray、列表、字典、元组或Series构成的字典
  • Series类型
  • 其他的DataFrame类型

  1.二维ndarray对象

  In [26]: d=pd.DataFrame(np.arange(10).reshape(2,5))
  
  In [27]: d
  Out[27]:
     0  1  2  3  4
  0  0  1  2  3  4
  1  5  6  7  8  9
  

  2.通过列表的方式创建DataFrame

  In [50]: df01=pd.DataFrame([['Tom','Merry','John'],[76,98,100]])
  
  In [51]: df01
  Out[51]:
       0      1     2
  0  Tom  Merry  John
  1   76     98   100
  
  In [53]: df02=pd.DataFrame([['Tom',76],['Merry',98],['Merry',100]])
  
  In [54]: df02
  Out[54]:
         0    1
  0    Tom   76
  1  Merry   98
  2  Merry  100
  
  In [57]: arr=[['Tom',76],['Merry',98],['Merry',100]]
  In [58]: df03=pd.DataFrame(arr,index=['one','two','three'],columns=['name','score'])
  
  In [59]: df03
  Out[59]:
          name score
  one      Tom    76
  two    Merry    98
  three   John   100
  

  3.通过字典的方式创建DataFrame

  In [60]: data={'apart':['1001','1002','1003','1001'],'profits':[567.87,987.87,873,498.87],'year':[2001,2001,2001,2000]}
      ...:
  
  In [61]: df=pd.DataFrame(data)
  
  In [62]: df
  Out[62]:
    apart  profits  year
  0  1001   567.87  2001
  1  1002   987.87  2001
  2  1003   873.00  2001
  3  1001   498.87  2000
  
  In [63]: df.index
  Out[63]: RangeIndex(start=0, stop=4, step=1)
  
  In [64]: df.columns
  Out[64]: Index(['apart', 'profits', 'year'], dtype='object')
  
  In [65]: df.values
  Out[65]:
  array([['1001', 567.87, 2001],
         ['1002', 987.87, 2001],
         ['1003', 873.0, 2001],
         ['1001', 498.87, 2000]], dtype=object)
  
  In [66]: df1=pd.DataFrame(data,index=['one','two','three','four'])
  
  In [67]: df1
  Out[67]:
        apart  profits  year
  one    1001   567.87  2001
  two    1002   987.87  2001
  three  1003   873.00  2001
  four   1001   498.87  2000
  
  In [68]: df1.index
  Out[68]: Index(['one', 'two', 'three', 'four'], dtype='object')
  

• DataFrame的基本属性和整体情况查询

  

  df的基本属性.png

In [14]: df
Out[14]:
   a   b   c   d message
0  1   2   3   4   hello
1  5   6   7   8   world
2  9  10  11  12     foo

In [15]: df.shape 
Out[15]: (3, 5)

In [17]: df.dtypes
Out[17]:
a           int64
b           int64
c           int64
d           int64
message    object
dtype: object

In [18]: df.ndim
Out[18]: 2

In [19]: df.index
Out[19]: RangeIndex(start=0, stop=3, step=1)

In [20]: df.columns
Out[20]: Index(['a', 'b', 'c', 'd', 'message'], dtype='object')

In [21]: df.values
Out[21]:
array([[1, 2, 3, 4, 'hello'],
       [5, 6, 7, 8, 'world'],
       [9, 10, 11, 12, 'foo']], dtype=object)

In [22]: df.head(2)
Out[22]:
   a  b  c  d message
0  1  2  3  4   hello
1  5  6  7  8   world

In [23]: df.tail(2)
Out[23]:
   a   b   c   d message
1  5   6   7   8   world
2  9  10  11  12     foo

In [24]: df.info()

RangeIndex: 3 entries, 0 to 2
Data columns (total 5 columns):
a          3 non-null int64
b          3 non-null int64
c          3 non-null int64
d          3 non-null int64
message    3 non-null object
dtypes: int64(4), object(1)
memory usage: 200.0+ bytes

In [25]: df.describe()
Out[25]:
         a     b     c     d
count  3.0   3.0   3.0   3.0
mean   5.0   6.0   7.0   8.0
std    4.0   4.0   4.0   4.0
min    1.0   2.0   3.0   4.0
25%    3.0   4.0   5.0   6.0
50%    5.0   6.0   7.0   8.0
75%    7.0   8.0   9.0  10.0
max    9.0  10.0  11.0  12.0

• DataFrame的索引

  • df.loc 通过标签索引行数据
  • df.iloc 通过位置获取行数据
  • 布尔索引

  1.df.loc 通过标签索引行数据

  In [34]:  t=pd.DataFrame(np.arange(12).reshape(3,4),index=['A','B','C'],columns=['W','X','Y','Z'])
  
  In [35]: t
  Out[35]:
     W  X   Y   Z
  A  0  1   2   3
  B  4  5   6   7
  C  8  9  10  11
  
  In [36]: t.loc['A','W'] 
  Out[36]: 0
  
  In [37]: type(t.loc['A','W'])
  Out[37]: numpy.int32
  
  In [38]: t.loc['A',['W','Z']]
  Out[38]:
  W    0
  Z    3
  Name: A, dtype: int32
  
  In [39]: type( t.loc['A',['W','Z']])
  Out[39]: pandas.core.series.Series
  
  In [40]: t.loc['B':] #选择连续的多行
  Out[40]:
     W  X   Y   Z
  B  4  5   6   7
  C  8  9  10  11
  
  In [41]: t.loc[:,'X':'Z'] # 注意会选到冒号后的数据
  Out[41]:
     X   Y   Z
  A  1   2   3
  B  5   6   7
  C  9  10  11
  
  In [42]: t.loc[['A','C'],['W','Z']] #选择间隔多行多列
  Out[42]:
     W   Z
  A  0   3
  C  8  11
  
  

  2.df.iloc 通过位置获取行数据

  In [44]: t
  Out[44]:
     W  X   Y   Z
  A  0  1   2   3
  B  4  5   6   7
  C  8  9  10  11
  
  In [45]: t.iloc[:1,[2,3,]]
  Out[45]:
     Y  Z
  A  2  3
  
  In [47]: t.iloc[1:3,1:3]
  Out[47]:
     X   Y
  B  5   6
  C  9  10
  

  赋值更改数据：

  In [48]: t
  Out[48]:
     W  X   Y   Z
  A  0  1   2   3
  B  4  5   6   7
  C  8  9  10  11
  
  In [49]: t.loc['A','Y']=100
  
  In [50]: t
  Out[50]:
     W  X    Y   Z
  A  0  1  100   3
  B  4  5    6   7
  C  8  9   10  11
  
  In [51]: t.iloc[1:2,0:2]=200
  
  In [52]: t
  Out[52]:
       W    X    Y   Z
  A    0    1  100   3
  B  200  200    6   7
  C    8    9   10  11
  

  3.布尔索引

  In [60]: t
  Out[60]:
       W    X    Y   Z
  A    0    1  100   3
  B  200  200    6   7
  C    8    9   10  11
  
  In [61]: t["X"] # 取某一列
  Out[61]:
  A      1
  B    200
  C      9
  Name: X, dtype: int32
  
  In [62]: t[t["X"]>10]
  Out[62]:
       W    X  Y  Z
  B  200  200  6  7
  

  假设要从数据中查找名字字符串长度大于3且分数大于98的人

  In [73]: df03
  Out[73]:
          name  score
  one      Tom     76
  two     John     98
  three  Merry    100
  
  In [75]: df03[(df03['name'].str.len()>3)&(df03['score']>98)]
  Out[75]:
          name  score
  three  Merry    100
  

  注意两个问题：

  • &表示且；|表示或
  • 字符串的方法
  

  字符串方法.png

• 层次化索引

  在某个方向上拥有多个（两个及两个以上）索引级别
  通过层次化索引，pandas能够以低维度形式处理高维度数据
  通过层次化索引，可以按层级统计数据

• Series层次化索引

  In [46]:  data=pd.Series([988.44,95859,3949.44,32445.44,234.45],index=[['2001','2001','2001','2002','2002'],['苹果','香蕉','西瓜','苹果','西瓜']])
  
  In [47]: data
  Out[47]:
  2001  苹果      988.44
        香蕉    95859.00
        西瓜     3949.44
  2002  苹果    32445.44
        西瓜      234.45
  dtype: float64
  
  In [49]:  data.index.names=['年份','水果类别']
  
  In [50]: data
  Out[50]:
  年份    水果类别
  2001  苹果        988.44
        香蕉      95859.00
        西瓜       3949.44
  2002  苹果      32445.44
        西瓜        234.45
  dtype: float64
  

• DataFrame层次化索引

  In [58]:  df=pd.DataFrame({'production':[988.44,95859,3949.44,32445.44,234.45],'year':['2001','2001','2001','2002','2002'],'fruit':['苹果','香蕉','西瓜','苹果','西瓜'],'profits':[2334.44,44556,6677,7788,3345]})
  
  In [59]: df
  Out[59]:
     production  year fruit   profits
  0      988.44  2001    苹果   2334.44
  1    95859.00  2001    香蕉  44556.00
  2     3949.44  2001    西瓜   6677.00
  3    32445.44  2002    苹果   7788.00
  4      234.45  2002    西瓜   3345.00
  
  In [60]: df.set_index(['year','fruit'])
  Out[60]:
              production   profits
  year fruit
  2001 苹果         988.44   2334.44
       香蕉       95859.00  44556.00
       西瓜        3949.44   6677.00
  2002 苹果       32445.44   7788.00
       西瓜         234.45   3345.00
  
  In [61]: new_df=df.set_index(['year','fruit'])
  
   
  
  

• 按层级统计数据

  In [62]: new_df
  Out[62]:
              production   profits
  year fruit
  2001 苹果         988.44   2334.44
       香蕉       95859.00  44556.00
       西瓜        3949.44   6677.00
  2002 苹果       32445.44   7788.00
       西瓜         234.45   3345.00
  
  '''
  levels：每个等级上轴标签的唯一值 
  labels：以整数来表示每个level上标签的位置 
  names：index level的名称
  '''
  
  In [63]: new_df.index
  Out[63]:
  MultiIndex(levels=[['2001', '2002'], ['苹果', '西瓜', '香蕉']],
             labels=[[0, 0, 0, 1, 1], [0, 2, 1, 0, 1]],
             names=['year', 'fruit'])
  
  In [64]: new_df.sum(level='year')
  Out[64]:
        production   profits
  year
  2001   100796.88  53567.44
  2002    32679.89  11133.00
  
  In [65]: new_df.sum(level='fruit')
  Out[65]:
         production   profits
  fruit
  苹果       33433.88  10122.44
  香蕉       95859.00  44556.00
  西瓜        4183.89  10022.00
  

• 数据的合并

  join:默认情况下是把行索引相同的数据合并到一起。

  merge:按照指定的列把数据按照一定的方式合并到一起。

  In [67]: t1=pd.DataFrame(np.full((3,4),1),index=list('ABC'))
  
  In [69]: t2=pd.DataFrame(np.full((2,5),0),index=list('AB'),columns=list('VWXYZ'))
  
  In [70]: t1
  Out[70]:
     0  1  2  3
  A  1  1  1  1
  B  1  1  1  1
  C  1  1  1  1
  
  In [71]: t2
  Out[71]:
     V  W  X  Y  Z
  A  0  0  0  0  0
  B  0  0  0  0  0
  
  In [72]: t1.join(t2)
  Out[72]:
     0  1  2  3    V    W    X    Y    Z
  A  1  1  1  1  0.0  0.0  0.0  0.0  0.0
  B  1  1  1  1  0.0  0.0  0.0  0.0  0.0
  C  1  1  1  1  NaN  NaN  NaN  NaN  NaN
  

  In [90]: df1 = pd.DataFrame({'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],'group': ['Accounting', 'Engineering', 'Engineering','Hr']})
  
  In [91]: df2 = pd.DataFrame({'employee': ['Lisa', 'Bob', 'Jake', 'Sue'],
      ...:                     'hire_date': [2004, 2008, 2012, 2014]})
  
  In [92]: df1
  Out[92]:
    employee        group
  0      Bob   Accounting
  1     Jake  Engineering
  2     Lisa  Engineering
  3      Sue           Hr
  
  In [93]: df2
  Out[93]:
    employee  hire_date
  0     Lisa       2004
  1      Bob       2008
  2     Jake       2012
  3      Sue       2014
  #一对一连接
  In [94]: df3=pd.merge(df1,df2)
  
  In [95]: df3
  Out[95]:
    employee        group  hire_date
  0      Bob   Accounting       2008
  1     Jake  Engineering       2012
  2     Lisa  Engineering       2004
  3      Sue           Hr       2014
  #多对一连接：指在需要连接的两个列中，有一列的值有重复。
  In [98]: df4 = pd.DataFrame({'group': ['Accounting', 'Engineering', 'Hr'],'supervisor': ['Carly', 'Guido', 'Steve']})
  
  In [99]: df4
  Out[99]:
           group supervisor
  0   Accounting      Carly
  1  Engineering      Guido
  2           Hr      Steve
  
  In [100]: pd.merge(df3,df4)
  Out[100]:
    employee        group  hire_date supervisor
  0      Bob   Accounting       2008      Carly
  1     Jake  Engineering       2012      Guido
  2     Lisa  Engineering       2004      Guido
  3      Sue           Hr       2014      Steve
  #多对多连接
  In [104]: df5 = pd.DataFrame({'group': ['Accounting', 'Accounting', 'Engineering', 'Engineering', 'Hr']  , 'skills': ['math', 'spreadsheets', 'coding', 'spreadsheets', 'organization']})
  
  In [105]: df5
  Out[105]:
           group        skills
  0   Accounting          math
  1   Accounting  spreadsheets
  2  Engineering        coding
  3  Engineering  spreadsheets
  4           Hr  organization
  
  In [106]: df1
  Out[106]:
    employee        group
  0      Bob   Accounting
  1     Jake  Engineering
  2     Lisa  Engineering
  3      Sue           Hr
  
  In [107]: pd.merge(df1,df5)
  Out[107]:
    employee        group        skills
  0      Bob   Accounting          math
  1      Bob   Accounting  spreadsheets
  2     Jake  Engineering        coding
  3     Jake  Engineering  spreadsheets
  4     Lisa  Engineering        coding
  5     Lisa  Engineering  spreadsheets
  6      Sue           Hr  organization
  
  

• 分割和组合

  一个经典分割 - 应用 - 组合操作示例如图 所示，其中“apply”的是一个求和函数。

  1. 分割步骤将 DataFrame 按照指定的键分割成若干组。
  2. 应用步骤对每个组应用函数，通常是累计、转换或过滤函数。
  3. 组合步骤将每一组的结果合并成一个输出数组。
  

  分组聚合.png

In [109]: df = pd.DataFrame({'key': ['A', 'B', 'C', 'A', 'B', 'C'],'data': range(6)}, columns=['key', 'data'])

In [110]: df
Out[110]:
  key  data
0   A     0
1   B     1
2   C     2
3   A     3
4   B     4
5   C     5

In [114]: df.groupby('key')
Out[114]: 

In [115]: df.groupby('key').sum()
Out[115]:
     data
key
A       3
B       5
C       7

DataFrameGroupBy对象常用的函数：

函数名	说明
.count()	统计非nan值的数量
.sum()	非nan值的和
.mean()	非nan值的平均数
.median()	非nan值的中位数
.std()、.var()	无偏（n-1）标准差和方差
.min() .max()	非nan值的最小值和最大值

• pandas之读写数据

  读取数据的函数

  函数名	说明
  read_csv()	从文件、url、文件型对象中加载带分隔符的数据，默认为' , '。
  read_table()	从文件、url、文件型对象中加载带分隔符的数据，默认为'\t'。
  read_excel()	从 Excel 文件读入数据
  read_hdf()	使用 HDF5 文件读写数据
  read_sql()	从 SQL 数据库的査询结果载入数据
  read_pickle()	读入 Pickle 序列化之后的数据

  其中read_csv和read_table是常用的，下面就介绍一下read_csv或read_table如何读取数据。

  1.read_csv()或read_table()从文本文件读入数据

  In [4]: df=pd.read_csv(r'C:\Users\Administrator\Desktop\测量计算\examples\ex1.csv')
  ---------------------------------------------------------------------------
  OSError                                   Traceback (most recent call last)
  '''（报错细节不展示）'''
  pandas\_libs\parsers.pyx in pandas._libs.parsers.TextReader._setup_parser_source()
  
  OSError: Initializing from file failed
  

  pandas.read_csv() 报错 OSError: Initializing from file failed，一般由两种情况引起：一种是函数参数为路径而非文件名称，另一种是函数参数带有中文。

  对于第一种情况很简单，原因就是没有把文件名称放到路径的后面，把文件名称添加到路径后面就可以了。。
  第二种情况，即使路径、文件名都完整，还是报错的原因是这个参数中有中文，发现调用pandas的read_csv()方法时，默认使用 C engine作为parser engine，而当文件名中含有中文的时候，用C engine在部分情况下就会出错。所以在调用read_csv()方法时指定engine为Python就可以解决问题了。

  In [5]: df=pd.read_csv(r'C:\Users\Administrator\Desktop\测量计算\examples\ex1.csv',engine='python')
  
  In [6]: df
  Out[6]:
     a   b   c   d message
  0  1   2   3   4   hello
  1  5   6   7   8   world
  2  9  10  11  12     foo
  

  In [13]:  df=pd.read_table(r'C:\Users\Administrator\Desktop\测量计算\examples\ex1.csv',sep=',',engine='python')
  
  In [14]: df
  Out[14]:
     a   b   c   d message
  0  1   2   3   4   hello
  1  5   6   7   8   world
  2  9  10  11  12     foo
  
  

  2.to_csv()写入数据

  In [124]: df
  Out[124]:
     a   b   c   d message
  0  1   2   3   4   hello
  1  5   6   7   8   world
  2  9  10  11  12     foo
  
  In [125]: df.to_csv(r'C:\Users\Administrator\Desktop\测量计算\examples\ex001.csv')
  

• 缺失数据的处理

  

  数据缺失.png

数据缺失通常有两种情况：

一种就是空，None等，在pandas是NaN(和np.nan一样)。

另一种是我们让其为0，蓝色框中。

方法	说明
.dropna()	根据标签的值中是否存在缺失数据对轴标签进行过滤（删除），可通过阈值调节对缺失值的容忍度
.fillna()	用指定值或插值方法填充缺失数据
.isnull()	返回一个含有布尔值的对象，这些布尔值表示哪些值是缺失值NA
.notnull()	isnull的否定式

在pandas中数据缺失处理方法：

判断数据是否为NaN：pd.isnull(df),pd.notnull(df)

处理方式1：删除NaN所在的行列dropna (axis=0, how='any', inplace=False)

处理方式2：填充数据，t.fillna(t.mean()),t.fiallna(t.median()),t.fillna(0)

处理为0的数据：t[t==0]=np.nan

注意：当然并不是每次为0的数据都需要处理；计算平均值等情况，nan是不参与计算的，但是0会。

In [6]: df=pd.DataFrame([['Tom',np.nan,456.67,'M'],['Merty',34,4567.34,np.nan],['John',23,np.nan,'M'],['Joe',18,342.45,
   ...: 'F']],columns=['name','age','salary','gender'])

In [7]: df
Out[7]:
    name   age   salary gender
0    Tom   NaN   456.67      M
1  Merty  34.0  4567.34    NaN
2   John  23.0      NaN      M
3    Joe  18.0   342.45      F

In [8]: df.isnull()
Out[8]:
    name    age  salary  gender
0  False   True   False   False
1  False  False   False    True
2  False  False    True   False
3  False  False   False   False

In [9]: df.notnull()
Out[9]:
   name    age  salary  gender
0  True  False    True    True
1  True   True    True   False
2  True   True   False    True
3  True   True    True    True

In [12]: series=pd.Series([1,2,3,4,np.NaN,5])

In [13]: series.dropna()
Out[13]:
0    1.0
1    2.0
2    3.0
3    4.0
5    5.0
dtype: float64
    
In [19]: data
Out[19]:
     0    1    2
0  0.0  1.0  2.0
1  NaN  NaN  NaN
2  NaN  7.0  8.0

In [20]: data.dropna() #默认丢失只要含有缺失值的行
Out[20]:
     0    1    2
0  0.0  1.0  2.0

In [21]: data.dropna(how='all') #丢失全部为缺失值的行
Out[21]:
     0    1    2
0  0.0  1.0  2.0
2  NaN  7.0  8.0

In [23]: data
Out[23]:
     0    1    2   4
0  0.0  1.0  2.0 NaN
1  NaN  NaN  NaN NaN
2  NaN  7.0  8.0 NaN

In [24]: data.dropna(axis=1,how='all') #丢失全部为缺失值的列
Out[24]:
     0    1    2
0  0.0  1.0  2.0
1  NaN  NaN  NaN
2  NaN  7.0  8.0

In [25]: df=pd.DataFrame(np.random.randn(7,3))

In [26]: df.iloc[:4,1]=np.nan

In [27]: df.iloc[:2,2]=np.nan

In [28]: df
Out[28]:
          0         1         2
0 -0.299147       NaN       NaN
1  0.075411       NaN       NaN
2 -0.406294       NaN -1.472581
3 -1.224392       NaN  1.167611
4 -0.730027 -0.459401  0.275466
5  0.919381  0.107443 -2.359248
6 -1.193738 -0.336124  0.992585

In [29]: df.fillna(df.mean()) #取df的平均值填充
Out[29]:
          0         1         2
0 -0.299147 -0.229361 -0.279233
1  0.075411 -0.229361 -0.279233
2 -0.406294 -0.229361 -1.472581
3 -1.224392 -0.229361  1.167611
4 -0.730027 -0.459401  0.275466
5  0.919381  0.107443 -2.359248
6 -1.193738 -0.336124  0.992585

In [30]: df
Out[30]:
          0         1         2
0 -0.299147       NaN       NaN
1  0.075411       NaN       NaN
2 -0.406294       NaN -1.472581
3 -1.224392       NaN  1.167611
4 -0.730027 -0.459401  0.275466
5  0.919381  0.107443 -2.359248
6 -1.193738 -0.336124  0.992585

In [31]: df[1].fillna(df[1].median()) #取1一列的中位数填充该列
Out[31]:
0   -0.336124
1   -0.336124
2   -0.336124
3   -0.336124
4   -0.459401
5    0.107443
6   -0.336124
Name: 1, dtype: float64

• 数据特征分析

  • 排序
  • 基本统计函数
  • 累计统计函数
  • 相关性分析

  1.排序

  索引排序

  .sort_index()方法在指定轴上根据索引进行排序，默认升序
  .sort_index(axis=0, ascending=True)

  In [27]: b=pd.DataFrame(np.arange(20).reshape(4,5),index=list('cadb'))
  
  In [28]: b
  Out[28]:
      0   1   2   3   4
  c   0   1   2   3   4
  a   5   6   7   8   9
  d  10  11  12  13  14
  b  15  16  17  18  19
  
  In [29]: b.sort_index()
  Out[29]:
      0   1   2   3   4
  a   5   6   7   8   9
  b  15  16  17  18  19
  c   0   1   2   3   4
  d  10  11  12  13  14
  
  In [30]: b.sort_index(ascending=False)
  Out[30]:
      0   1   2   3   4
  d  10  11  12  13  14
  c   0   1   2   3   4
  b  15  16  17  18  19
  a   5   6   7   8   9
  
  In [31]: b
  Out[31]:
      0   1   2   3   4
  c   0   1   2   3   4
  a   5   6   7   8   9
  d  10  11  12  13  14
  b  15  16  17  18  19
  
  In [33]: c=b.sort_index(axis=1,ascending=False)
  
  In [34]: c
  Out[34]:
      4   3   2   1   0
  c   4   3   2   1   0
  a   9   8   7   6   5
  d  14  13  12  11  10
  b  19  18  17  16  15
  
  In [35]: c=c.sort_index()
  
  In [36]: c
  Out[36]:
      4   3   2   1   0
  a   9   8   7   6   5
  b  19  18  17  16  15
  c   4   3   2   1   0
  d  14  13  12  11  10
  

  键值排序

  .sort_values()方法在指定轴上根据数值进行排序，默认升序
  Series.sort_values(axis=0, ascending=True)
  DataFrame.sort_values(by, axis=0, ascending=True)
  by : axis轴上的某个索引或索引列表

  In [37]: b
  Out[37]:
      0   1   2   3   4
  c   0   1   2   3   4
  a   5   6   7   8   9
  d  10  11  12  13  14
  b  15  16  17  18  19
  
  In [38]: c=b.sort_values(2,ascending=False) # 按照索引2的一列中的值进行降序
  
  In [39]: c
  Out[39]:
      0   1   2   3   4
  b  15  16  17  18  19
  d  10  11  12  13  14
  a   5   6   7   8   9
  c   0   1   2   3   4
  
  In [40]: c=c.sort_values('a',axis=1,ascending=False) # 按照索引a的一行中的值进行降序
  
  In [41]: c
  Out[41]:
      4   3   2   1   0
  b  19  18  17  16  15
  d  14  13  12  11  10
  a   9   8   7   6   5
  c   4   3   2   1   0
  

  注意：若按照键值排序中出现NaN，无论升序或者降序排列，统一放到排序末尾。

  2.基本统计函数

  适用于Series和DataFrame类型

  方法	说明
  .sum()	计算数据的总和，按0轴计算，下同
  .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
  .min() .max()	计算数据的最小值、最大值
  .prod()
  .describe()	针对0轴（各列）的统计汇总

  适用于Series类型

  方法	说明
  .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）

  In [42]: a=pd.Series([9,8,7,6],index=list('abcd'))
  
  In [43]: a
  Out[43]:
  a    9
  b    8
  c    7
  d    6
  dtype: int64
  
  In [44]: a.describe()
  Out[44]:
  count    4.000000
  mean     7.500000
  std      1.290994
  min      6.000000
  25%      6.750000
  50%      7.500000
  75%      8.250000
  max      9.000000
  dtype: float64
  
  In [48]: a.describe()['std']
  Out[48]: 1.2909944487358056
  
  In [49]: a.describe()['min']
  Out[49]: 6.0
  

  In [50]: b
  Out[50]:
      0   1   2   3   4
  c   0   1   2   3   4
  a   5   6   7   8   9
  d  10  11  12  13  14
  b  15  16  17  18  19
  
  In [51]: b.describe()
  Out[51]:
                 0          1          2          3          4
  count   4.000000   4.000000   4.000000   4.000000   4.000000
  mean    7.500000   8.500000   9.500000  10.500000  11.500000
  std     6.454972   6.454972   6.454972   6.454972   6.454972
  min     0.000000   1.000000   2.000000   3.000000   4.000000
  25%     3.750000   4.750000   5.750000   6.750000   7.750000
  50%     7.500000   8.500000   9.500000  10.500000  11.500000
  75%    11.250000  12.250000  13.250000  14.250000  15.250000
  max    15.000000  16.000000  17.000000  18.000000  19.000000
  
  In [52]: type(b.describe())
  Out[52]: pandas.core.frame.DataFrame
  
  In [53]: b.describe().ix['max']
  D:\Python36\Scripts\ipython:1: DeprecationWarning:
  .ix is deprecated. Please use
  .loc for label based indexing or
  .iloc for positional indexing
  
  See the documentation here:
  http://pandas.pydata.org/pandas-docs/stable/indexing.html#ix-indexer-is-deprecated
  Out[53]:
  0    15.0
  1    16.0
  2    17.0
  3    18.0
  4    19.0
  Name: max, dtype: float64
  
  In [54]: b.describe().loc['max'] #取index中的max行
  Out[54]:
  0    15.0
  1    16.0
  2    17.0
  3    18.0
  4    19.0
  Name: max, dtype: float64
  
  In [55]: b.describe()[2] #取统计汇总中的2列
  Out[55]:
  count     4.000000
  mean      9.500000
  std       6.454972
  min       2.000000
  25%       5.750000
  50%       9.500000
  75%      13.250000
  max      17.000000
  Name: 2, dtype: float64
  

  3.累计统计函数

  适用于Series和DataFrame类型，累计计算

  方法	说明
  .cumsum()	依次给出前1、2、…、n个数的和
  .cumprod()	依次给出前1、2、…、n个数的积
  .cummax()	依次给出前1、2、…、n个数的最大值
  .cummin()	依次给出前1、2、…、n个数的最小值

  In [56]: b
  Out[56]:
      0   1   2   3   4
  c   0   1   2   3   4
  a   5   6   7   8   9
  d  10  11  12  13  14
  b  15  16  17  18  19
  
  In [57]: b.cumsum()
  Out[57]:
      0   1   2   3   4
  c   0   1   2   3   4
  a   5   7   9  11  13
  d  15  18  21  24  27
  b  30  34  38  42  46
  
  In [58]: b.cumprod()
  Out[58]:
     0     1     2     3     4
  c  0     1     2     3     4
  a  0     6    14    24    36
  d  0    66   168   312   504
  b  0  1056  2856  5616  9576
  
  In [60]: b.cummin()
  Out[60]:
     0  1  2  3  4
  c  0  1  2  3  4
  a  0  1  2  3  4
  d  0  1  2  3  4
  b  0  1  2  3  4
  
  In [61]: b.cummax()
  Out[61]:
      0   1   2   3   4
  c   0   1   2   3   4
  a   5   6   7   8   9
  d  10  11  12  13  14
  b  15  16  17  18  19
  

  适用于Series和DataFrame类型，滚动计算（窗口计算）

  方法	说明
  .rolling(w).sum()	依次计算相邻w个元素的和
  .rolling(w).mean()	依次计算相邻w个元素的算术平均值
  .rolling(w).var()	依次计算相邻w个元素的方差
  .rolling(w).std()	依次计算相邻w个元素的标准差
  .rolling(w).min() .max()	依次计算相邻w个元素的最小值和最大值

  In [62]: b
  Out[62]:
      0   1   2   3   4
  c   0   1   2   3   4
  a   5   6   7   8   9
  d  10  11  12  13  14
  b  15  16  17  18  19
  
  In [63]: b.rolling(2).sum()
  Out[63]:
        0     1     2     3     4
  c   NaN   NaN   NaN   NaN   NaN
  a   5.0   7.0   9.0  11.0  13.0
  d  15.0  17.0  19.0  21.0  23.0
  b  25.0  27.0  29.0  31.0  33.0
  
  In [64]: b.rolling(3).sum()
  Out[64]:
        0     1     2     3     4
  c   NaN   NaN   NaN   NaN   NaN
  a   NaN   NaN   NaN   NaN   NaN
  d  15.0  18.0  21.0  24.0  27.0
  b  30.0  33.0  36.0  39.0  42.0
  

  4.相关性分析

  两个事物，表示为X和Y，如何判断它们之间的存在相关性？

  X增大，Y增大，两个变量正相关；X增大，Y减小，两个变量负相关；X增大，Y无视，两个变量不相关。

  协方差：
  
  协方差>0, X和Y正相关；协方差<0, X和Y负相关；协方差=0, X和Y独立无关

  Pearson相关系数：

​ r取值范围[‐1,1]

​ 0.8‐1.0 极强相关；0.6‐0.8 强相关； 0.4‐0.6 中等程度相关； 0.2‐0.4 弱相关； 0.0‐0.2 极弱相关或无相关。

​ 相关分析函数适用于Series和DataFrame类型

方法	说明
.cov()	计算协方差矩阵
.corr()	计算相关系数矩阵, Pearson、Spearman、Kendall等系数

  In [65]: hprice=pd.Series([3.04,22.93,11.22,22.55,12.33],index=['2010','2011','2012','2013','2014'])
  
  In [66]: m2=pd.Series([8.18,6.93,9.12,7.55,6.63],index=['2010','2011','2012','2013','2014'])
  
  In [67]: hprice.cov(m2)
  Out[67]: -3.88571
  
  In [68]: hprice.corr(m2)
  Out[68]: -0.46194948337869285

参考资料：

网址：

https://blog.csdn.net/qq_35318838/article/details/80564938

书籍：

《python数据科学手册》

《利用python进行数据分析》

《python科学计算》

视频：

《黑马程序员之数据分析》

《python数据分析与展示》