盘一盘 Python | Pandas (上)
Pandas 是 Python 为解决数据分析而创建的，详情看官网 (https://pandas.pydata.org/)。 在使用 pandas 之前，需要引进它，语法如下：
import pandas这样你就可以用 pandas 里面所有的内置方法 (build-in methods) 了，比如创建一维的 Series 和二维的 DataFrame。
pandas.Series()
pandas.DataFrame()但是每次写 pandas 字数有点多，通常我们给 pandas 起个别名 pd，用以下语法，这样所有出现 pandas 的地方都可以用 pd 替代。
import pandas as pdPandas 里面的数据结构是「多维数据表」，学习它可以类比这 NumPy 里的「多维数组」。1/2/3 维的「多维数据表」分别叫做 Series (系列), DataFrame (数据帧) 和 Panel (面板)，和1/2/3 维的「多维数组」的类比关系如下。
由于「系列」、「数据帧」和「面板」这些直译过来的中文名词听起来有些奇怪，在本帖还是直接用 Series, DataFrame 和 Panel。
对比 NumPy (np) 和 Pandas (pd) 每个维度下的数据结构，不难看出
pd 多维数据表 = np 多维数组 + 描述
其中
Series = 1darray + index
DataFrame = 2darray + index + columns
Panel = 3darray + index + columns + item
每个维度上的「索引」使得「多维数据表」比「多维数组」涵盖更多的信息，如下图，左边的 2d array 仅仅储存了一组数值 (具体代表什么意思却不知道)，而右边的 DataFrame 一看就知道这是平安银行和茅台从 2018-1-3 到 2019-1-3 的价格。
和学习 numpy 一样，学习 pandas 还是遵循的 Python 里「万物皆对象」的原则，既然把数据表当对象，我们就按着数据表的创建、数据表的存载、数据表的获取、数据表的合并和连接、数据表的重塑和透视、和数据表的分组和整合来盘一盘 Pandas，目录如下：
由于篇幅原因，Pandas 系列分两贴，上贴讲前三节的内容，下帖讲后三节的内容。
数据表有三大类型
Series: 一维数据，类似于 python 中的基本数据的 list 或 NumPy 中的 1D array。Pandas 里最基本的数据结构
DataFrame: 二维数据，类似于 R 中的 data.frame 或 Matlab 中的 Tables。DataFrame 是 Series 的容器
Panel：三维数据。Panel 是 DataFrame 的容器
每行代表一个示例 (instance)
每列代表一个特征 (feature)
接下来我们用代码来创建 pandas 数据表，有两种方式：
按步就班的用 pd.Series(), pd.DataFrame() 和 pd.Panel()
一步登天的用万矿里面的 WindPy API 读取
2.1
按部就班法
创建 Series 只需用下面一行代码
pd.Series( x, index=idx )
其中 x 可以是
列表 (list)
numpy 数组 (ndarray)
字典 (dict)
回顾在〖
x 是位置参数
index 是默认参数，默认值为 idx = range(0, len(x))
0 27.20
1 27.65
2 27.70
3 28.00
dtype: float64打印出来并不仅仅是列表里面的浮点数，每个浮点数前面还有一个索引，在本例中是 0, 1, 2, 3。
因此在创建 Series 时，如果不显性设定 index，那么 Python 给定一个默认从 0 到 N-1 的值，其中 N 是 x 的长度。
Series s 也是一个对象，用 dir(s) 可看出关于 Series 所有的属性和内置函数，其中最重要的是
用 s.values 打印 s 中的元素
用 s.index 打印 s 中的元素对应的索引
s.valuesarray([27.2 , 27.65, 27.7 , 28. ])s.indexRangeIndex(start=0, stop=4, step=1)不难发现，以上创建的 Series 和 numpy 数组比多了「索引」，但这种 0,1,2,3 的索引是在没有什么描述意义。实际上我们定义的 s 是海底捞在 2019 年 4 月 1 日到 2019 年 4 月 4 日的股价，那么用日期来当索引是不是更好些？
dates = pd.date_range('20190401',periods=4)
s2 = pd.Series( [27.2, 27.65, 27.70, 28], index=dates )
s22019-04-01 27.20
2019-04-02 27.65
2019-04-03 27.70
2019-04-04 28.00
Freq: D, dtype: float64显然，s2 比 s 包含的信息更多，这是 s2 的索引是一组日期对象，数据类型是 datetime64，频率是 D (天)。
s2.indexDatetimeIndex(['2019-04-01', '2019-04-02', '2019-04-03', '2019-04-04'],
dtype='datetime64[ns]', freq='D')你甚至还可以给 s2 命名，就叫海底捞股价如何？
s2.name = '海底捞股价'
s22019-04-01 27.20
2019-04-02 27.65
2019-04-03 27.70
2019-04-04 28.00
Freq: D, Name: 海底捞股价, dtype: float64除了用列表，我们还可以用 numpy 数组来生成 Series。在下例中，我们加入缺失值 np.nan，并分析一下 Series 中另外 5 个属性或内置函数的用法：
len: s 里的元素个数
shape: s 的形状 (用元组表示)
count: s 里不含 nan 的元素个数
unique: 返回 s 里不重复的元素
value_counts: 统计 s 里非 nan 元素的出现次数
对照上面函数的用法，下面的输出一看就懂了吧。
s = pd.Series( np.array([27.2, 27.65, 27.70, 28, 28, np.nan]) )
print( 'The length is', len(s) )
print( 'The shape is', s.shape )
print( 'The count is', s.count() )The length is 6
The shape is (6,)
The count is 5s.unique()array([27.2 , 27.65, 27.7 , 28. , nan])s.value_counts()28.00 2
27.70 1
27.65 1
27.20 1
dtype: int64创建 Series 还可以用字典。字典的「键值对」的「键」自动变成了 Series 的索引 (index)，而「值」自动变成了Series 的值 (values)。代码如下 (下列用 name 参数来对 s3 命名)
data_dict = { 'BABA': 187.07, 'PDD': 21.83, 'JD': 30.79, 'BIDU': 184.77 }
s3 = pd.Series(data_dict, name='中概股')
s3.index.name = '股票代号'
s3股票代号
BABA 187.07
PDD 21.83
JD 30.79
BIDU 184.77
Name: 中概股, dtype: float64给 s3 起名中概股是因为阿里巴巴 (BABA)、拼多多 (PDD)、京东 (JD) 和百度 (BIDU) 都是中国公司但在美国上市的。此外还可以给 index 命名为 '股票代号'。
现在假设我们的股票代号为
stock = ['FB', 'BABA', 'PDD', 'JD']
s4 = pd.Series( sdata, index=stock )
s4FB NaN
BABA 160.0
PDD 28.0
JD 25.0
dtype: float64代号里多加了脸书 (FB)，而 sdata 字典中没有 FB 这个键，因此生成的 s4 在 FB 索引下对应的值为 NaN。再者，代号里没有百度 (BIDU)，因此 s4 里面没有 BIDU 对应的值 (即便 sdata 里面有)。
当两个 Series 进行某种操作时，比如相加，Python 会自动对齐不同 Series 的 index，如下面代码所示：
s3 + s4BABA 320.0
BIDU NaN
FB NaN
JD 50.0
PDD 56.0
dtype: float64Series 是 Pandas 里面最基本的数据结构，但是对应每个索引只有一个元素 (比如一个日期对应一个股价)，因此 Series 处理不了每个索引对应多个元素 (比如一个日期对应一个开盘价、收盘价、交易量等等)。而 DataFrame 可以解决这个问题。
创建 DataFrame 只需用下面一行代码
pd.DataFrame( x, index=idx,
columns=col )
其中 x 可以是
二维列表 (list)
二维 numpy 数组 (ndarray)
字典 (dict)，其值是一维列表、numpy 数组或 Series
另外一个 DataFrame
回顾在〖
x 是位置参数
index 是默认参数，默认值为 idx = range(0, x.shape[0])
columns 是默认参数，默认值为 col = range(0, x.shape[1])
# df1 = pd.DataFrame( [[1, 2, 3], [4, 5, 6]] )
df1 = pd.DataFrame( np.array([[1, 2, 3], [4, 5, 6]]) )
df1
在创建 DataFrame 时，如果不显性设定 index 和 columns 时，那么Python 给它们默认值，其中
index = 0 到 r-1，r 是 x 的行数
colmns = 0 到 c-1，c 是 x 的列数
symbol = ['BABA', 'JD', 'AAPL', 'MS', 'GS', 'WMT']
data = {'行业': ['电商', '电商', '科技', '金融', '金融', '零售'],
'价格': [176.92, 25.95, 172.97, 41.79, 196.00, 99.55],
'交易量': [16175610, 27113291, 18913154, 10132145, 2626634, 8086946],
'雇员': [101550, 175336, 100000, 60348, 36600, 2200000]}
df2 = pd.DataFrame( data, index=symbol )
df2.name='美股'
df2.index.name = '代号'
df2
字典的「键值对」的「键」自动变成了 DataFrame 的栏 (columns)，而「值」自动变成了 DataFrame 的值 (values)，而其索引 (index) 需要另外定义。
分别来看 df2 的 values, columns 和 index。
df2.valuesarray([['电商', 176.92, 16175610, 101550],
['电商', 25.95, 27113291, 175336],
['科技', 172.97, 18913154, 100000],
['金融', 41.79, 10132145, 60348],
['金融', 196.0, 2626634, 36600],
['零售', 99.55, 8086946, 2200000]], dtype=object)df2.columnsIndex(['行业', '价格', '交易量', '雇员'], dtype='object')df2.indexIndex(['BABA', 'JD', 'AAPL', 'MS', 'GS', 'WMT'],
dtype='object', name='代号')我们可以从头或从尾部查看 DataFrame 的 n 行，分别用 df2.head() 和 df2.tail(n)，如果没有设定 n，默认值为 5 行。
df2.head()
df2.tail(3)
我们用 df2.describe() 还可以看看 DataFrame 每栏的统计数据。
df2.describe()
函数 describe() 只对「数值型变量」有用 (没有对「字符型变量」行业栏做统计)，统计量分别包括个数、均值、标准差、最小值，25-50-75 百分数值，最大值。一般做数据分析第一步会用这个表大概看看
数据是否有缺失值 (每个栏下的 count 是否相等)？
数据是否有异常值 (最小值 min 和最大值 max 是否太极端)？
我们用 MultiIndex.from_tuples() 还可以赋予 DataFrame 多层索引 (实际上增加了维度，多层索引的 DataFrame 实际上是三维数据)。
df2.index = pd.MultiIndex.from_tuples(
[('中国公司','BABA'), ('中国公司','JD'),
('美国公司','AAPL'), ('美国公司','MS'),
('美国公司','GS'), ('美国公司','WMT')] )
df2
在 MultiIndex.from_tuples() 中传递一个「元组的列表」，每个元组，比如 ('中国公司', 'BABA')，第一个元素中国公司是第一层 index，第二个元素BABA是第二层 index。
DataFrame 是 Series 的容器，那什么是 DataFrame 的容器？Panel!
首先需要指出的是 Panel 在未来版本中会被废除，因此不想花时间看的同学可跳过。
创建 Panel 只需用下面一行代码
pd.Panel( x, item=itm,
major_axis=n1,
minor_axis=n2 )
其中 x 可以是
三维列表 (list)
三维 numpy 数组 (ndarray)
字典 (dict)，其值是 DataFrame
回顾在〖
x 是位置参数
items 是默认参数 (axis 0)，默认值为 itm = range(0, number of DataFrame)
major_axis 是默认参数 (axis 1)，默认值和 DataFrame 的默认 index 一样
minor_axis 是默认参数 (axis 2)，默认值和 DataFrame 的默认 columns 一样
pn = pd.Panel(np.random.randn(2, 5, 4))
pn
Dimensions: 2 (items) x 5 (major_axis) x 4 (minor_axis)
Items axis: 0 to 1
Major_axis axis: 0 to 4
Minor_axis axis: 0 to 3 Panel pn 含有 2 个 DataFrame，items 为 0, 1；每个 DataFrame 有 5 行 4 列，因此 major_axis 为 0,1,2,3,4，而 minor_axis 为 0,1,2,3。
dates = pd.date_range('20190401',periods=4)
data = {'开盘价': [27.2, 27.65, 27.70, 28],
'收盘价': [27.1, 27.55, 27.45, 28.1]}
df1 = pd.DataFrame( data, index=dates )
data = {'开盘价': [367, 369.8, 378.2, 380.6],
'收盘价': [369.5, 370.1, 380, 382.1]}
df2 = pd.DataFrame( data, index=dates )
p_data = {'海底捞' : df1, '腾讯' : df2}
pn = pd.Panel(p_data)
pn
Dimensions: 2 (items) x 4 (major_axis) x 2 (minor_axis)
Items axis: 海底捞 to 腾讯
Major_axis axis: 2019-04-01 00:00:00 to 2019-04-04 00:00:00
Minor_axis axis: 开盘价 to 收盘价 分析上面的 Panel pn
有 2 个 DataFrame，items 为 '海底捞' 和 ‘腾讯’
每个 DataFrame 有 4 行 2 列
major_axis 从 2019-04-01 到 2019-04-04
minor_axis 为 ‘开盘价’ 和 ‘收盘价’
让我们来查看两个 DataFrame 的内容
pn['海底捞']
pn['腾讯']
上面这种 Panel 类型的数据在量化投资中还蛮常见，比如我们需要 10 个股票在 1 年时期的 OHLC 价格 (Open, High, Low, Close)，Panel 的 Items, Major_axis 和 Minor_axis 正好可以存储这样的三维数据。如果 Panel 要废掉，那用什么容器来储存三维数据呢？
用多层索引 (Multi-index) 的 DataFrame！
df = pd.concat([df1, df2])
code = ['海底捞', '腾讯']
midx = [ (c, d) for c in code for d in dates ]
df.index =pd.MultiIndex.from_tuples( midx )
df
首先用 concat() 函数 (下帖的内容) 将 df1 和 df2 连接起来；再用「列表解析法」生成 midx，它是一个元组的列表，c 是股票代码，d 是日期；最后放入 MultiIndex.from_tuples() 生成有多层索引的 DataFrame。
2.2
一步登天法
不喜欢量化的读者可跳过本节，不影响本帖的完整性。
上节都是手敲一些数据来创建「多维数据表」的，现实中做量化分析时，数据量都会很大，一般都是从量化平台中或者下载好的 csv 中直接读取。本节介绍如何从量化平台「万矿」中读取数据来创建「多维数据表」的。
首先在 https://www.windquant.com 注册一个账号，点击「研究」后在点开一个 Notebook 作为你的研究环境 (这是要夸奖一下万矿的 Notebook 体验真的不错，而且数据质量方面还有万德保证)。
接着必须加载 WindPy，然后执行 w.start() 启动 API 接口：
from WindPy import *
w.start()
WindPy 里面有几个获取数据的核心函数，分别是
日期序列函数 wsd
多维数据函数 wss
行情数据函数 wsq
分钟序列数据函数 wsi
该函数支持股票、债券、基金、期货、指数等多种证券的基本资料、股东信息、市场行情、证券分析、预测评级、财务数据等各种数据，可以支持取单品种单指标、多品种单指标和单品种多指标的时间序列数据 (注：不支持多品种多指标)。函数定义如下
w.wsd(security, fields, startdate, enddate, options)
security = 证券代号，可以是 str 或 list
fields = 指标，可以是 str 或 list
startdate = 起始日，可以是 str 或 datetime
enddate = 起始日，可以是 str 或 datetime
options = 一些特定设置
获取平安银行在 2019-04-01 到 2019-04-04 的收盘价。
code = "000001.SZ"
factors = ["close"]
startDate = "2019-04-01"
endDate = "2019-04-04"
data = w.wsd(code, factors, startDate, endDate, usedf=True )
data(0, CLOSE
2019-04-01 00:00:00.005 13.18
2019-04-02 00:00:00.005 13.36
2019-04-03 00:00:00.005 13.44
2019-04-04 00:00:00.005 13.86)元组第一个元素为 ErrorCode，其为 0 时表示数据获取正常
元组第二个元素为获取的数据 DataFrame，其中 index 列为时间，columns 为参数 Fields 各指标
上面结果 errorcode = 0，要获取 DataFrame 只需访问 data[1]
data[1]
获取平安银行在 2019-04-01 到 2019-04-04 的开盘价、最低价、最高价和收盘价。
code = "000001.SZ"
factors = "open,low,high,close"
startDate = "2019-04-01"
endDate = "2019-04-04"
data = w.wsd(code, factors, startDate, endDate, usedf=True )
data[1]
获取平安银行、万科、茅台在 2019-04-01 到 2019-04-04 的收盘价。
code = ["000001.SZ","000002.SZ","600519.SH"]
factors = "close"
startDate = "2019-04-01"
endDate = "2019-04-04"
data = w.wsd(code, factors, startDate, endDate, usedf=True )
data[1]
该函数同样支持股票、债券、基金、期货、指数等多种证券的基本资料、股东信息、市场行情、证券分析、预测评级、财务数据等各种数据。但是 wss 支持取多品种多指标某个时间点的截面数据。函数定义如下
w.wss(security, fields, option)
security = 证券代号，可以是 str 或 list
fields = 指标，可以是 str 或 list
options = 一些特定设置
获取平安银行、万科、茅台在 2018-12-31 的收盘价、交易量、每股盈余和 profit/GR。
date = "2018-12-31"
codes = ["000001.SZ","000002.SZ","600519.SH"]
factors = "close, volume, eps_basic, profittogr"
data = w.wss( codes, factors,
"rptDate="+date+";currencyType=", usedf=True)
data[1]
如果要看财务数据，万矿是取每个季度最后一天作为报告期，如取 2018 年的四个定期报告数据，那报告期设置分别为：
一季报：2018-03-31
半年报：2018-06-30
三季报：2018-09-30
年报： 2018-12-31
本例 2018-12-31 是年报的数据。
该函数支持股票、债券、基金、期货、指数等多种证券品种的实时行情数据。函数定义如下
w.wsq(security, fields, func=None)
security = 证券代号，可以是 str 或 list
fields = 指标，可以是 str 或 list
func = 回调函数
获取易方达深证 100ETF 里所有成分中的各种行情指标。
ETF = w.wset("allfundhelddetail", "rptdate=20181231;windcode=159901.OF")
codes = ETF.Data[2]
fields = "rt_last,rt_vol,rt_chg,rt_pct_chg,rt_vwap,rt_ask1,rt_bid1"
data = w.wsq( codes, fields )
data = pd.DataFrame( data.Data,
index=data.Fields,
columns=data.Codes).T
data.head(3).append(data.tail(3))
读者肯定好奇第一行代码怎么来的？这里 wset 是专门收集数据集信息的函数，万矿做的好的东西是又一套 GUI 帮你生成第一行代码，展示如下：
点击「API 函数」下面的「WSET 数据集」会带给你以下界面。再选择「ETF 申购成分信息」。
点击下一步得到
看到没有第一行代码就这样生成了，获取数据的门槛迅速降低了好多。
该函数获取选定证券品种的分钟线数据，包含基本行情和部分技术指标的分钟数据，分钟周期为 1-60 min，技术指标参数可以自定义设置。函数定义如下
w.wsi(security, fields, starttime = None, endtime = None, options = None)
security = 证券代号，可以是 str 或 list
fields = 指标，可以是 str 或 list
startdate = 起始日，可以是 str 或 datetime
enddate = 起始日，可以是 str 或 datetime
options = 一些特定设置
获取中金所 IF 股指期货当月连续合约 2019-04-01 09:30:00 开始至 2019-04-01 09:40:00 的 1 分钟数据。
codes ='IF00.CFE'
fields ='open, high, low, close'
IF = w.wsi( codes, fields, '2019-04-01 09:30:00', '2019-04-01 09:40:00', "", usedf=True )
IF[1]
本节讲数据表的「保存」和「加载」，在 NumPy 一贴已经提到过，数据的存载没什么技术含量
保存只是为了下次再用处理好的 DataFrame
加载可以不用重新再定义 DataFrame
DataFrame 可以被保存为 Excel, csv, SQL 和 HDF5 格式，其语句一看就懂，用 to_数据格式，具体如下：
to_excel()
to_csv()
to_sql()
to_hdf()
如果要加载某种格式的数据到 DataFrame 里，用 read_数据格式，具体如下：
read_excel()
read_csv()
read_sql()
read_hdf()
我们只用 excel 和 csv 格式举例。
用 pd.to_excel 函数将 DataFrame 保存为 .xlsx 格式，并保存到 ‘Sheet1’ 中，具体写法如下：
pd.to_excel( '文件名'，'表名' )
df = pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6]]))
df.to_excel('pd_excel.xlsx', sheet_name='Sheet1')用 pd.read_excel( '文件名'，'表名' ) 即可加载该文件并存成 DataFrame 形式
df1 = pd.read_excel('pd_excel.xlsx', sheet_name='Sheet1')
df1
用 pd.to_csv 函数将 DataFrame 保存为 .csv 格式，注意如果 index 没有特意设定，最后不要把 index 值存到 csv 文件中。具体写法如下：
pd.to_csv( '文件名'，index=False )
data = {'Code': ['BABA', '00700.HK', 'AAPL', '600519.SH'],
'Name': ['阿里巴巴', '腾讯', '苹果', '茅台'],
'Market': ['US', 'HK', 'US', 'SH'],
'Price': [185.35, 380.2, 197, 900.2],
'Currency': ['USD', 'HKD', 'USD', 'CNY']}
df = pd.DataFrame(data)
df.to_csv('pd_csv.csv', index=False)用 pd.read_csv( '文件名' ) 即可加载该文件并存成 DataFrame 形式
df2 = pd.read_csv('pd_csv.csv')
df2
如果一开始储存 df 的时候用 index=True，你会发现加载完后的 df2 是以下的样子。
df2 里面第一栏是 df 的 index，由于没有具体的 columns 名称，系统给它一个 "Unamed: 0"。因此在存储 df 的时候，如果 df.index 没有特意设定，记住要在 to_csv() 中把 index 设置为 False。
由于索引/切片 Series 跟 numpy 数组很类似，由于 Panel 在未来会被废掉，因此本节只专注于对 DataFrame 做索引和切片。本节以下面 df 为例做展示。
symbol = ['BABA', 'JD', 'AAPL', 'MS', 'GS', 'WMT']
data = {'行业': ['电商', '电商', '科技', '金融', '金融', '零售'],
'价格': [176.92, 25.95, 172.97, 41.79, 196.00, 99.55],
'交易量': [16175610, 27113291, 18913154, 10132145, 2626634, 8086946],
'雇员': [101550, 175336, 100000, 60348, 36600, 2200000]}
df = pd.DataFrame( data, index=symbol )
df.name='美股'
df.index.name = '代号'
df
用不同颜色标注了 df 的 index, columns 和 values，可视图如下：
DataFrame 的索引或切片可以基于标签 (label-based) ，也可以基于位置 (position-based)，不像 numpy 数组的索引或切片只基于位置。
DataFrame 的索引或切片有四大类：
索引单元素：
-
基于标签的 at
基于位置的 iat
切片 columns：
-
用
.来切片单列用
[]来切片单列或多列基于标签的
loc基于位置的 iloc
切片 index：
-
用
[]来切片单行或多行基于标签的
loc基于位置的 iloc
切片 index 和 columns：
-
基于标签的
loc基于位置的 iloc
总体规律，基于标签就用 at 和 loc，基于位置就用 iat 和 iloc。下面我们来一类类分析：
3.1
索引单元素
两种方法来索引单元素，情况 1 基于标签 at，情况 2 基于位置 iat。
情况 1 -
df.at['idx_i', 'attr_j']情况 2 -
df.iat[i, j]
Python 里的中括号 [] 会代表很多意思，比如单元素索引，多元素切片，布尔索引等等，因此让 Python 猜你用的 [] 意图会很低效。如果你想索引单元素，明明白白的用 at 和 iat 效率最高。
df.at['AAPL','价格']172.97用 at 获取「行标签」为 'AAPL' 和「列标签」为 ‘价格’ 对应的元素。
df.iat[2,1]172.97用 iat 获取第 3 行第 2 列对应的元素。
索引单元素的总结图：
3.2
切片 columns
切片单个 columns 会返回一个 Series，有以下四种情况。情况 1 用点 .；情况 2 用中括号 []；情况 3 基于标签 loc，情况 4 基于位置 iloc。
情况 1 -
df.attr_i情况 2 -
df['attr_i']情况 3 -
df.loc[:, 'attr_i']情况 4 -
df.iloc[:, i]
情况 1 记住就可以了，没什么可说的。
情况 2 非常像二维 numpy 数组 arr 的切片，用 arr[i] 就能获取 arr 在「轴 0」上的第 i 个元素 (一个 1darray)，同理 df['attr_i'] 也能获取 df 的第 i 个 Series。
情况 3 和 4 的 loc 和 iloc 可类比于上面的 at 和 iat。带 i 的基于位置 (位置用整数表示，i 也泛指整数)，不带 i 的基于标签。里面的冒号 : 代表所有的 index (和 numpy 数组里的冒号意思相同)。
个人建议，如果追求简洁和方便，用 . 和 []；如果追求一致和清晰，用 loc 和 iloc。
df.价格代号
BABA 176.92
JD 25.95
AAPL 172.97
MS 41.79
GS 196.00
WMT 99.55
Name: 价格, dtype: float64用 . 获取「价格」那一栏下的 Series。
df['价格']代号
BABA 176.92
JD 25.95
AAPL 172.97
MS 41.79
GS 196.00
WMT 99.55
Name: 价格, dtype: float64用 [] 获取「价格」属性下的 Series。
df.loc[:, '交易量']代号
BABA 16175610
JD 27113291
AAPL 18913154
MS 10132145
GS 2626634
WMT 8086946
Name: 交易量, dtype: int64用 loc 获取「交易量」属性下的 Series。
df.iloc[:, 0]代号
BABA 电商
JD 电商
AAPL 科技
MS 金融
GS 金融
WMT 零售
Name: 行业, dtype: object
用 iloc 获取第 1 列下的 Series。
切片单个 columns 的总结图：
切片多个 columns 会返回一个 sub-DataFrame (原 DataFrame 的子集)，有以下三种情况。情况 1 用中括号 []；情况 2 基于标签 loc，情况 3 基于位置 iloc。
情况 1 -
df[['attr_i', 'attr_j']]情况 2 -
df.loc[:, 'attr_i':'attr_j']情况 3 -
df.iloc[:, i:j]
和切片单个 columns 相比：
情况 1 用一个列表来储存一组属性 'attr_i', 'attr_j'，然后在放进中括号 [] 里获取它们
情况 2 用 'attr_i':'attr_j' 来获取从属性 i 到属性 j 的 sub-DataFrame
情况 3 用 i:j 来获取从列 i+1 到列 j 的 sub-DataFrame
个人建议，如果追求简洁和方便，用 []；如果追求一致和清晰，用 loc 和 iloc。
df[ ['雇员', '价格'] ]
用 [] 获取「雇员」和「价格」两个属性下的 sub-DataFrame。
df.loc[:, '行业':'交易量']
用 loc 获取从属性 ‘行业’ 到 ‘交易量‘ 的 sub-DataFrame。
df.iloc[:, 0:2]
用 iloc 获取第 1 和 2 列下的 sub-DataFrame。
切片多个 columns 的总结图：
3.3
切片 index
切片单个 index 有时会返回一个 Series，有以下两种情况。情况 1 基于标签 loc，情况 2 基于位置 iloc。
情况 1 -
df.loc['idx_i', :]情况 2 -
df.iloc[i, :]
切片单个 index 有时会返回一个只有一行的 DataFrame，有以下两种情况。情况 3 用中括号 [] 加「位置」，情况 4 用中括号 [] 加「标签」。
情况 3 -
df[i:i+1]情况 4 -
df['idx_i':'idx_i']
情况 1 和 2 的 loc 和 iloc 可类比于上面的 at 和 iat。带 i 的基于位置 (位置用整数表示，i 也泛指整数)，不带 i 的基于标签。里面的冒号 : 代表所有的 columns (和 numpy 数组里的冒号意思相同)。
情况 3 用中括号 [] 加「位置」，位置 i:i+1 有前闭后开的性质。如果要获取第 i+1 行，需要用 i:i+1。
情况 4 用中括号 [] 加「标签」，标签没有前闭后开的性质。如果要获取标签 i，只需要用 'idx_i':'idx_i'。为什么不能只用 'idx_i' 呢？原因是 Python 会把 df['idx_i'] 当成切片 columns，然后发现属性中没有 'idx_i' 这一个字符，会报错的。
个人建议，只用 loc 和 iloc。情况 3 太麻烦，获取一行还要用 i:i+1。情况 4 的 df['idx_i'] 很容易和切片 columns 中的语句 df['attr_j'] 混淆。
df.loc[ 'GS', : ]行业 金融
价格 196
交易量 2626634
雇员 36600
Name: GS, dtype: object用 loc 获取标签为 ‘GS‘ 的 Series。(GS = Goldman Sachs = 高盛)
df.iloc[ 3, : ]行业 金融
价格 41.79
交易量 10132145
雇员 60348
Name: MS, dtype: object用 iloc 获取第 4 行下的 Series。(MS = Morgan Stanley = 摩根斯坦利)
df[1:2]
用 [1:2] 获取第 2 行的 sub-DataFrame (只有一行)。
df['JD':'JD']
用 ['JD':'JD'] 获取标签为 'JD' 的 sub-DataFrame (只有一行)。
切片单个 index 的总结图：
切片多个 index 会返回一个 sub-DataFrame，有以下四种情况。情况 1 用中括号 [] 加「位置」，情况 2 用中括号 [] 加「标签」，情况 3 基于标签 loc，情况 4 基于位置 iloc。
情况 1 - df[i:j]
情况 2 -
df['idx_i':'idx_j']情况 3 -
df.loc['idx_i':'idx_j', :]情况 4 -
df.iloc[i:j, :]
和切片单个 index 相比：
情况 1 用 [i:j] 来获取行 i+1 到行 j 的 sub-DataFrame
情况 2 用 ['idx_i':'idx_j'] 来获取标签 i 到标签 j 的 sub-DataFrame
情况 3 用 loc 加 'idx_i':'idx_j' 来获取从标签 i 到标签 j 的 sub-DataFrame
情况 4 用 iloc 加 i:j 来获取从行 i+1 到行 j 的 sub-DataFrame
个人建议，只用 loc 和 iloc。情况 1 和 2 的 df[] 很容易混淆中括号 [] 里的到底是切片 index 还是 columns。
df[ 1:4 ]
用 [1:4] 获取第 2 到 4 行的 sub-DataFrame。
df[ 'GS':'WMT' ]
用 ['GS':'WMT'] 获取标签从'GS' 到 'WMT' 的 sub-DataFrame。(WMT = Walmart = 沃尔玛)
df.loc[ 'MS':'GS', : ]
用 loc 获取标签从 ‘MS‘ 到 'GS' 的 sub-DataFrame。注意 ‘MS’:’GS’ 要按着 index 里面元素的顺序，要不然会返回一个空的 DataFrame，比如：
df.loc[ 'MS':'JD', : ]
df.iloc[ 1:3, : ]
用 iloc 获取第 2 到 3 行的 sub-DataFrame。
切片多个 index 的总结图：
3.4
切片 index 和 columns
切片多个 index 和 columns 会返回一个 sub-DataFrame，有以下两种情况。情况 1 基于标签 loc，情况 2 基于位置 iloc。
情况 1 -
df.loc['idx_i':'idx_j', 'attr_k':'attr_l']情况 2 -
df.iloc[i:j, k:l]
清清楚楚，明明白白，用 loc 和 iloc。
df.loc[ 'GS':'WMT', '价格': ]
用 loc 获取行标签从 ‘GS‘ 到 'WMT'，列标签从'价格'到最后的 sub-DataFrame。
df.iloc[ :2, 1:3 ]
用 iloc 获取第 1 到 2 行，第 1 到 2 列的 sub-DataFrame。
切片 index 和 columns 的总结图：
3.5
高级索引
高级索引 (advanced indexing) 可以用布尔索引 (boolean indexing) 和调用函数 (callable function) 来实现，两种方法都返回一组“正确”的索引，而且可以和 loc , iloc , [] 一起套用，具体形式有以下常见几种：
df.loc[布尔索引, :]
df.iloc[布尔索引, :]
df[布尔索引]
df.loc[调用函数, :]
df.iloc[调用函数, :]
df[调用函数]
还有以下罕见几种：
df.loc[:, 布尔索引]
df.iloc[:, 布尔索引]
df.loc[:, 调用函数]
df.iloc[:, 调用函数]
读者可以想一想为什么第一组形式「常见」而第二组形式「罕见」呢？(Hint: 看看两组里冒号 : 在不同位置，再想想 DataFrame 每一行和每一列中数据的特点)
在〖
当我们要过滤掉雇员小于 100,000 人的公司，我们可以用 loc 加上布尔索引。
print( df.雇员 >= 100000 )
df.loc[ df.雇员 >= 100000, : ]
一种更简便的表达形式是用 df[]，但是我个人不喜欢 []，总觉得会引起「到底在切片 index 还是 columns」的歧义。
df[ df.雇员 >= 100000 ]
现在来看一个「罕见」例子，假如我们想找到所有值为整数型的 columns
print( df.dtypes == 'int64' )
df.loc[ :, df.dtypes == 'int64' ]
调用函数是只能有一个参数 (DataFrame, Series) 并返回一组索引的函数。因为调用函数定义在 loc , iloc , [] 里面，因此它就像在〖〗提过的匿名函数。
当我们要找出交易量大于平均交易量的所有公司，我们可以用 loc 加上匿名函数 (这里 x 代表 df)。
df.loc[ lambda x: x.交易量 > x.交易量.mean() , : ]
在上面基础上再加一个条件 -- 价格要在 100 之上 (这里 x 还是代表 df)
df.loc[ lambda x: (x.交易量 > x.交易量.mean())
& (x.价格 > 100), : ]
最后来看看价格大于 100 的股票 (注意这里 x 代表 df.价格)
df.价格.loc[ lambda x: x > 100 ]代号
BABA 176.92
AAPL 172.97
GS 196.00
Name: 价格, dtype: float643.6
多层索引
在 Panel 那节已经提到过，多层索引可以将「低维数据」升维到「高维数据」，此外，多层索引还可以。。。。
首先定义一个 Series，注意它的 index 是一个二维列表，列表第一行 dates 作为第一层索引，第二行 codes 作为第二层索引。
price = [190,32,196,192,200,189,31,30,199]
dates = ['2019-04-01']*3 + ['2019-04-02']*2
+['2019-04-03']*2 + ['2019-04-04']*2
codes = ['BABA','JD','GS','BABA','GS','BABA','JD','JD','GS']
data = pd.Series( price,
index=[ dates, codes ])
data2019-04-01 BABA 190
JD 32
GS 196
2019-04-02 BABA 192
GS 200
2019-04-03 BABA 189
JD 31
2019-04-04 JD 30
GS 199
dtype: int64这个 Series 存储了四天里若干股票的价格，2019-04-01 储存了阿里巴巴、京东和高盛的股价，2019-04-04 只储存了京东和高盛的股价。试想，如果不用多层索引的 Series，我们需要用一个 DataFrame 来存储在这样的数据，把 index 设置成 dates，把 colums 设置成 codes。
让我们看看 Series 的多层 index 是如何表示的
data.indexMultiIndex(levels=[['2019-04-01', '2019-04-02', '2019-04-03', '2019-04-04'],
['BABA', 'GS', 'JD']],
labels=[[0, 0, 0, 1, 1, 2, 2, 3, 3],
[0, 2, 1, 0, 1, 0, 2, 2, 1]])输出是一个 MultiIndex 的对象，里面有 levels 和 labels 二类信息。
索引既然分多层，那么肯定分「内层」和「外层」把，levels 就是描述层的先后的。levels 是一个二维列表，每一行只存储着「唯一」的索引信息：
dates 是第一层索引，有 4 个「唯一」元素
codes 是第二层索引，有 3 个「唯一」元素
但是 data 里面有九行啊，4 个 dates 和 3 个 codes 怎么能描述这九行信息呢？这就需要 labels 了。labels 也是一个二维列表：
第一行储存 dates 每个元素在 data 里的位置索引
第二行储存 codes 每个元素在 data 里的位置索引
用 [] 加第一层索引可以获取第一层信息。
data['2019-04-02']BABA 192
GS 200
dtype: int64同理，用 loc 加第一层索引也可以切片获取第一层信息。
data.loc['2019-04-02':'2019-04-04']2019-04-02 BABA 192
GS 200
2019-04-03 BABA 189
JD 31
2019-04-04 JD 30
GS 199
dtype: int64此外，切片还可以在不同层上进行，下面 loc 中的冒号 : 表示第一层所有元素，‘GS’ 表示第二层标签为 ‘GS’。
data.loc[ :, 'GS' ]2019-04-01 196
2019-04-02 200
2019-04-04 199
dtype: int64Series 只有 index，上面刚介绍完多层 index，DataFrame 有 index 和 columns，它们可以设置成多层吗？下面代码用 MultiIndex 函数创建「多层 index 」midx 和「多层columns」mcol。
midx 和 mcol 都是对象，各种都有 levels, labels, names 等性质。
data = [ ['电商', 101550, 176.92, 16175610],
['电商', 175336, 25.95, 27113291],
['金融', 60348, 41.79, 10132145],
['金融', 36600, 196.00, 2626634] ]
midx = pd.MultiIndex(
levels=[['中国','美国'],
['BABA', 'JD', 'GS', 'MS']],
labels=[[0,0,1,1],[0,1,2,3]],
names=['地区', '代号'])
mcol = pd.MultiIndex(
levels=[['公司数据','交易数据'],
['行业','雇员','价格','交易量']],
labels=[[0,0,1,1],[0,1,2,3]],
names=['概括','细分'])
df = pd.DataFrame(data, index=midx, columns=mcol)
df
这个 DataFrame 的 index 和 columns 都有两层，严格来说是个四维数据。下面看看如何进行「多层索引」的操作吧。
在第一层 columns 的 ‘公司数据’ 和第二层 columns 的 ‘行业’ 做索引，得到一个含两层 index 的 Series。
# 1st level-1 column, 2nd level-2 column
df['公司数据','行业']地区 代号
中国 BABA 电商
JD 电商
美国 GS 金融
MS 金融
Name: (公司数据, 行业), dtype: object在第一层 index 的 ‘中国’ 做切片，得到一个含两层 columns 的 DataFrame。
df.loc['中国'].loc['BABA':'JD']
如果你不喜欢 index level 的顺序，可用 swaplevel 将它们调位。
df.swaplevel('地区', '代号')
如果你不喜欢 columns level 的顺序，也可用 swaplevel 将它们调位。
df.columns = df.columns.swaplevel(0,1)
df
有时候，一个 DataFrame 的一个或者多个 columns 适合做 index，这时可用 set_index 将它们设置为 index，如果要将 index 还原成 columns，那么用 reset_index 。
看下面这个例子。
data = {'地区': ['中国', '中国', '美国', '美国'],
'代号': ['BABA', 'JD', 'MS', 'GS'],
'行业': ['电商', '电商', '金融', '金融'],
'价格': [176.92, 25.95, 41.79, 196.00],
'交易量': [16175610, 27113291, 10132145, 2626634],
'雇员': [101550, 175336, 60348, 36600] }
df = pd.DataFrame( data )
df
将「地区」和「代号」设置为第一层 index 和第二层 index。
df2 = df.set_index( ['地区','代号'] )
df2
将所有 index 变成 columns。
df2.reset_index()
Pandas 里面的数据结构是多维数据表，细化为一维的 Series，二维的 DataFrame，三维的 Panel。
多维数据表 = 多维数组 + 描述
其中
Series = 1darray + index
DataFrame = 2darray + index + columns
Panel = 3darray + index + columns + item
pd 多维数据表和 np 多维数组之间的类比关系如下图所示。
【创建数据表】创建 Series, DataFrame, Panel 用下面语句
pd.Series(x, index=idx)
pd.DataFrame(x, index=idx, columns=col)
pd.Panel(x, item=itm, major_axis=n1, minor_axis=n2)
DataFrame 由多个 Series 组成，Panel 有多个 DataFrame 组成。Series 非常类似于一维的 DataFrame，Panel 未来会被废掉，因此学 Pandas 把注意力放在 DataFrame 上即可。
【索引和切片数据表】在索引或切片 DataFrame，有很多种方法。最好记的而不易出错的是用基于位置的 at 和 loc，和基于标签的 iat 和 iloc，具体来说，索引用 at 和 iat，切片用 loc 和 iloc。带 i 的基于位置，不带 i 的基于标签。
用 MultiIndex 可以创建多层索引的对象，获取 DataFrame df 的信息可用
df.loc[1st].loc[2nd]
df.loc[1st].iloc[2nd]
df.iloc[1st].loc[2nd]
df.iloc[1st].iloc[2nd]
要调换 level 可用
df.index.swaplevel(0,1)
df.columns.swaplevel(0,1)
要设置和重设 index 可用
df.set_index( columns )
df.reset_index
下篇讨论 Pandas 系列的后三节，分别是
「数据表的合并和连接」
「数据表的重塑和透视」
「数据表的分组和整合」
Stay Tuned!