python学习笔记二（pandas基础）

大写的吐槽：暑假提前结束，实验室项目越来越紧，略烦躁（不喜欢做的项目），没啥自由学习的时间了。只有抽些零散的时间去准备数据挖掘比赛相关的东西。最近关注的大神 wepon,bryan的博客，干货多多！
PS: 实验室师兄们找工作也是压力山大，祝他们好运！

今天继续pandas基础学习，参考资料还是来自以下网址，练习数据换成自己的，加深印象：
http://www.open-open.com/lib/view/open1402477162868.html

对象属性

首先导入pandas:

from pandas import Series,DataFrame
import pandas as pd

重新索引

Series 对象的重新索引通过其 .reindex(index=None,**kwargs) 方法实现。**kwargs中常用的参数有俩：method=None,fill_value=np.NaN：

ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c'])
>>> a = ['a','b','c','d','e']
>>> ser.reindex(a)
a   -5.3
b    7.2
c    3.6
d    4.5
e    NaN
dtype: float64
>>> ser.reindex(a,fill_value=0)
a   -5.3
b    7.2
c    3.6
d    4.5
e    0.0
dtype: float64
>>> ser.reindex(a,method='ffill')
a   -5.3
b    7.2
c    3.6
d    4.5
e    4.5
dtype: float64
>>> ser.reindex(a,fill_value=0,method='ffill')
a   -5.3
b    7.2
c    3.6
d    4.5
e    4.5
dtype: float64

.reindex() 方法会返回一个新对象，其 index 严格遵循给出的参数，method:{'backfill', 'bfill', 'pad', 'ffill', None} 参数用于指定插值（填充）方式，当没有给出时，自动用 fill_value 填充，默认为 NaN（ffill = pad，bfill = back fill，分别指插值时向前还是向后取值）

DataFrame 对象的重新索引方法为：.reindex(index=None,columns=None,kwargs)。仅比 Series 多了一个可选的 columns 参数，用于给列索引。用法与上例类似，只不过插值方法 method 参数只能应用于行，即轴 0。DataFrame 对象的重新索引方法为：.reindex(index=None,columns=None,kwargs)。仅比 Series 多了一个可选的 columns 参数，用于给列索引。用法与上例类似，只不过插值方法 method 参数只能应用于行，即轴 0。

>>> data={'a':[1,3,5,7],'b':[2,4,6,8]}
>>> data
{'a': [1, 3, 5, 7], 'b': [2, 4, 6, 8]}
>>> df = DataFrame(data)
>>> df
a  b
0  1  2
1  3  4
2  5  6
3  7  8
>>> state=['a','c','b']
>>> df.reindex(columns=state,method='ffill')
a   c  b
0  1 NaN  2
1  3 NaN  4
2  5 NaN  6
3  7 NaN  8 
>>> df.reindex(index=[0,1,2,3,4],columns=state,method='ffill')
a   c  b
0  1 NaN  2
1  3 NaN  4
2  5 NaN  6
3  7 NaN  8
4  7 NaN  8

fill_value仍然有效：

>>> df.reindex(index=[0,1,2,3,4],columns=state,fill_value=0)
a  c  b
0  1  0  2
1  3  0  4
2  5  0  6
3  7  0  8
4  0  0  0

删除指定轴上的项

即删除 Series 的元素或 DataFrame 的某一行（列）的意思，通过对象的 .drop(labels, axis=0) 方法：

>>> ser
d    4.5
b    7.2
a   -5.3
c    3.6
dtype: float64
>>> df
a  b
0  1  2
1  3  4
2  5  6
3  7  8
>>> ser.drop('c')
d    4.5
b    7.2
a   -5.3
dtype: float64
>>> df.drop(2)
a  b
0  1  2
1  3  4
3  7  8
>>> df.drop(['b'],axis=1)
a
0  1
1  3
2  5
3  7
>>> df.drop(['a','b'],axis=1)
Empty DataFrame
Columns: []
Index: [0, 1, 2, 3]

.drop() 返回的是一个新对象，元对象不会被改变。

索引和切片

就像 Numpy，pandas 也支持通过 obj[::] 的方式进行索引和切片，以及通过布尔型数组进行过滤。

不过须要注意，因为 pandas 对象的 index 不限于整数，所以当使用非整数作为切片索引时，它是末端包含的。

>>> ser
d    4.5
b    7.2
a   -5.3
c    3.6
dtype: float64
>>> ser[:2]
d    4.5
b    7.2
dtype: float64
>>> ser[:'c']
d    4.5
b    7.2
a   -5.3
c    3.6
dtype: float64

当使用整数索引切片时，结果与 Python 列表或 Numpy 的默认状况相同；换成 ‘c’ 这样的字符串索引时，结果就包含了这个边界元素。

另外一个特别之处在于 DataFrame 对象的索引方式，因为他有两个轴向（双重索引）。

可以这么理解：DataFrame 对象的标准切片语法为：.ix[::,::]。ix 对象可以接受两套切片，分别为行（axis=0）和列（axis=1）的方向：

>>> df
   a  b
0  1  2
1  3  4
2  5  6
3  7  8
>>> df.ix[:2,:2]
   a  b
0  1  2
1  3  4
2  5  6
>>> df.ix[:1,:'b']
   a  b
0  1  2
1  3  4
>>> df.ix[:0,:'a']
a
0  1

而不使用 ix ，直接切的情况就特殊了：

• 索引时，选取的是列
• 切片时，选取的是行

如下：

>>> df['a']
0    1
1    3
2    5
3    7
Name: a, dtype: int64
>>> df[:2]
   a  b
0  1  2
1  3  4
>>> df['b']
0    2
1    4
2    6
3    8
Name: b, dtype: int64

使用布尔型数组的情况，注意行与列的不同切法（列切法的 : 不能省）：

>>> df['b']>4
0    False
1    False
2     True
3     True
Name: b, dtype: bool
>>> df[df['b']>4]
   a  b
2  5  6
3  7  8
>>> df.ix[:,df.ix[2]>5]
   b
0  2
1  4
2  6
3  8

算术运算和数据对齐

pandas 最重要的一个功能是，它可以对不同索引的对象进行算术运算。在将对象相加时，结果的索引取索引对的并集。自动的数据对齐在不重叠的索引处引入空值，默认为 NaN。

>>> foo = Series({'a':1,'b':2})
>>> foo
a    1
b    2
dtype: int64
>>> bar = Series({'b':3,'d':4})
>>> bar
b    3
d    4
dtype: int64
>>> foo + bar
a   NaN
b     5
d   NaN
dtype: float64

DataFrame 的对齐操作会同时发生在行和列上。
当不希望在运算结果中出现 NA 值时，可以使用前面 reindex 中提到过 fill_value 参数，不过为了传递这个参数，就需要使用对象的方法，而不是操作符：df1.add(df2,fill_value=0)。其他算术方法还有：sub(), div(), mul()。

函数应用和映射

Numpy 的 ufuncs（元素级数组方法）也可用于操作 pandas 对象。
当希望将函数应用到 DataFrame 对象的某一行或列时，可以使用 .apply(func, axis=0, args=(), **kwds) 方法。

>>> f = lambda x:x.max()-x.min()
>>> df
   a  b
0  1  2
1  3  4
2  5  6
3  7  8
>>> df.apply(f)
a    6
b    6
dtype: int64
>>> df.apply(f,axis=1)
0    1
1    1
2    1
3    1
dtype: int64

排序和排名

Series 的 sort_index(ascending=True) 方法可以对 index 进行排序操作，ascending 参数用于控制升序或降序，默认为升序。

若要按值对 Series 进行排序，当使用 .order() 方法，任何缺失值默认都会被放到 Series 的末尾。

在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一个轴向的选择参数与一个 by 参数，by 参数的作用是针对某一（些）列进行排序（不能对行使用 by 参数）：

>>> df.sort_index(by=['a','b'],ascending=False)
   a  b
3  7  8
2  5  6
1  3  4
0  1  2
>>> df.sort_index(axis=1)
   a  b
0  1  2
1  3  4
2  5  6
3  7  8
>>> df.sort_index(axis=1,ascending=False)
   b  a   
0  2  1
1  4  3
2  6  5
3  8  7

排名（Series.rank(method='average', ascending=True)）的作用与排序的不同之处在于，他会把对象的 values 替换成名次（从 1 到 n）。这时唯一的问题在于如何处理平级项，方法里的 method 参数就是起这个作用的，他有四个值可选：average, min, max, first。

>>> ser=Series([3,2,0,3],index=list('abcd'))
>>> ser
a    3
b    2
c    0
d    3
dtype: int64
>>> ser.rank()
a    3.5
b    2.0  
c    1.0
d    3.5
dtype: float64
>>> ser.rank(method='max')
a    4
b    2
c    1
d    4
dtype: float64
>>> ser.rank(method='min')
a    3
b    2
c    1
d    3
dtype: float64
>>> ser.rank(method='first')
a    3
b    2
c    1
d    4
dtype: float64

注意在 ser[0]=ser[3] 这对平级项上，不同 method 参数表现出的不同名次。
DataFrame 的 .rank(axis=0, method=’average’, ascending=True) 方法多了个 axis 参数，可选择按行或列分别进行排名。

统计方法

pandas 对象有一些统计方法。它们大部分都属于约简和汇总统计，用于从 Series 中提取单个值，或从 DataFrame 的行或列中提取一个 Series。

比如 DataFrame.mean(axis=0,skipna=True) 方法，当数据集中存在 NA 值时，这些值会被简单跳过，除非整个切片（行或列）全是 NA，如果不想这样，则可以通过 skipna=False来禁用此功能：

>>> df = DataFrame(data,index=['one','two','three','four','five'],
...                columns=['year','state','pop','debt'])
>>> df
       year   state  pop debt
one    2000   Ohino  1.5  NaN
two    2001   Ohino  1.7  NaN
three  2002   Ohino  3.6  NaN
four   2001  Nevada  2.4  NaN
five   2002  Nevada  2.9  NaN
>>> df.mean()
year    2001.20
pop        2.42
dtype: float64
>>> df.mean(axis=1)
one      1000.75
two      1001.35
three    1002.80
four     1001.70
five     1002.45
>>> df.drop(['state'],axis=1)
       year  pop debt
one    2000  1.5  NaN
two    2001  1.7  NaN
three  2002  3.6  NaN
four   2001  2.4  NaN
five   2002  2.9  NaN
>>> df=df.drop(['state'],axis=1)
>>> df
       year  pop debt
one    2000  1.5  NaN
two    2001  1.7  NaN
three  2002  3.6  NaN
four   2001  2.4  NaN
five   2002  2.9  NaN
>>> df.mean()
year    2001.20
pop        2.42
debt        NaN
dtype: float64
>>> df.mean(axis=1)
one      1000.75
two      1001.35
three    1002.80
four     1001.70
five     1002.45
dtype: float64
>>> df.mean(axis=1,skipna=False)
one     NaN
two     NaN
three   NaN
four    NaN
five    NaN
dtype: float64

统计方法还有很多，就不一一列举了。

处理缺失数据

pandas 中 NA 的主要表现为 np.nan，另外 Python 内建的 None 也会被当做 NA 处理。

处理 NA 的方法有四种：dropna , fillna , isnull , notnull。

is(not)null

这一对方法对对象做元素级应用，然后返回一个布尔型数组，一般可用于布尔型索引。

dropna

对于一个 Series，dropna 返回一个仅含非空数据和索引值的 Series。

问题在于对 DataFrame 的处理方式，因为一旦 drop 的话，至少要丢掉一行（列）。这里的解决方式与前面类似，还是通过一个额外的参数：dropna(axis=0, how='any', thresh=None) ，how 参数可选的值为 any 或者 all。all 仅在切片元素全为 NA 时才抛弃该行(列)。另外一个有趣的参数是 thresh，该参数的类型为整数，它的作用是，比如 thresh=3，会在一行中至少有 3 个非 NA 值时将其保留。

fillna

fillna(value=None, method=None, axis=0) 中的 value 参数除了基本类型外，还可以使用字典，这样可以实现对不同的列填充不同的值。method 的用法与前面 .reindex() 方法相同，这里不再赘述。

inplace 参数

Series 和 DataFrame 对象的方法中，凡是会对数组作出修改并返回一个新数组的，往往都有一个 replace=False 的可选参数。如果手动设定为 True，那么原数组就可以被替换。

8/16/2016 11:33:45 PM 睡觉。明天继续，加油。