python numpy和pandas数据处理_python，numpy，pandas数据处理之小技巧

今日是端午4天假期的最后一天，自己的2台电脑一台在处理数据，另一台电源适配器也坏掉了。感觉闲来无事，在此就简单聊聊numpy和pandas的各种冷知识、小技巧和疑难杂症。

个人觉得关于numpy和pandas的坑太大，不好填，在此就不系统的介绍了，各位可以买些这块的资料先自己看看。

这里就着重聊聊一些使用过程中常用到但教科书里找不着的问题，省的各位朋友还跑去stackoverflow找答案。

问题一、dataframe里面.values，.iloc，.ix，.loc的区别？

只有values是将原本dataframe数据强制转化为numpy格式的数据来索引，其他3个都是对dataframe本身的数据来索引，其中iloc是对基于values的位置来索引调用，loc是对index和columns的位置来索引，而ix则是先用loc的方式来索引，索引失败就转成iloc的方式；

问题二、可否有两层，或2层以上的columns或index？有的话如何索引？

可以，索引的话如果用loc或ix，则默认是用第一层的index或columns，最简单的方式是类似于这样：

example.loc[index1, columns1].loc[index2, columns2]

问题三、list, dict, numpy.ndarray, dataframe数据格式如何转换？

1. list转化为numpy.ndarray：

np.array(example)

2. numpy.ndarray转化为list：

list(example)

3. dict转化为dataframe:

example['a'] = {'bb':2, 'cc':3}

eee = pd.DataFrame(example)

4. numpy.ndarray转化为dataframe:

pd.DataFrame(example)

5. dataframe转化为numpy.ndarray：

example.values[:, :]

问题四、numpy.ndarray和dataframe如何填补nan，inf？

1. 对于numpy.ndarray来说：

example = np.where(np.isnan(example), 0, example)

example = np.where(np.isnan(example), 0, example)

2. 对于dataframe来说：

既可以用example.fillna(),还可以用example.replace(a, b)

问题五、各种OI的效率快慢问题？

1. npy读写效率最高，但最费硬盘空间，比如np.load(), np.save();

2. csv其次，比如pd.Dataframe.to_csv()，pd.load_csv()；

3. txt读写，当然也可以很快，但是需要频繁的split，对格式规范的数据比较麻烦；

4. 至于简单的excel和word，可以用xlrd,xlwt来操作；

问题六、关于常见的os操作，包括新建文件夹、遍历文件夹的操作问题？

1. 新建文件夹：

if not os.path.isdir(path_out):

os.makedirs(path_out)

2. 遍历所有文件和子文件夹：

for a, b, filenames in os.walk(path_data):

for filename in filenames:

只遍历当前文件，不包含子文件夹：

for a, b, filenames in os.walk(path_data):

for filename in filenames:

if a == path_data:

问题七、numpy.ndarray和dataframe如何选取满足条件的行和列数据？

1. 根据新的columns来选取：

frame_[newcolumns]

2. 根据新的index来选取：

frame_[frame_.index.isin(newindex)]3. 根据某一行或者列的条件来选取：

假如是根据dataframe的第一列，必须大于start_time这个常数，frame_ = frame_.ix[:, frame_.ix[0, :] >= start_date]

或者是根据dataframe的第一行，必须大于start_time这个常数，frame_ = frame_.ix[frame_.ix[:, 0] >= start_date, :]

问题八、如何计算相关性矩阵？

将y和所有x放入到sample = numpy.ndarray下，然后直接np.corrcoef(sample )，默认的是皮尔森相关系数，当然，也可以用ranked correlation，也就是spearman correlation，可以直接用scipy.stats.spearmanr。

问题九、如何取出一串字符串里面的字母或者数字？

1. 取出example里面的数字：

int(''.join(x for x in example if x.isdigit()))

2. 取出example里面的字母：

(''.join(x for x in example if x.alpha()))

问题十、各种merge操作？

1. 纵向merge 格式为numpy.ndarray的数据：

np.hstack((example1, example2))

2. 纵向merge 格式为dataframe的数据，并根据dataframe的index来merge，merge后保留原本各自列的所有index，其他没有该index的列则对应数值为nan：

pd.concat([example1, example2], axis=1)

3. 纵向merge，但是只保留公共的index行：

example.sort_index(axis=1, inplace=True)

4. 横向merge格式为numpy.ndarray的数据：

np.vstack((example1, example2))

5. 横向merge 格式为dataframe的数据，并根据dataframe的column来merge，merge后保留原本的index和columns，其他没有该index或columns的列则对应数值为np.nan：

pd.concat([example1, example2], axis=0)

6. 横向merge，但是只保留公共的columns列：

example.sort_index(axis=0, inplace=True)

问题十一、对dataframe数据的index统一加一个后缀

比如对原本dataframe下的index=[‘aa’, 'cc', 'dddddd']的，统一加上一个_5m的后缀，通常的操作大家一般就是直接example.index = [x + '_5m' for x in example.index]，这个其实会产生些小问题，因为默认的index是pandas.indexes.base.Index，这个格式可能会默认index里面数据的长度是确定的，导致加_5m后缀失败，所以需要先把格式强制转化为list, 像这样：example.index = [x + '_5m' for x in list(example.index)]

先就这些吧，其他的想到再慢慢加。