Numpy已经能够帮助我们处理数据,能够结合matplotlib解决部分数据展示等问题,那么pandas学习的目的在什么地方呢?
Pandas中一共有三种数据结构,分别为:Series、DataFrame和MultiIndex(老版本中叫Panel )。
其中Series是一维数据结构,DataFrame是二维的表格型数据结构,MultiIndex是三维的数据结构。
# 导入pandas
import pandas as pd
pd.Series(data=None, index=None, dtype=None)
参数:
# 指定内容,默认索引
pd.Series(np.arange(10))
# 指定索引
pd.Series([6.7,5.6,3,10,2], index=[1,2,3,4,5])
# 通过字典数据创建
color_count = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
为了更方便地操作Series对象中的索引和数据,Series中提供了两个属性index和values
color_count = pd.Series({'red':100, 'blue':200, 'green': 500, 'yellow':1000})
color_count.index
# 结果
Index(['blue', 'green', 'red', 'yellow'], dtype='object')
values
color_count.values
# 结果
array([ 200, 500, 100, 1000])
也可以使用索引来获取数据:
color_count[2]
# 结果
100
DataFrame是一个类似于二维数组或表格(如excel)的对象,既有行索引,又有列索引
# 导入pandas
import pandas as pd
pd.DataFrame(data=None, index=None, columns=None)
例如
pd.DataFrame(np.random.randn(2,3))
# 生成10名同学,5门功课的数据
score = np.random.randint(40, 100, (10, 5))
# 使用Pandas中的数据结构
# 构造行索引序列
subjects = ["语文", "数学", "英语", "政治", "体育"]
# 构造列索引序列
stu = ['同学' + str(i) for i in range(score_df.shape[0])]
# 添加行索引
data = pd.DataFrame(score, columns=subjects, index=stu)
shape
data.shape
# 结果
(10, 5)
index:DataFrame的行索引列表
data.index
# 结果
Index(['同学0', '同学1', '同学2', '同学3', '同学4', '同学5', '同学6', '同学7', '同学8', '同学9'], dtype='object')
columns:DataFrame的列索引列表
data.columns
# 结果
Index(['语文', '数学', '英语', '政治', '体育'], dtype='object')
values
data.values
T:转置
data.T
head(5):显示前5行内容,如果不补充参数,默认5行。填入参数N则显示前N行
data.head(5)
tail(5):显示后5行内容,如果不补充参数,默认5行。填入参数N则显示后N行
data.tail(5)
stu = ["学生_" + str(i) for i in range(score_df.shape[0])]
# 必须整体全部修改
data.index = stu
# 重置索引,drop=False
data.reset_index()
# 重置索引,drop=True
data.reset_index(drop=True)
set_index(keys, drop=True)
df = pd.DataFrame({'month': [1, 4, 7, 10], 'year': [2012, 2014, 2013, 2014], 'sale':[55, 40, 84, 31]})
# 以月份设置新的索引
df.set_index('month')
# 设置多个索引,以年和月份
df = df.set_index(['year', 'month'])
MultiIndex是三维的数据结构;
多级索引(也称层次化索引)是pandas的重要功能,可以在Series、DataFrame对象上拥有2个以及2个以上的索引。
# 打印上面的索引结果
df.index
MultiIndex(levels=[[2012, 2013, 2014], [1, 4, 7, 10]],
labels=[[0, 2, 1, 2], [0, 1, 2, 3]],
names=['year', 'month'])
多级或分层索引对象。
df.index.names
# FrozenList(['year', 'month'])
df.index.levels
# FrozenList([[1, 2], [1, 4, 7, 10]])
arrays = [[1, 1, 2, 2], ['red', 'blue', 'red', 'blue']]
pd.MultiIndex.from_arrays(arrays, names=('number', 'color'))
# 结果
MultiIndex(levels=[[1, 2], ['blue', 'red']],
codes=[[0, 0, 1, 1], [1, 0, 1, 0]],
names=['number', 'color'])
Panel的创建
class pandas.Panel
(data=None, items=None, major_axis=None, minor_axis=None)
p = pd.Panel(data=np.arange(24).reshape(4,3,2),
items=list('ABCD'),
major_axis=pd.date_range('20130101', periods=3),
minor_axis=['first', 'second'])
# 结果
<class 'pandas.core.panel.Panel'>
Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis)
Items axis: A to D
Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00
Minor_axis axis: first to second
查看panel数据
p[:,:,"first"]
p["B",:,:]
我们的数据大部分存在于文件当中,所以pandas会支持复杂的IO操作,pandas的API支持众多的文件格式,如CSV、SQL、XLS、JSON、HDF5, 最常用的HDF5和CSV文件 。
# 读取文件,并且指定只获取'open', 'close'指标
data = pd.read_csv("./data/stock_day.csv", usecols=['open', 'close'])
data.head()
DataFrame.to_csv(path_or_buf=None, sep=’, ’, columns=None, header=True, index=True, mode=‘w’, encoding=None)
举例:保存读取出来的股票数据
# 选取10行数据保存,便于观察数据
data[:10].to_csv("./data/test.csv", columns=['open'])
# 读取,查看结果
pd.read_csv("./data/test.csv")
会发现将索引存入到文件当中,变成单独的一列数据。如果需要删除,可以指定index参数,删除原来的文件,重新保存一次。
# index:存储不会讲索引值变成一列数据
data[:10].to_csv("./data/test.csv", columns=['open'], index=False)
需要安装安装tables模块避免不能读取HDF5文件
pip install tables
HDF5文件的读取和存储需要指定一个键,值为要存储的DataFrame
pandas.read_hdf(path_or_buf,key =None,** kwargs)
从h5文件当中读取数据
DataFrame.to_hdf(path_or_buf, key, **kwargs)
# 读取文件
day_close = pd.read_hdf("./data/day_close.h5")
# 存储文件
day_close.to_hdf("./data/test.h5", key="day_close")
# 再次读取的时候, 需要指定键的名字
new_close = pd.read_hdf("./data/test.h5", key="day_close")
注意:优先选择使用HDF5文件存储
JSON是我们常用的一种数据交换格式,前面在前后端的交互经常用到,也会在存储的时候选择这种格式。所以我们需要知道Pandas如何进行读取和存储JSON格式。
pandas.read_json(path_or_buf=None, orient=None, typ=‘frame’, lines=False)
将JSON格式准换成默认的Pandas DataFrame格式
orient : string,Indication of expected JSON string format.
‘split’ : dict like {index -> [index], columns -> [columns], data -> [values]}
‘records’ : list like [{column -> value}, … , {column -> value}]
columns:values
的形式输出‘index’ : dict like {index -> {column -> value}}
index:{columns:values}...
的形式输出‘columns’ : dict like {column -> {index -> value}}
,默认该格式
columns:{index:values}
的形式输出‘values’ : just the values array
lines : boolean, default False
typ : default ‘frame’, 指定转换成的对象类型series或者dataframe
DataFrame.to_json(path_or_buf=Noneorient=Nonelines=False
# orient指定存储的json格式,lines指定按照行去变成一个样本
json_data = pd.read_json(path_or_buf="./data/Sarcasm_Headlines_Dataset.json", orient="records", lines=True)
json_data.head()
# 存储文件
json_data.to_json("./data/test.json", orient='records', lines=True)
# 读取文件
new_json = pd.read_json(path_or_buf="./data/test.json", orient="records", lines=True)
new_json.head()
Numpy当中我们已经讲过使用索引选取序列和切片选择,pandas也支持类似的操作,也可以直接使用列名、行名
称,甚至组合使用。
直接索引,必须先列后行
# # 直接使用行列索引名字的方式(必须先列后行)
data['open']['2018-02-27']
结合loc(索引)或者iloc(索引的下标)使用索引
# 使用loc:只能指定行列索引的名字
data.loc['2018-02-27':'2018-02-22', 'open']
# 使用iloc可以通过索引的下标去获取
# 获取前3天数据,前5列的结果
data.iloc[:3, :5]
使用ix组合索引
# 使用ix进行下表和名称组合做引
# 前4天的'open', 'close', 'high', 'low'列数据
data.ix[0:4, ['open', 'close', 'high', 'low']]
# 推荐使用loc和iloc来获取的方式
data.loc[data.index[0:4], ['open', 'close', 'high', 'low']]
data.iloc[0:4, data.columns.get_indexer(['open', 'close', 'high', 'low'])]
# 对DataFrame当中的close列进行重新赋值为1
# 直接修改原来的值
data['close'] = 1
# 或者
data.close = 1
排序有两种形式,一种对于索引进行排序,一种对于内容进行排序
# 按照开盘价大小进行排序 , 使用ascending指定按照大小排序
data.sort_values(by="open", ascending=True).head()
# 按照多个键进行排序
data.sort_values(by=['open', 'high'])
# 参数:
# - by:指定排序参考的键
# - ascending:默认升序
# - ascending=False:降序
# - ascending=True:升序
# 对索引进行排序
data.sort_index()
# series排序时,只有一列,不需要参数
data['p_change'].sort_values(ascending=True).head()
# 对索引进行排序
data['p_change'].sort_index().head()
# 语法:add(other) 加法
data["open"].add(1)
# 语法:sub(other) 减法
data["open"].sub(1)
# 逻辑判断的结果可以作为筛选的依据
data["open"].head() > 23
data[data["open"] > 23].head()
# 完成多个逻辑判断
data[(data["open"] > 23) & (data["open"] < 24)].head()
# 语法:query(expr),expr:查询字符串
data.query("open<24 & open>23").head()
# 语法:isin(values),可以指定值进行一个判断,从而进行筛选操作
# 判断'open'是否为23.53和23.85
data[data["open"].isin([23.53, 23.85])]
count
, mean
, std
, min
, max
等# 计算平均值、标准差、最大值、最小值等
# 语法:data.describe()
Numpy当中已经详细介绍,在这里我们演示min(最小值), max(最大值), mean(平均值), median(中位数), var(方差), std(标准差),mode(众数)结果:
count |
Number of non-NA observations |
---|---|
sum |
Sum of values |
mean |
Mean of values 平均值 |
median |
Arithmetic median of values 中位数 |
min |
Minimum |
max |
Maximum |
mode |
Mode |
abs |
Absolute Value |
prod |
Product of values |
std |
Bessel-corrected sample standard deviation |
var |
Unbiased variance |
idxmax |
compute the index labels with the maximum |
idxmin |
compute the index labels with the minimum |
对于单个函数去进行统计的时候,坐标轴还是按照默认列“columns” (axis=0, default),如果要对行“index” 需要指定(axis=1)
举例:
# 使用统计函数:0 代表列求结果, 1 代表行求统计结果, data.max(1)
data.max() # data.max(0)
# 方差:std(),标准差:var()
data.std(0)
data.var(0)
# 中位数 median(),中位数为将数据从小到大排列,在最中间的那个数为中位数。如果没有中间数,取中间两个数的平均值。
df = pd.DataFrame({'COL1' : [2,3,4,5,4,2],
'COL2' : [0,1,2,3,4,2]})
df.median()
# 结果
# COL1 3.5
# COL2 2.0
# dtype: float64
# 求最大值最小值的位置:idxmax()、idxmin()
data.idxmax(axis=0)
data.idxmin(axis=0)
函数 | 作用 |
---|---|
cumsum |
计算前1/2/3/…/n个数的和 |
cummax |
计算前1/2/3/…/n个数的最大值 |
cummin |
计算前1/2/3/…/n个数的最小值 |
cumprod |
计算前1/2/3/…/n个数的积 |
以上这些函数可以对series和dataframe操作
这里我们按照时间的从前往后来进行累计
# 排序
data = data.sort_index()
# 对p_change进行求和
stock_rise = data["p_change"]
# plot方法集成了前面直方图、条形图、饼图、折线图
stock_rise.cumsum()
import matplotlib.pyplot as plt
# plot显示图形
stock_rise.cumsum().plot()
# 需要调用show,才能显示出结果
plt.show()
data[['open', 'close']].apply(lambda x: x.max() - x.min(), axis=0)
现在我们有一组从2006年到2016年1000部最流行的电影数据
数据来源:https://www.kaggle.com/damianpanek/sunday-eda/data
wis = pd.read_csv("https://www.kaggle.com/damianpanek/sunday-eda/data")
#内嵌画图
%matplotlib inline
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
#文件的路径
path = "./data/IMDB-Movie-Data.csv"
#读取文件
df = pd.read_csv(path)
得出评分的平均分
df["Rating"].mean()
得出导演人数信息
## 导演的人数
# df["Director"].unique().shape[0]
np.unique(df["Director"]).shape[0]
对于这一组电影数据,如果我们想Rating,Runtime (Minutes)的分布情况,应该如何呈现数据?
直接呈现,以直方图的形式
df["Rating"].plot(kind='hist',figsize=(20,8))
Rating进行分布展示
plt.figure(figsize=(20,8),dpi=80)
plt.hist(df["Rating"].values,bins=20)
# 求出最大最小值
max_ = df["Rating"].max()
min_ = df["Rating"].min()
# 生成刻度列表
t1 = np.linspace(min_,max_,num=21)
# [ 1.9 2.255 2.61 2.965 3.32 3.675 4.03 4.385 4.74 5.095 5.45 5.805 6.16 6.515 6.87 7.225 7.58 7.935 8.29 8.645 9. ]
# 修改刻度
plt.xticks(t1)
# 添加网格
plt.grid()
plt.show()
Runtime (Minutes)进行分布展示
plt.figure(figsize=(20,8),dpi=80)
plt.hist(df["Runtime (Minutes)"].values,bins=20)
# 求出最大最小值
max_ = df["Runtime (Minutes)"].max()
min_ = df["Runtime (Minutes)"].min()
# 生成刻度列表
t1 = np.linspace(min_,max_,num=21)
# [ 1.9 2.255 2.61 2.965 3.32 3.675 4.03 4.385 4.74 5.095 5.45 5.805 6.16 6.515 6.87 7.225 7.58 7.935 8.29 8.645 9. ]
# 修改刻度
plt.xticks(t1)
# 添加网格
plt.grid()
plt.show()
对于这一组电影数据,如果我们希望统计电影分类(genre)的情况,应该如何处理数据?
思路分析
实现
# 1.创建一个全为0的dataframe,列索引置为电影的分类
temp_list = [i.split(",") for i in df["Genre"]]
# 获取电影的分类(去重)
genre_list = np.unique([i for j in temp_list for i in j])
# 增加新的列
temp_df = pd.DataFrame(np.zeros([df.shape[0],genre_list.shape[0]]),columns=genre_list)
# 2.遍历每一部电影,temp_df中把分类出现的列的值置为1
for i in range(1000):
# temp_list[i] ['Action','Adventure','Animation']
temp_df.ix[i,temp_list[i]]=1
# 求和 sum(),默认按列“columns”axis=0
print(temp_df.sum().sort_values())
temp_df.sum().sort_values().plot(kind="bar")