数分-工具-Pandas2-pandas基础

数分-工具-Pandas2-pandas基础

(AI算法系列)

1知识点

• 文件读取写入
  • 文件读取
  • 数据写入
• 基本数据结构
  • Series
  • DataFrame
• 常用基本函数
  • 汇总函数
  • 特征统计函数
  • 唯一值函数
  • 替换函数
  • 排序函数
  • apply方法
• 窗口对象
  • 滑窗对象
  • 扩展窗口
• 练习

2具体内容

2.1文件读取写入

2.1.1文件读取

1. csv

import pandas as pd
df_csv = pd.read_csv('')

2. excel

df_excel = pd.read_excel('')

3. txt

df_txt = pd.read_table('')

• header=None 表示第一行不作为列名
• index_col 表示把某一列或几列作为索引
• usecols 表示读取列的集合，默认读取所有的列
• parse_dates 表示需要转化为时间的列
• nrows 表示读取的数据行数。
• txt：sep自定义分隔符，指定python引擎；使用正则表达式时进行转义

2.1.2数据写入

index = False，保存时去除索引
to_csv可存txt文件，允许自定义分隔符\t

df_txt.to_csv('', sep='\t', index=False)

• to_markdown
• to_latex(tabulate包)

2.2基本数据结构

2.2.1Series

1.组成

• 序列的值data
• 索引index（也可指定索引名字，默认空）
• 存储类型dtype
• 序列名name
  2.object类型（混合类型）用‘.’获取属性值
• s.values
• s.index
• s.dtype
• s.name
• s.shape
• s[‘third’]取某个索引的值

2.2.2DataFrame-二维

构建，比Series多了列索引

• [col_name] 与 [col_list] 来取出相应的列与由多个列组成的表，结果分别为 Series 和 DataFrame
• 同样用‘.’获取属性值
• .T转置

2.3常用基本函数

df.columns

2.3.1汇总函数

• df.head()\df.tail()
• df.info()
• df.describe()(pandas-profiling包)

2.3.2特征统计函数

• sum
• mean
• median
• var
• std
• max
• min
• quantile 分位数
• count 非缺失值个数
• idxmax 最大值索引
  注：返回标量，聚合函数，axis=1逐行聚合，默认0逐列聚合

2.3.3唯一值函数g

• unique 唯一值组成的列表
• nunique 唯一值个数
• value_counts 唯一值和其对应出现的频数
• drop_duplicates多个列组合的唯一值
  • keep=[first,last,False]
    • first每个组合保留第一次出现的所在行
    • last保留嘴和一次出现的所在行
    • False把重复组合所在行剔除
• duplicated，返回是否为唯一值的布尔列表

2.3.4替换函数

• 映射替换
  • str.replace：正则替换
  • cat.codes
  • replace：字典构造；指定 method 参数为 ffill 则为用前面一个最近的未被替换的值进行替换，bfill 则使用后面最近的未被替换的值进行替换。

s = pd.Series(['a', 1, 'b', 2, 1, 1, 'a'])
s.replace([1, 2], method='ffill')
#0 a
#1 a
#2 b
#3 b
#4 b
#5 b
#6 a
#dtype: object
s.replace([1, 2], method='bfill')

• 逻辑替换
  • where：where 函数在传入条件为 False 的对应行进行替换
  • mask ： mask 在传入条件为 True 的对应行进行替换，当不指定替换值时，替换为缺失值
  • 传入的条件只需是与被调用的 Series 索引一致的布尔序列即可
• 数值替换
  • round 取整
  • abs 取绝对值
  • clip 截断，超过边界的只能截断为边界值

2.3.5排序函数

set_index 设置索引

• 值排序 sort_values，默认ascending=True升序；
• 索引排序 sort_index，元素的值在索引中，需要指定索引层的名字和层号，level表示

2.3.6 apply方法

• DataFrame 的行迭代或者列迭代，与统计聚合函数一致
• 以序列为输入的函数

df_demo = df[['Height', 'Weight']]
def my_mean(x):
	res = x.mean()
	return res
df_demo.apply(my_mean)#逐行计算
#Height 163.218033
#Weight 55.015873
#dtype: float64

#若指定 axis=1 ，那么每次传入函数的就是行元素组成的 Series ，其结果与之前的逐行均值结果一致
df_demo.apply(lambda x:x.mean(),axis=1).head()

#mad返回的是一个序列中偏离该序列均值的绝对值大小的均值
df_demo.apply(lambda x:(x-x.mean()).abs().mean())
 #等价于
df_demo.mad()

• 谨慎使用apply函数，自由度高但性能差，推荐内置函数

2.4窗口对象

2.4.1滑窗对象

• 滑动窗口rolling，窗口大小window
  • 构建roller
  • 计算统计量

s = pd.Series([1,2,3,4,5])
roller = s.rolling(window=3)
roller.mean()
roller.sum()
roller.cov()
roller.corr()
roller.apply(lambda x:x.mean())

• shift, diff, pct_change 是一组类滑窗函数，它们的公共参数为 periods=n ，默认为 1；n为负，表示反方向操作
  • shift取向前第 n个元素的值
  • diff与向前第 n 个元素做差（与 Numpy 中不同，后者表示 n 阶差分）
  • pct_change与向前第 n 个元素相比计算增长率

s = pd.Series([1,3,6,10,15])
s.shift(2)
s.rolling(3).apply(lambda x:list(x)[0])

s.diff(3)
s.rolling(4).apply(lambda x:list(x)[-1]-list(x)[0])

s.pct_change()
def my_pct(x):
	L = list(x)
	returen L[-1]/L[0]-1
s.rolling(2).apply(my_pct)

s.shift(-1)
s.diff(-2)

2.4.2扩展窗口

• 动态长度的窗口
• 大小：从序列开始处到具体操作的对应位置，其使用的聚合函数会作用于这些逐步扩张的窗口上
• 序列为 a1, a2, a3, a4，其每个位置对应的窗口即 [a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]
• cummax, cumsum, cumprod 函数是典型的类扩张窗口函数

2.1.3指数加权窗口ewm

2.5练习

3待补充

• pandas熟悉使用

4Q&A

无

5code

无

6参考

• http://joyfulpandas.datawhale.club/Content/ch1.html#