本文是 Python 系列的第六篇
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 pd
Pandas 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
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
DataFrame 可理解成是 Series 的容器,每一列都是一个 Series,或者 Series 是只有一列的 DataFrame。
Panel 可理解成是 DataFrame 的容器。
接下来我们用代码来创建 pandas 数据表,有两种方式:
创建 Series 只需要下面一行代码
pd.Series(x, index=idx)
其中 x 可以是:
回顾在〖Python 入门篇 (下)〗讲的函数里可以设定不同参数,那么
x 是位置参数
index 是默认参数,默认值为 idx = range(0, len(x))
s = pd.Series([27.2, 27.65, 27.70, 28])
s
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
s.values
array([27.2 , 27.65, 27.7 , 28. ])
s.index
RangeIndex(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('20190501', periods=4)
s2 = pd.Series( [27.2, 27.65, 27.70, 28], index=dates )
s2
2019-05-01 27.20
2019-05-02 27.65
2019-05-03 27.70
2019-05-04 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.index
DatetimeIndex(['2019-05-01', '2019-05-02', '2019-05-03', '2019-05-04'], 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'
s2
2019-05-01 27.20
2019-05-02 27.65
2019-05-03 27.70
2019-05-04 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:
对照上面函数的用法,下面的输出一看就懂了吧。
import numpy as np
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 5
s.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( data_dict, index=stock )
s4
FB NaN
BABA 187.07
PDD 21.83
JD 30.79
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 + s4
BABA 374.14
BIDU NaN
FB NaN
JD 61.58
PDD 43.66
dtype: float64
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
回顾在〖Python 入门篇 (下)〗讲的函数里可以设定不同参数,那么
df0 = pd.DataFrame([[1, 2, 3], [4, 5, 6]])
df1 = pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6]]))
print(df0)
# print(df1)
df1
0 1 2
0 1 2 3
1 4 5 6
0 | 1 | 2 | |
---|---|---|---|
0 | 1 | 2 | 3 |
1 | 4 | 5 | 6 |
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
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
BABA | 电商 | 176.92 | 16175610 | 101550 |
JD | 电商 | 25.95 | 27113291 | 175336 |
AAPL | 科技 | 172.97 | 18913154 | 100000 |
MS | 金融 | 41.79 | 10132145 | 60348 |
GS | 金融 | 196.00 | 2626634 | 36600 |
WMT | 零售 | 99.55 | 8086946 | 2200000 |
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.values
array([['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.columns
Index(['行业', '价格', '交易量', '雇员'], dtype='object')
df2.index
Index(['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()
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
BABA | 电商 | 176.92 | 16175610 | 101550 |
JD | 电商 | 25.95 | 27113291 | 175336 |
AAPL | 科技 | 172.97 | 18913154 | 100000 |
MS | 金融 | 41.79 | 10132145 | 60348 |
GS | 金融 | 196.00 | 2626634 | 36600 |
df2.tail(3)
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
MS | 金融 | 41.79 | 10132145 | 60348 |
GS | 金融 | 196.00 | 2626634 | 36600 |
WMT | 零售 | 99.55 | 8086946 | 2200000 |
我们用 df2.describe() 还可以看看 DataFrame 每栏的统计数据。
df2.describe()
价格 | 交易量 | 雇员 | |
---|---|---|---|
count | 6.000000 | 6.000000e+00 | 6.000000e+00 |
mean | 118.863333 | 1.384130e+07 | 4.456390e+05 |
std | 73.748714 | 8.717312e+06 | 8.607522e+05 |
min | 25.950000 | 2.626634e+06 | 3.660000e+04 |
25% | 56.230000 | 8.598246e+06 | 7.026100e+04 |
50% | 136.260000 | 1.315388e+07 | 1.007750e+05 |
75% | 175.932500 | 1.822877e+07 | 1.568895e+05 |
max | 196.000000 | 2.711329e+07 | 2.200000e+06 |
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
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
行业 | 价格 | 交易量 | 雇员 | ||
---|---|---|---|---|---|
中国公司 | BABA | 电商 | 176.92 | 16175610 | 101550 |
JD | 电商 | 25.95 | 27113291 | 175336 | |
美国公司 | AAPL | 科技 | 172.97 | 18913154 | 100000 |
MS | 金融 | 41.79 | 10132145 | 60348 | |
GS | 金融 | 196.00 | 2626634 | 36600 | |
WMT | 零售 | 99.55 | 8086946 | 2200000 |
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
回顾在〖Python 入门篇 (下)〗讲的函数里可以设定不同参数,那么
pn = pd.Panel(np.random.randn(2, 5, 4))
pn
C:\Anaconda3\lib\site-packages\IPython\core\interactiveshell.py:2961: FutureWarning:
Panel is deprecated and will be removed in a future version.
The recommended way to represent these types of 3-dimensional data are with a MultiIndex on a DataFrame, via the Panel.to_frame() method
Alternatively, you can use the xarray package http://xarray.pydata.org/en/stable/.
Pandas provides a `.to_xarray()` method to help automate this conversion.
exec(code_obj, self.user_global_ns, self.user_ns)
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
C:\Anaconda3\lib\site-packages\IPython\core\interactiveshell.py:2961: FutureWarning:
Panel is deprecated and will be removed in a future version.
The recommended way to represent these types of 3-dimensional data are with a MultiIndex on a DataFrame, via the Panel.to_frame() method
Alternatively, you can use the xarray package http://xarray.pydata.org/en/stable/.
Pandas provides a `.to_xarray()` method to help automate this conversion.
exec(code_obj, self.user_global_ns, self.user_ns)
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']
开盘价 | 收盘价 | |
---|---|---|
2019-04-01 | 27.20 | 27.10 |
2019-04-02 | 27.65 | 27.55 |
2019-04-03 | 27.70 | 27.45 |
2019-04-04 | 28.00 | 28.10 |
pn['腾讯']
开盘价 | 收盘价 | |
---|---|---|
2019-04-01 | 367.0 | 369.5 |
2019-04-02 | 369.8 | 370.1 |
2019-04-03 | 378.2 | 380.0 |
2019-04-04 | 380.6 | 382.1 |
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
开盘价 | 收盘价 | ||
---|---|---|---|
海底捞 | 2019-04-01 | 27.20 | 27.10 |
2019-04-02 | 27.65 | 27.55 | |
2019-04-03 | 27.70 | 27.45 | |
2019-04-04 | 28.00 | 28.10 | |
腾讯 | 2019-04-01 | 367.00 | 369.50 |
2019-04-02 | 369.80 | 370.10 | |
2019-04-03 | 378.20 | 380.00 | |
2019-04-04 | 380.60 | 382.10 |
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。
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
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:
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:
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
0 | 1 | 2 | |
---|---|---|---|
0 | 1 | 2 | 3 |
1 | 4 | 5 | 6 |
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
Code | Name | Market | Price | Currency | |
---|---|---|---|---|---|
0 | BABA | 阿里巴巴 | US | 185.35 | USD |
1 | 00700.HK | 腾讯 | HK | 380.20 | HKD |
2 | AAPL | 苹果 | US | 197.00 | USD |
3 | 600519.SH | 茅台 | SH | 900.20 | CNY |
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
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
BABA | 电商 | 176.92 | 16175610 | 101550 |
JD | 电商 | 25.95 | 27113291 | 175336 |
AAPL | 科技 | 172.97 | 18913154 | 100000 |
MS | 金融 | 41.79 | 10132145 | 60348 |
GS | 金融 | 196.00 | 2626634 | 36600 |
WMT | 零售 | 99.55 | 8086946 | 2200000 |
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:
切片 columns:
切片 index:
切片 index 和 columns:
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:
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:
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
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
df.loc[:, '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
df.iloc[:, 1]
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
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。
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 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
df.iloc[3, :]
行业 金融
价格 41.79
交易量 10132145
雇员 60348
Name: MS, dtype: object
df[1:2]
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
JD | 电商 | 25.95 | 27113291 | 175336 |
df[‘JD’:‘JD’]
df['JD':'JD']
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
JD | 电商 | 25.95 | 27113291 | 175336 |
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。
和切片单个 index 相比:
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]
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
JD | 电商 | 25.95 | 27113291 | 175336 |
AAPL | 科技 | 172.97 | 18913154 | 100000 |
MS | 金融 | 41.79 | 10132145 | 60348 |
df['GS': 'WMT']
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
GS | 金融 | 196.00 | 2626634 | 36600 |
WMT | 零售 | 99.55 | 8086946 | 2200000 |
df.loc[ 'MS':'GS', : ]
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
MS | 金融 | 41.79 | 10132145 | 60348 |
GS | 金融 | 196.00 | 2626634 | 36600 |
df.iloc[ 1:3, : ]
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
JD | 电商 | 25.95 | 27113291 | 175336 |
AAPL | 科技 | 172.97 | 18913154 | 100000 |
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。
清清楚楚,明明白白,用 loc 和 iloc。
df.loc[ 'GS':'WMT', '价格':]
价格 | 交易量 | 雇员 | |
---|---|---|---|
代号 | |||
GS | 196.00 | 2626634 | 36600 |
WMT | 99.55 | 8086946 | 2200000 |
df.iloc[ :2, 1:3 ]
价格 | 交易量 | |
---|---|---|
代号 | ||
BABA | 176.92 | 16175610 |
JD | 25.95 | 27113291 |
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:
还有以下罕见几种:
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〖数组计算之 NumPy (上)〗提过,布尔索引就是用一个由布尔类型值组成的数组来选择元素的方法。
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]
代号
BABA True
JD True
AAPL True
MS False
GS False
WMT True
Name: 雇员, dtype: bool
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
BABA | 电商 | 176.92 | 16175610 | 101550 |
JD | 电商 | 25.95 | 27113291 | 175336 |
AAPL | 科技 | 172.97 | 18913154 | 100000 |
WMT | 零售 | 99.55 | 8086946 | 2200000 |
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 ]
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
BABA | 电商 | 176.92 | 16175610 | 101550 |
JD | 电商 | 25.95 | 27113291 | 175336 |
AAPL | 科技 | 172.97 | 18913154 | 100000 |
WMT | 零售 | 99.55 | 8086946 | 2200000 |
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' ]
行业 False
价格 False
交易量 True
雇员 True
dtype: bool
交易量 | 雇员 | |
---|---|---|
代号 | ||
BABA | 16175610 | 101550 |
JD | 27113291 | 175336 |
AAPL | 18913154 | 100000 |
MS | 10132145 | 60348 |
GS | 2626634 | 36600 |
WMT | 8086946 | 2200000 |
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〖Python 入门篇 (下)〗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(), :]
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
BABA | 电商 | 176.92 | 16175610 | 101550 |
JD | 电商 | 25.95 | 27113291 | 175336 |
AAPL | 科技 | 172.97 | 18913154 | 100000 |
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),: ]
行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|
代号 | ||||
BABA | 电商 | 176.92 | 16175610 | 101550 |
AAPL | 科技 | 172.97 | 18913154 | 100000 |
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: float64
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 ])
data
2019-04-01 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.index
MultiIndex(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。
知识点
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:
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:
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: int64
Series 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
概括 | 公司数据 | 交易数据 | |||
---|---|---|---|---|---|
细分 | 行业 | 雇员 | 价格 | 交易量 | |
地区 | 代号 | ||||
中国 | BABA | 电商 | 101550 | 176.92 | 16175610 |
JD | 电商 | 175336 | 25.95 | 27113291 | |
美国 | GS | 金融 | 60348 | 41.79 | 10132145 |
MS | 金融 | 36600 | 196.00 | 2626634 |
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。
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']
概括 | 公司数据 | 交易数据 | ||
---|---|---|---|---|
细分 | 行业 | 雇员 | 价格 | 交易量 |
代号 | ||||
BABA | 电商 | 101550 | 176.92 | 16175610 |
JD | 电商 | 175336 | 25.95 | 27113291 |
调位 level
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')
概括 | 公司数据 | 交易数据 | |||
---|---|---|---|---|---|
细分 | 行业 | 雇员 | 价格 | 交易量 | |
代号 | 地区 | ||||
BABA | 中国 | 电商 | 101550 | 176.92 | 16175610 |
JD | 中国 | 电商 | 175336 | 25.95 | 27113291 |
GS | 美国 | 金融 | 60348 | 41.79 | 10132145 |
MS | 美国 | 金融 | 36600 | 196.00 | 2626634 |
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
细分 | 行业 | 雇员 | 价格 | 交易量 | |
---|---|---|---|---|---|
概括 | 公司数据 | 公司数据 | 交易数据 | 交易数据 | |
地区 | 代号 | ||||
中国 | BABA | 电商 | 101550 | 176.92 | 16175610 |
JD | 电商 | 175336 | 25.95 | 27113291 | |
美国 | GS | 金融 | 60348 | 41.79 | 10132145 |
MS | 金融 | 36600 | 196.00 | 2626634 |
重设 index
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
地区 | 代号 | 行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|---|---|
0 | 中国 | BABA | 电商 | 176.92 | 16175610 | 101550 |
1 | 中国 | JD | 电商 | 25.95 | 27113291 | 175336 |
2 | 美国 | MS | 金融 | 41.79 | 10132145 | 60348 |
3 | 美国 | GS | 金融 | 196.00 | 2626634 | 36600 |
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
行业 | 价格 | 交易量 | 雇员 | ||
---|---|---|---|---|---|
地区 | 代号 | ||||
中国 | BABA | 电商 | 176.92 | 16175610 | 101550 |
JD | 电商 | 25.95 | 27113291 | 175336 | |
美国 | MS | 金融 | 41.79 | 10132145 | 60348 |
GS | 金融 | 196.00 | 2626634 | 36600 |
将所有 index 变成 columns。
df2.reset_index()
地区 | 代号 | 行业 | 价格 | 交易量 | 雇员 | |
---|---|---|---|---|---|---|
0 | 中国 | BABA | 电商 | 176.92 | 16175610 | 101550 |
1 | 中国 | JD | 电商 | 25.95 | 27113291 | 175336 |
2 | 美国 | MS | 金融 | 41.79 | 10132145 | 60348 |
3 | 美国 | GS | 金融 | 196.00 | 2626634 | 36600 |
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
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
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
要调换 level 可用
要设置和重设 index 可用
下篇讨论 Pandas 系列的后三节,分别是