数据分析之Pandas

港控/mmm° 2021-09-03 05:53 469阅读 0赞

> Pandas的名称来自于面板数据(panel data)和Python数据分析(data analysis)。
> 
> Pandas是一个强大的分析结构化数据的工具集，基于NumPy构建，提供了 **高级数据结构** 和 **数据操作工具**，它是使Python成为强大而高效的数据分析环境的重要因素之一

## 一：数据结构 ##

import pandas as pd

Pandas有两个最主要也是最重要的数据结构： **Series** 和 **DataFrame**

### 1.1 Series ###

Series是一种类似于一维数组的 **对象**，由一组数据(各种NumPy数据类型)以及一组与之对应的索引(数据标签)组成。

*  类似一维数组的对象
 *  由数据和索引组成
    
     *  索引(index)在左，数据(values)在右
     *  索引是自动创建的

![2d8bde6f9f0729c3de04bf62b2641adb.png][]

#### 1. 通过list构建Series ####

> ser\_obj = pd.Series(range(10))

示例代码：

# 通过list构建Series
    ser_obj = pd.Series(range(10, 20))
    print(ser_obj.head(3))
    
    print(type(ser_obj))

运行结果：

0 10
    1 11
    2 12
    dtype: int64
    
    <class 'pandas.core.series.Series'>

#### 2. 获取数据和索引 ####

> ser\_obj.index 和 ser\_obj.values

示例代码：

# 获取数据
    print(ser_obj.values)
    
    # 获取索引
    print(ser_obj.index)

运行结果：

[10 11 12 13 14 15 16 17 18 19]
    RangeIndex(start=0, stop=10, step=1)

#### 3. 通过索引获取数据 ####

> ser\_obj\[idx\]

示例代码：

#通过索引获取数据
    print(ser_obj[0])
    print(ser_obj[8])

运行结果：

10
    18

#### 4. 索引与数据的对应关系不被运算结果影响 ####

示例代码：

# 索引与数据的对应关系不被运算结果影响
    print(ser_obj * 2)
    print(ser_obj > 15)

运行结果：

0 20
    1 22
    2 24
    3 26
    4 28
    5 30
    6 32
    7 34
    8 36
    9 38
    dtype: int64
    
    0 False
    1 False
    2 False
    3 False
    4 False
    5 False
    6 True
    7 True
    8 True
    9 True
    dtype: bool

#### 5. 通过dict构建Series ####

示例代码：

# 通过dict构建Series
    year_data = { 2001: 17.8, 2002: 20.1, 2003: 16.5}
    ser_obj2 = pd.Series(year_data)
    print(ser_obj2.head())
    print(ser_obj2.index)

运行结果：

2001 17.8
    2002 20.1
    2003 16.5
    dtype: float64
    Int64Index([2001, 2002, 2003], dtype='int64')

#### name属性 ####

> 对象名：ser\_obj.name
> 
> 对象索引名：ser\_obj.index.name

示例代码：

# name属性
    ser_obj2.name = 'temp'
    ser_obj2.index.name = 'year'
    print(ser_obj2.head())

运行结果：

year
    2001 17.8
    2002 20.1
    2003 16.5
    Name: temp, dtype: float64

### 1.2 DataFrame ###

DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同类型的值。DataFrame既有行索引也有列索引，它可以被看做是由Series组成的字典(共用同一个索引)，数据是以二维结构存放的。

*  类似多维数组/表格数据 (如，excel, R中的data.frame)
 *  每列数据可以是不同的类型
 *  索引包括列索引和行索引

![4666aec363e5350092518288fe73526f.png][]

#### 1. 通过ndarray构建DataFrame ####

示例代码：

import numpy as np
    
    # 通过ndarray构建DataFrame
    array = np.random.randn(5,4)
    print(array)
    
    df_obj = pd.DataFrame(array)
    print(df_obj.head())

运行结果：

[[ 0.83500594 -1.49290138 -0.53120106 -0.11313932]
     [ 0.64629762 -0.36779941 0.08011084 0.60080495]
     [-1.23458522 0.33409674 -0.58778195 -0.73610573]
     [-1.47651414 0.99400187 0.21001995 -0.90515656]
     [ 0.56669419 1.38238348 -0.49099007 1.94484598]]
    
     0 1 2 3
    0 0.835006 -1.492901 -0.531201 -0.113139
    1 0.646298 -0.367799 0.080111 0.600805
    2 -1.234585 0.334097 -0.587782 -0.736106
    3 -1.476514 0.994002 0.210020 -0.905157
    4 0.566694 1.382383 -0.490990 1.944846

#### 2. 通过dict构建DataFrame ####

示例代码：

# 通过dict构建DataFrame
    dict_data = { 'A': 1, 
     'B': pd.Timestamp('20170426'),
     'C': pd.Series(1, index=list(range(4)),dtype='float32'),
     'D': np.array([3] * 4,dtype='int32'),
     'E': ["Python","Java","C++","C"],
     'F': 'ITCast' }
    #print dict_data
    df_obj2 = pd.DataFrame(dict_data)
    print(df_obj2)

运行结果：

A B C D E F
    0 1 2017-04-26 1.0 3 Python ITCast
    1 1 2017-04-26 1.0 3 Java ITCast
    2 1 2017-04-26 1.0 3 C++ ITCast
    3 1 2017-04-26 1.0 3 C ITCast

#### 3. 通过列索引获取列数据(Series类型) ####

> df\_obj\[col\_idx\] 或 df\_obj.col\_idx

示例代码：

# 通过列索引获取列数据
    print(df_obj2['A'])
    print(type(df_obj2['A']))
    
    print(df_obj2.A)

运行结果：

0 1.0
    1 1.0
    2 1.0
    3 1.0
    Name: A, dtype: float64
    <class 'pandas.core.series.Series'>
    0 1.0
    1 1.0
    2 1.0
    3 1.0
    Name: A, dtype: float64

#### 4. 增加列数据 ####

> df\_obj\[new\_col\_idx\] = data
> 
> 类似Python的 dict添加key-value

示例代码：

# 增加列
    df_obj2['G'] = df_obj2['D'] + 4
    print(df_obj2.head())

运行结果：

A B C D E F G
    0 1.0 2017-01-02 1.0 3 Python ITCast 7
    1 1.0 2017-01-02 1.0 3 Java ITCast 7
    2 1.0 2017-01-02 1.0 3 C++ ITCast 7
    3 1.0 2017-01-02 1.0 3 C ITCast 7

#### 5. 删除列 ####

> del df\_obj\[col\_idx\]

示例代码：

# 删除列
    del(df_obj2['G'] )
    print(df_obj2.head())

运行结果：

A B C D E F
    0 1.0 2017-01-02 1.0 3 Python ITCast
    1 1.0 2017-01-02 1.0 3 Java ITCast
    2 1.0 2017-01-02 1.0 3 C++ ITCast
    3 1.0 2017-01-02 1.0 3 C ITCast

## 二：索引操作 ##

### 2.1 索引对象Index ###

#### 1. Series和DataFrame中的索引都是Index对象 ####

示例代码：

print(type(ser_obj.index))
    print(type(df_obj2.index))
    
    print(df_obj2.index)

运行结果：

<class 'pandas.indexes.range.RangeIndex'>
    <class 'pandas.indexes.numeric.Int64Index'>
    Int64Index([0, 1, 2, 3], dtype='int64')

#### 2. 索引对象不可变，保证了数据的安全 ####

示例代码：

# 索引对象不可变
    df_obj2.index[0] = 2

运行结果：

---------------------------------------------------------------------------
    TypeError Traceback (most recent call last)
    <ipython-input-23-7f40a356d7d1> in <module>()
     1 # 索引对象不可变
    ----> 2 df_obj2.index[0] = 2
    
    /Users/Power/anaconda/lib/python3.6/site-packages/pandas/indexes/base.py in __setitem__(self, key, value)
     1402 
     1403 def __setitem__(self, key, value):
    -> 1404 raise TypeError("Index does not support mutable operations")
     1405 
     1406 def __getitem__(self, key):
    
    TypeError: Index does not support mutable operations

#### 常见的Index种类 ####

*  Index，索引
 *  Int64Index，整数索引
 *  MultiIndex，层级索引
 *  DatetimeIndex，时间戳类型

### 2.2 Series索引 ###

#### 1. index 指定行索引名 ####

示例代码：

ser_obj = pd.Series(range(5), index = ['a', 'b', 'c', 'd', 'e'])
    print(ser_obj.head())

运行结果：

a 0
    b 1
    c 2
    d 3
    e 4
    dtype: int64

#### 2. 行索引 ####

> ser\_obj\[‘label’\], ser\_obj\[pos\]

示例代码：

# 行索引
    print(ser_obj['b'])
    print(ser_obj[2])

运行结果：

1
    2

#### 3. 切片索引 ####

> ser\_obj\[2:4\], ser\_obj\[‘label1’: ’label3’\]
> 
> 注意，按索引名切片操作时，是包含终止索引的。

示例代码：

# 切片索引
    print(ser_obj[1:3])
    print(ser_obj['b':'d'])

运行结果：

b 1
    c 2
    dtype: int64
    b 1
    c 2
    d 3
    dtype: int64

#### 4. 不连续索引 ####

> ser\_obj\[\[‘label1’, ’label2’, ‘label3’\]\]

示例代码：

# 不连续索引
    print(ser_obj[[0, 2, 4]])
    print(ser_obj[['a', 'e']])

运行结果：

a 0
    c 2
    e 4
    dtype: int64
    a 0
    e 4
    dtype: int64

#### 5. 布尔索引 ####

示例代码：

# 布尔索引
    ser_bool = ser_obj > 2
    print(ser_bool)
    print(ser_obj[ser_bool])
    
    print(ser_obj[ser_obj > 2])

运行结果：

a False
    b False
    c False
    d True
    e True
    dtype: bool
    d 3
    e 4
    dtype: int64
    d 3
    e 4
    dtype: int64

### 2. 3 DataFrame索引 ###

#### 1. columns 指定列索引名 ####

示例代码：

import numpy as np
    
    df_obj = pd.DataFrame(np.random.randn(5,4), columns = ['a', 'b', 'c', 'd'])
    print(df_obj.head())

运行结果：

a b c d
    0 -0.241678 0.621589 0.843546 -0.383105
    1 -0.526918 -0.485325 1.124420 -0.653144
    2 -1.074163 0.939324 -0.309822 -0.209149
    3 -0.716816 1.844654 -2.123637 -1.323484
    4 0.368212 -0.910324 0.064703 0.486016

![29400c4c7a8b83e039545915cb3bf1ba.png][]

#### 2. 列索引 ####

> df\_obj\[\[‘label’\]\]

示例代码：

# 列索引
    print(df_obj['a']) # 返回Series类型
    print(df_obj[[0]]) # 返回DataFrame类型
    print(type(df_obj[[0]])) # 返回DataFrame类型

运行结果：

0 -0.241678
    1 -0.526918
    2 -1.074163
    3 -0.716816
    4 0.368212
    Name: a, dtype: float64
    <class 'pandas.core.frame.DataFrame'>

#### 3. 不连续索引 ####

> df\_obj\[\[‘label1’, ‘label2’\]\]

示例代码：

# 不连续索引
    print(df_obj[['a','c']])
    print(df_obj[[1, 3]])

运行结果：

a c
    0 -0.241678 0.843546
    1 -0.526918 1.124420
    2 -1.074163 -0.309822
    3 -0.716816 -2.123637
    4 0.368212 0.064703
     b d
    0 0.621589 -0.383105
    1 -0.485325 -0.653144
    2 0.939324 -0.209149
    3 1.844654 -1.323484
    4 -0.910324 0.486016

### 2.4 高级索引：标签、位置和混合 ###

Pandas的高级索引有3种

#### 1. loc 标签索引 ####

> DataFrame 不能直接切片，可以通过loc来做切片
> 
> loc是基于标签名的索引，也就是我们自定义的索引名

示例代码：

# 标签索引 loc
    # Series
    print(ser_obj['b':'d'])
    print(ser_obj.loc['b':'d'])
    
    # DataFrame
    print(df_obj['a'])
    
    # 第一个参数索引行，第二个参数是列
    print(df_obj.loc[0:2, 'a'])

运行结果：

b 1
    c 2
    d 3
    dtype: int64
    b 1
    c 2
    d 3
    dtype: int64
    
    0 -0.241678
    1 -0.526918
    2 -1.074163
    3 -0.716816
    4 0.368212
    Name: a, dtype: float64
    0 -0.241678
    1 -0.526918
    2 -1.074163
    Name: a, dtype: float64

#### 2. iloc 位置索引 ####

> 作用和loc一样，不过是基于索引编号来索引

示例代码：

# 整型位置索引 iloc
    # Series
    print(ser_obj[1:3])
    print(ser_obj.iloc[1:3])
    
    # DataFrame
    print(df_obj.iloc[0:2, 0]) # 注意和df_obj.loc[0:2, 'a']的区别

运行结果：

b 1
    c 2
    dtype: int64
    b 1
    c 2
    dtype: int64
    
    0 -0.241678
    1 -0.526918
    Name: a, dtype: float64

#### 3. ix 标签与位置混合索引 ####

> ix是以上二者的综合，既可以使用索引编号，又可以使用自定义索引，要视情况不同来使用，
> 
> 如果索引既有数字又有英文，那么这种方式是不建议使用的，容易导致定位的混乱。

示例代码：

# 混合索引 ix
    # Series
    print(ser_obj.ix[1:3])
    print(ser_obj.ix['b':'c'])
    
    # DataFrame
    print(df_obj.loc[0:2, 'a'])
    print(df_obj.ix[0:2, 0])

运行结果：

b 1
    c 2
    dtype: int64
    b 1
    c 2
    dtype: int64
    
    0 -0.241678
    1 -0.526918
    2 -1.074163
    Name: a, dtype: float64

#### 注意 ####

> DataFrame索引操作，可将其看作ndarray的索引操作
> 
> 标签的切片索引是包含末尾位置的

## 三： 函数运用 ##

### 3.1 使用 lambda 批处理操作 ###

#### 1. 可直接使用NumPy的函数 ####

示例代码：

# Numpy ufunc 函数
    df = pd.DataFrame(np.random.randn(5,4) - 1)
    print(df)
    
    print(np.abs(df))

运行结果：

0 1 2 3
    0 -0.062413 0.844813 -1.853721 -1.980717
    1 -0.539628 -1.975173 -0.856597 -2.612406
    2 -1.277081 -1.088457 -0.152189 0.530325
    3 -1.356578 -1.996441 0.368822 -2.211478
    4 -0.562777 0.518648 -2.007223 0.059411
    
     0 1 2 3
    0 0.062413 0.844813 1.853721 1.980717
    1 0.539628 1.975173 0.856597 2.612406
    2 1.277081 1.088457 0.152189 0.530325
    3 1.356578 1.996441 0.368822 2.211478
    4 0.562777 0.518648 2.007223 0.059411

#### 2. 通过apply将函数应用到列或行上 ####

示例代码：

# 使用apply应用行或列数据
    #f = lambda x : x.max()
    print(df.apply(lambda x : x.max()))

运行结果：

0 -0.062413
    1 0.844813
    2 0.368822
    3 0.530325
    dtype: float64

> 注意指定轴的方向，默认axis=0，方向是列

示例代码：

# 指定轴方向，axis=1，方向是行
    print(df.apply(lambda x : x.max(), axis=1))

运行结果：

0 0.844813
    1 -0.539628
    2 0.530325
    3 0.368822
    4 0.518648
    dtype: float64

#### 3. 通过applymap将函数应用到每个数据上 ####

示例代码：

# 使用applymap应用到每个数据
    f2 = lambda x : '%.2f' % x
    print(df.applymap(f2))

运行结果：

0 1 2 3
    0 -0.06 0.84 -1.85 -1.98
    1 -0.54 -1.98 -0.86 -2.61
    2 -1.28 -1.09 -0.15 0.53
    3 -1.36 -2.00 0.37 -2.21
    4 -0.56 0.52 -2.01 0.06

### 3.2 排序 ###

#### 1. 索引排序 ####

> sort\_index()
> 
> 排序默认使用升序排序，ascending=False 为降序排序

示例代码：

# Series
    s4 = pd.Series(range(10, 15), index = np.random.randint(5, size=5))
    print(s4)
    
    # 索引排序
    s4.sort_index() # 0 0 1 3 3

运行结果：

0 10
    3 11
    1 12
    3 13
    0 14
    dtype: int64
    
    0 10
    0 14
    1 12
    3 11
    3 13
    dtype: int64

> 对DataFrame操作时注意轴方向

示例代码：

# DataFrame
    df4 = pd.DataFrame(np.random.randn(3, 5), 
     index=np.random.randint(3, size=3),
     columns=np.random.randint(5, size=5))
    print(df4)
    
    df4_isort = df4.sort_index(axis=1, ascending=False)
    print(df4_isort) # 4 2 1 1 0

运行结果：

1 4 0 1 2
    2 -0.416686 -0.161256 0.088802 -0.004294 1.164138
    1 -0.671914 0.531256 0.303222 -0.509493 -0.342573
    1 1.988321 -0.466987 2.787891 -1.105912 0.889082
    
     4 2 1 1 0
    2 -0.161256 1.164138 -0.416686 -0.004294 0.088802
    1 0.531256 -0.342573 -0.671914 -0.509493 0.303222
    1 -0.466987 0.889082 1.988321 -1.105912 2.787891

#### 2. 按值排序 ####

> sort\_values(by=’column name’)
> 
> 根据某个唯一的列名进行排序，如果有其他相同列名则报错。

示例代码：

# 按值排序
    df4_vsort = df4.sort_values(by=0, ascending=False)
    print(df4_vsort)

运行结果：

1 4 0 1 2
    1 1.988321 -0.466987 2.787891 -1.105912 0.889082
    1 -0.671914 0.531256 0.303222 -0.509493 -0.342573
    2 -0.416686 -0.161256 0.088802 -0.004294 1.164138

### 3.3 处理缺失数据 ###

示例代码：

df_data = pd.DataFrame([np.random.randn(3), [1., 2., np.nan],
     [np.nan, 4., np.nan], [1., 2., 3.]])
    print(df_data.head())

运行结果：

0 1 2
    0 -0.281885 -0.786572 0.487126
    1 1.000000 2.000000 NaN
    2 NaN 4.000000 NaN
    3 1.000000 2.000000 3.000000

#### 1. 判断是否存在缺失值：isnull() ####

示例代码：

# isnull
    print(df_data.isnull())

运行结果：

0 1 2
    0 False False False
    1 False False True
    2 True False True
    3 False False False

#### 2. 丢弃缺失数据：dropna() ####

> 根据axis轴方向，丢弃包含NaN的行或列。 示例代码：

# dropna
    print(df_data.dropna())
    
    print(df_data.dropna(axis=1))

运行结果：

0 1 2
    0 -0.281885 -0.786572 0.487126
    3 1.000000 2.000000 3.000000
    
     1
    0 -0.786572
    1 2.000000
    2 4.000000
    3 2.000000

#### 3. 填充缺失数据：fillna() ####

示例代码：

# fillna
    print(df_data.fillna(-100.))

运行结果：

0 1 2
    0 -0.281885 -0.786572 0.487126
    1 1.000000 2.000000 -100.000000
    2 -100.000000 4.000000 -100.000000
    3 1.000000 2.000000 3.000000

## 四：常用的统计描述方法 ##

![32854cef530d758c0aca4afef550989a.png][]

[2d8bde6f9f0729c3de04bf62b2641adb.png]: /images/20210813/5657b19d2ed9402d8422e2fff5c2e0dc.png
[4666aec363e5350092518288fe73526f.png]: /images/20210813/33ce44e736c5492aa9473dc7d81d513a.png
[29400c4c7a8b83e039545915cb3bf1ba.png]: /images/20210813/f378381d4f904c34a71b52bd6508bed4.png
[32854cef530d758c0aca4afef550989a.png]: /images/20210813/bac0f53a6b53444697e4c979b15f3656.png