python DataFrame数据生成

系统管理员 2023-06-01 12:36 9阅读 0赞

前言： DataFrame是一个表格型的数据结构，既有行索引 index也有列索引columns，创建DataFrame的基本方法为df = pd.DataFrame(data, index=index,columns=columns)，其中data参数的数据类型可以支持由列表、一维ndarray或Series组成的字典、字典组成的字典、二维ndarray等。如下图所示，基本上可以把DataFrame看成是Excel的表格形态：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDU4MDk3Nw_size_16_color_FFFFFF_t_70]  
接下来我们根据创建DataFrame的基本要求将data、index、columns这三个参数准备就绪。

关于列索引columns，我们将收盘价定义为“close”，涨跌幅定义为“price range”。

行索引index在此处表示为交易日期，Pandas提供了强大的处理日期数据的功能，我们使用pandas.date\_range()生成DatetimeIndex格式的日期序列，其中参数包括：起始时间start、结束时间end、时期数量periods、日期间隔频率freq='M’月、'D’天、‘W’、周、'Y’年等等，此处生成从2010-01-01开始的1000个日期的时间序列，如下所示：

import pandas as pd
    #生成日时间序列
    dd=pd.date_range('2010-01-01',freq='D',periods=1000)
    print(f'生成日时间序列：\n{dd}')
    """ 生成日时间序列： DatetimeIndex(['2010-01-01', '2010-01-02', '2010-01-03', '2010-01-04', '2010-01-05', '2010-01-06', '2010-01-07', '2010-01-08', '2010-01-09', '2010-01-10', ... '2012-09-17', '2012-09-18', '2012-09-19', '2012-09-20', '2012-09-21', '2012-09-22', '2012-09-23', '2012-09-24', '2012-09-25', '2012-09-26'], dtype='datetime64[ns]', length=1000, freq='D')"""
    """

关于data参数的类型，我们通过np.random.normal()返回的数据类型为’numpy.ndarray’，属于data参数支持的数据类型，于是我们将data、 index和columns三个参数传入创建DataFrame的方法中，就可以生成DataFrame格式的股票交易数据。此处以ndarray组成的字典形式创建DataFrame，字典每个键所对应的ndarray数组分别成为DataFrame的一列，共享同一个 index ，例程如下所示：

df_stock = pd.DataFrame({ 'close': stock_data, 'price range': pct_change}, index=dd)
    print(f'股价交易数据：\n {df_stock.head()}')#打印前5行数据
    """ 股价交易数据： close price range 2010-01-01 10.59 NaN 2010-01-02 8.52 -0.20 2010-01-03 9.03 0.06 2010-01-04 10.33 0.14 2010-01-05 10.10 -0.02 """

当我们得到了DataFrame格式的股票交易数据之后，就可以利用Pandas强大数据分析功能处理我们的数据，在后续的小节中会陆续介绍其中的各种方法。此处我们先通过Pandas封装的matplotlib绘图功能，绘制其中50个交易日收盘价曲线，用可视化的方式了解下随机漫步的股价走势，如下所示：

import matplotlib.pyplot as plt
    #绘制收盘价
    df_stock.close[100:150].plot(c='b')
    plt.legend(['Close'],loc='best')
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDU4MDk3Nw_size_16_color_FFFFFF_t_70 1]

以上就是Pandas的核心—DataFrame数据结构的生成讲解。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDU4MDk3Nw_size_16_color_FFFFFF_t_70]: /images/20230601/2ff7402a3a824c0c9013eec87f45f045.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDU4MDk3Nw_size_16_color_FFFFFF_t_70 1]: /images/20230601/4f761691d85a47fd835e6a1712beefe1.png