pandas中我们要熟悉两个数据结构Series 和DataFramepandas是基于numpy包扩展而的 因而numpy的绝大多数方法在pandas中都能适用。
Series是类似于数组的对象，它有一组数据和与之相关的标签组成。
1 2 3 4 5 |
import pandas as pd object=pd.Series([2,5,8,9])
print(object)
|
结果为：
0 2
1 5
2 8
3 9
dtype: int64
结果中包含一列数据和一列标签
我们可以用values和index分别进行引用
|
1 2 | print(object.values)
print(object.index)
|
结果为：
[2 5 8 9]
RangeIndex(start=0, stop=4, step=1)
我们还可以按照自己的意愿构建标签
1 2 3 | object=pd.Series([2,5,8,9],index=['a','b','c',
'd'])
print(object)
|
结果为：
a 2
b 5
c 8
d 9
dtype: int64
我们还可以对序列进行运算
1 | print(object
[object>5])
|
结果为
c 8
d 9
dtype: int64
也可以把Series看成一个字典，使用in进行判断
结果为：
True
另外，值是不能直接被索引到的
结果为：
False
Series中的一些方法，
isnull或者notnull可以用于判断数据中缺失值情况
name或者index.name可以对数据进行重命名
DataFrame数据框，也是一种数据结构，和R中的数据框类似
1 2 3 4 5 6 | data
={'year':[2000,2001,2002,2003],
'income':[3000
,3500,4500,6000]}
data=pd.DataFrame(data)
print(data)
|
结果为：
income year
0 3000 2000
1 3500 2001
2 4500 2002
3 6000 2003
1 2 3 |
data1=pd.DataFrame(data,columns=['year','income','outcome'],index=['a',
'b','c','d']) print(data1)
|
结果为：
year income outcome
a 2000 3000 NaN
b 2001 3500 NaN
c 2002 4500 NaN
d 2003 6000 NaN
新增加列outcome在data中没有，则用na值代替
索引的几种方式
1
2 | print(data1['year'])
print(data1.year)
|
两种索引是等价的，都是对列进行索引，结果为：
a 2000
b 2001
c 2002
d 2003
Name: year, dtype: int64
对行进行索引，则是另外一种形式
结果为：
year 2000
income 3000
outcome NaN
Name: a, dtype: object
或者也可以用切片的形式
结果为：
year income outcome
b 2001 3500 NaN
c 2002 4500 NaN
增加和删除列
1 | data1['money']=np.arange(
4)
|
增加列为money
year income outcome money
a 2000 3000 NaN 0
b 2001 3500 NaN 1
c 2002 4500 NaN 2
d 2003 6000 NaN 3
删除列结果为：
year income money
a 2000 3000 0
b 2001 3500 1
c 2002 4500 2
d 2003 6000 3
pandas中的主要索引对象以及相对应的索引方法和属性
此外还有一个reindex函数可以重新构建索引
1 2 3 4 5 6 7
8 | data={'year':[2000,2001,2002,2003],
'income':[3000,3500,4500,6000]}
data1=pd.DataFrame(data,columns=['year','income','outcome'], index=
['a','b','c','d'])
data2=data1.reindex(['a','b',
'c','d','e'])
print(data2)
|
结果为：
1
2 | data2=data1.reindex(['a','b','c','d','e'],method=
'ffill')
print(data2)
|
使用方法后的结果为：
索引删除以及过滤等相关方法
1 | print(data1.drop([
'a']))
|
结果为：
1 | print(data1[data1['year']>2001])
|
结果为：
1 | print(data1.ix[['a','b'],['year','income']])
|
结果为 ：
1 | print(data1.ix[data1.year>2000,:2])
|
结果为：
详细的索引过滤方法如下：
dataframe的算法运算
1 2 3 4 5 6 7
8 9 10 11 12 13 14 | data=
{'year':[2000,2001,2002,2003],
'income':[3000,
3500,4500,6000]}
data1=pd.DataFrame(data,columns=[
'year','income','outcome'],
index=['a','b','c',
'd'])
data2=pd.DataFrame(data,columns=['year','income','outcome'],
index
=['a','b','c','d'])
data1[
'outcome']=range(1,5)
data2=
data2.reindex(['a','b','c','d','e'])
print(data1.add(data2,fill_value=0)) |
结果为：
对dataframe进行排序
1 2
3 4 | data=pd.DataFrame(np.arange(10).reshape((2,5)),index=['c',
'a'],
columns=['one','four','two','three'
,'five'])
print(data)
|
结果为：
1 |
print(data.sort_index())
|
结果为：
1 | print(data.sort_index(axis=1))
|
结果为：
1 | print(data.sort_values(by='one'))
|
结果为：
|
1 | print(data.sort_values(by='one',ascending=False))
|
结果为：
这里是对结果进行降序排列
汇总以及统计描述
|
1 2 3 4 | data=pd.DataFrame(np.arange(10).reshape((2,5
)),index=['c','a'],
columns=['one','four',
'two','three','five'])
print(data.describe())
|
结果为：
结果为：
1 |
print(data.sum(axis=1)) |
结果为：
详细约简方法
相关描述统计函数
相关系数与协方差
1 2
3 4 | data=pd.DataFrame(np.random.random(20).reshape((4,5)),index=['c'
,'a','b','c'],
columns=['one','four',
'two','three','five'])
print(data)
|
结果为：
1 | print(data.one.corr(data.three))
|
one和three的相关系数为：
0.706077105725
1 | print(data.one.cov(data.three))
|
one和three的协方差为：
0.0677896135613
1 | print(data.corrwith(data.one))
|
one和所有列的相关系数：
唯一值，成员资格等方法
1
2 3 | data=pd.Series(['a','a','b','b','b'
,'c','d','d'])
print(data.unique())
|
结果为：
['a' 'b' 'c' 'd']
1 |
print(data.isin(['b']))
|
结果为：
0 False
1 False
2 True
3 True
4 True
5 False
6 False
7 False
dtype: bool
1 | print(pd.value_counts(data.values,sort=
False))
|
结果为：
d 2
c 1
b 3
a 2
dtype: int64
缺失值处理
1 2 3 | data=pd.Series([
'a','a','b',np.nan,'b','c',np.nan,'d'])
print(data.isnull())
|
结果为：
0 False
1 False
2 False
3 True
4 False
5 False
6 True
7 False
dtype: bool
结果为：
0 a
1 a
2 b
4 b
5 c
7 d
dtype: object
结果为：
0 a
1 a
2 b
3 b
4 b
5 c
6 c
7 d
dtype: object
结果为：
0 a
1 a
2 b
3 0
4 b
5 c
6 0
7 d
dtype: object
这里'dropa'是 笔误：正确形式：‘dropna’
层次化索引
可以对数据进行多维度的索引
1 2 3 | data = pd.Series(np.random.randn(10), index
=[['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c', 'd'
, 'd'],
[1, 2, 3, 1, 2
, 3, 1, 2, 2, 3]])
print(data)
|
结果为：
结果为：
MultiIndex(levels=[['a', 'b', 'c', 'd'], [1, 2, 3]],
1
2 3 | labels=[[0, 0, 0, 1, 1
, 1, 2, 2, 3, 3], [0, 1, 2, 0,
1, 2, 0, 1, 1, 2]])
print(data['c'])
|
结果为：
结果为：
结果为：
把数据转换成为一个dataframe
1 | print(data.unstack().stack())
|
unstack()的逆运算
了解这些，应该可以进行一些常规的数据处理了。
