pandas学习：第二天

---

前言

又是对pandas的学习一天

---

一、文件的读取和写入

1. 文件读取

pandas 可以读取的文件格式有很多，这里主要介绍读取 csv, excel, txt 文件。

df_csv = pd.read_csv("文件位置")
df_csv = pd.read_excel("文件位置")
df_csv = pd.read_table("文件位置")

在文件位置后面，可以添加一些参数，来调整读取出来的Dataflame

• header= None表示第一行不作为列名
• index_col=[]设置数据中的哪些列为索引
• usecols=[]选择只需要读取的一些列
• parse_dates=[]表示需要转化为时间的列
• nrows=表示读取的行数

在读取 txt 文件时，经常遇到分隔符非空格的情况， read_table 有一个分割参数 sep ，它使得用户可以自定义分割符号，进行 txt 数据的读取。但是在使用 read_table 的时候需要注意，参数 sep 中使用的是正则表达式
正则表达式可以查看https://www.runoob.com/regexp/regexp-syntax.html进行学习

2.数据写入

一般在数据写入中，最常用的操作是把 index 设置为 False ，特别当索引没有特殊意义的时候，这样的行为能把索引在保存的时候去除。

df_csv.to_csv('保存路径/文件名', index=False)

pandas 中没有定义 to_table 函数，但是 to_csv 可以保存为 txt 文件，并且允许自定义分隔符，常用制表符 sep="\t" 分割
如果想要把表格快速转换为 markdown 和 latex 语言，可以使用 to_markdown 和 to_latex 函数，此处需要安装 tabulate 包。
安装tabulate包

pip install tabulate -i https://mirrors.aliyun.com/pypi/simple/

二、基本数据结构

1. Series

Series 一般由四个部分组成，分别是序列的值 data 、索引 index 、存储类型 dtype 、序列的名字 name 。其中，索引也可以指定它的名字，默认为空。

s = pd.Series(data = [100, 'a', {'dic1':5}],
               index = pd.Index(['id1', 20, 'third'], name='my_idx'),
               dtype = 'object',
               name = 'my_name')
s

object 代表了一种混合类型，正如上面的例子中存储了整数、字符串以及 Python 的字典数据结构。此外，目前 pandas 把纯字符串序列也默认认为是一种 object 类型的序列，但它也可以用 string 类型存储

这些属性，可以通过 . 的方式来获取
利用 .shape 可以获取序列的长度
取出单个索引对应的值，可以通过 [index_item] 可以取出

2. DataFrame

列索引名到数据的映射来构造数据框，同时再加上行索引

df = pd.DataFrame(data = {'col_0': [1,2,3], 'col_1':list('abc'),
                           'col_2': [1.2, 2.2, 3.2]},
                   index = ['row_%d'%i for i in range(3)])
df

	col_0	col_1	col_2
row_0	1	a	1.2
row_1	2	b	2.2
row_2	3	c	3.2

由于这种映射关系，在 DataFrame 中可以用 [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
.T 可以把 DataFrame 进行转置

三、常用基本函数

1.汇总函数

• head, tail 函数分别表示返回表或者序列的前 n 行和后 n 行，其中 n 默认为5
• info, describe 分别返回表的 信息概况 和表中 数值列对应的主要统计量

2. 特征统计函数

• 在 Series 和 DataFrame 上定义了许多统计函数，最常见的是 sum, mean, median, var, std, max, min
• quantile, count, idxmax 这三个函数，它们分别返回的是分位数、非缺失值个数、最大值对应的索引
• 这些所有的函数，由于操作后返回的是标量，所以又称为聚合函数，它们有一个公共参数 axis ，默认为0代表逐列聚合，如果设置为1则表示逐行聚合

3. 唯一值函数

• 对序列使用 unique 和 nunique 可以分别得到其唯一值组成的列表和唯一值的个数
• value_counts 可以得到唯一值和其对应出现的频数
• 如果想要观察多个列组合的唯一值，可以使用 drop_duplicates 。其中的关键参数是 keep ，默认值 first 表示每个组合保留第一次出现的所在行， last 表示保留最后一次出现的所在行， False 表示把所有重复组合所在的行剔除
• 此外， duplicated 和 drop_duplicates 的功能类似，但前者返回了是否为唯一值的布尔列表，其 keep 参数与后者一致。其返回的序列，把重复元素设为 True ，否则为 False 。 drop_duplicates 等价于把 duplicated 为 True 的对应行剔除

4. 替换函数

替换操作是针对某一个列进行的。 pandas 中的替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。

• 在 replace 中，可以通过字典构造，或者传入两个列表来进行替换
• replace 还有一种特殊的方向替换，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。
• 逻辑替换包括了 where 和 mask ，这两个函数是完全对称的： where 函数在传入条件为 False 的对应行进行替换，而 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。
• 数值替换包含了 round, abs, clip 方法，它们分别表示按照给定精度四舍五入、取绝对值和截断

在 clip 中，超过边界的只能截断为边界值，如果要把超出边界的替换为自定义的值。通过mask来改

5. 排序函数

排序共有两种方式，其一为值排序，其二为索引排序，对应的函数是 sort_values 和 sort_index
默认参数 ascending=True 为升序

df_demo.sort_values(['Weight','Height'],ascending=[True,False]).head()

索引排序的用法和值排序完全一致，只不过元素的值在索引中，此时需要指定索引层的名字或者层号，用参数 level 表示。另外，需要注意的是字符串的排列顺序由字母顺序决定

df_demo.sort_index(level=['Grade','Name'],ascending=[True,False]).head()

6. apply方法

apply 方法常用于 DataFrame 的行迭代或者列迭代，它的 axis 含义与第2小节中的统计聚合函数一致， apply 的参数往往是一个以序列为输入的函数。可以利用 lambda 表达式使得书写简洁
mad 函数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

得益于传入自定义函数的处理， apply 的自由度很高，但这是以性能为代价的。一般而言，使用 pandas 的内置函数处理和 apply 来处理同一个任务，其速度会相差较多，因此只有在确实存在自定义需求的情境下才考虑使用 apply 。

四、窗口对象

pandas 中有3类窗口，分别是滑动窗口 rolling 、扩张窗口 expanding 以及指数加权窗口 ewm

1.滑窗对象

• 要使用滑窗函数，就必须先要对一个序列使用 .rolling 得到滑窗对象，其最重要的参数为窗口大小 window 。（当有几个数是开始计算，此数前的几个数一起）
• 还支持使用 apply 传入自定义函数，其传入值是对应窗口的 Series
• 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，分别表示取向前第 n 个元素的值、与向前第 n 个元素做差（与 Numpy 中不同，后者表示 n 阶差分）、与向前第 n 个元素相比计算增长率。这里的 n 可以为负，表示反方向的类似操作。
  将其视作类滑窗函数的原因是，它们的功能可以用窗口大小为 n+1 的 rolling 方法等价代替

2. 扩张窗口

扩张窗口又称累计窗口，可以理解为一个动态长度的窗口，其窗口的大小就是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。具体地说，设序列为a1, a2, a3, a4，则其每个位置对应的窗口即[a1]、[a1, a2]、[a1, a2, a3]、[a1, a2, a3, a4]。

总结

又是对pandas学习的一天，今天学到了挺多东西的，特别是窗口对象，以及替换函数