pandas基础

pandas基础

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。
• pd.read_csv
• pd.read_table
• pd.read_excel
• 上面三者的常用的公共参数:

  • header=None 表示第一行不作为列名
    

  • index_col 表示把某一列或几列作为索引
    

  • usecols 表示读取列的集合，默认读取所有的列
    

  • parse_dates 表示需要转化为时间的列，
    

  • nrows 表示读取的数据行数。
    

• pd.read_table: 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, 同时需要指定引擎为 python。例如，下面的读取的表以 |||| 为分割：参数 sep 中使用的是正则表达式，因此需要对 | 进行转义变成 | ，否则无法读取到正确的结果。
  
  

2. 数据写入

• 数据写入最常用的操作是把 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 = pd.read_csv('data/my_csv.csv'), df_csv .to_csv('data/my_csv_saved.csv', 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 \t 分割：
    df_txt.to_csv('data/my_txt_saved.txt', sep='\t', index=False)
• df_txt = pd.read_table('data/my_table.txt'), df_excel.to_excel('data/my_excel_saved.xlsx', index=False)
• 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。
  

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。
  
• 通过.的方式来获取获取该属性:

  • .values: 获取所有值

  • .index: 获取所有索引值

  • .dtype: 获取类型

  • .name: 获取序列名字
    

  • .shape: 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

• 构造DataFrame的两种方法:
  • DataFrame 在 Series 的基础上增加了列索引，一个数据框可以由二维的 data 与行列索引来构造：
    
  • 更多会采用从列索引名到数据的映射来构造数据框，同时再加上行索引：
    
• 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 ：

• 通过.的方式来获取获取该属性:
  • .values: 获取所有值
  • .index: 获取所有行索引值
  • .dtype: 返回的是值为相应列数据类型的Series
  • .name: 获取序列名字
  • .columns:获取所有列索引值
  • .shape
  • .T: 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
  

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：
  
• 多个列组合的唯一值，可以使用 drop_duplicates, 在Series上也可以使用 。参数:
  • 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。
    
• duplicated 返回了是否为唯一值的布尔列表，其 keep 参数与drop_duplicates一致。其返回的序列，把重复元素设为 True ，否则为 False 。 duplicated 和 drop_duplicates 的功能类, drop_duplicates 等价于把 duplicated 为 True 的对应行剔除。
  

4. 替换函数

• 一般而言，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。其中映射替换包含 replace 方法、 str.replace 方法以及 cat.codes 方法

• 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，传入的条件只需是与被调用的 Series 索引一致的布尔序列即可, 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：
  

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
  
• 在排序中，经常遇到多列排序的问题，比如在体重相同的情况下，对身高进行排序，并且保持身高降序排列，体重升序排列：
  
• 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。
  

6. apply方法

• apply 方法常用于 DataFrame 的行迭代或者列迭代，它的 axis 含义默认为0代表逐列聚合，如果设置为1则表示逐行聚合， apply 的参数往往是一个以序列为输入的函数。
  
• 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，例如序列1,3,7,10中，均值为5.25，每一个元素偏离的绝对值为4.25,2.25,1.75,4.75，这个偏离序列的均值为3.25。
  

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 。在得到了滑窗对象后，能够使用相应的聚合函数进行计算，需要注意的是窗口包含当前行所在的元素:
  

  • 对于滑动相关系数或滑动协方差的计算
    
  • 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表示表示值向下移动 n位， 索引不变， 默认 shift() == shift(1)
  

• diff表示与向前第 n 个元素做差（与 Numpy 中不同，后者表示 n 阶差分）
  

• pct_change表示与向前第 n 个元素相比计算增长率。
  

• 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，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]。