[Pandas] 10分钟Pandas之旅 01

原文为Pandas官网教程：10 Minutes to pandas

首先导入几个必备扩展库：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

---

创建对象

创建一个Series对象：传递一个数值列表作为参数，令Pandas使用默认索引。

s = pd.Series([1,3,5,np.nan,6,8])
print(s)

---

创建一个DataFrame对象：传递待datetime索引和列标签的Numpy数组作为参数。

# 首先创建一个时间序列
dates = pd.date_range('20130101', periods=6)
print(dates)

# 创建DataFrame对象，指定index和columns标签
df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))
print(df)

---

也可以传递词典来构建DataFrame，该词典的元素是形如Series的对象。

df2 = pd.DataFrame({ 'A' : 1., 'B' : pd.Timestamp('20130102'), 'C' : pd.Series(1,index=list(range(4)),dtype='float32'), 'D' : np.array([3] * 4,dtype='int32'), 'E' : pd.Categorical(["test","train","test","train"]), 'F' : 'foo' })

print(df2)

# 查看df2对象各列的数据类型
print(df2.dtypes)

观察数据

查看一个DataFrame对象的前几行和最后几行。

print(df.head())

print(df.tail(3))

# 默认情况下，.head()和.tail()输出首尾的前5行，也可以手动指定输出行数。

查看索引(index)，列标签(columns)和Numpy数组形式的内容。 .describe()返回简约的统计信息，在工程中非常实用。

# 索引
print(df.index)

# 列标签
print(df.columns)

# 数值
print(df.values)

# 统计
print(df.describe())

灵活调教你的DataFrame

# 转置
print(df.T)

# 按轴排序，逐列递减
print(df.sort_index(axis=1, ascending=False))

# 按值排序，'B'列逐行递增
print(df.sort_values(by='B'))

选中

尽管标准Python/Numpy的选中表达式很直观也很适合互动，但在生产代码中还是推荐使用Pandas里的方法如.at,.iat,.loc,.iloc,.ix等。

获取

DataFrame里选中的一列与Series等效。

print(df["A"]) # 与df.A相同

# 用[]分割DataFrame
print(df[0:3])
print(df['20130102':'20130104'])

按标签选择

# 选中一整行
print(df.loc[dates[0]])

# 按标签选中复数列（所有行，输出只显示前5行）
print(df.loc[:,['A','B']])

# 行/列同时划分（包括起止点）
print(df.loc['20130102':'20130104',['A','B']])

# 返回一个元素（两个方法等效）
print(df.loc[dates[0],'A'])
print(df.at[dates[0],'A'])

按位置选择

# 位置索引为3的行（从0开始，所以其实是第4行）
print(df.iloc[3])

# 按位置索引分割DataFrame
print(df.iloc[3:5,0:2])
print(df.iloc[[1,2,4],[0,2]])

# 直接定位一个特定元素
df.iloc[1,1]
df.iat[1,1]

布尔值索引

# 用一列的值来选择数据
print(df.A > 0)

# 使用.isin()函数过滤数据
df2 = df.copy()
df2['E'] = ['one', 'one','two','three','four','three']

# 提取df2中'E'值属于['two', 'four']的行
print(df2[df2['E'].isin(['two','four'])])

设置

# 为DataFrame创建一个新的列，其值为时间顺序（与df相同）的索引值
s1 = pd.Series([1,2,3,4,5,6], index=pd.date_range('20130102', periods=6))
print(s1)

df['F'] = s1

# 按标签赋值
df.at[dates[0],'A'] = 0

# 按索引赋值
df.iat[0,1] = 0

# 用Numpy数组赋值
df.loc[:,'D'] = np.array([5] * len(df))

# 最终结果
print(df)

---

缺失数据

Pandas默认使用np.nan来代表缺失数据。Reindexing允许用户对某一轴上的索引改/增/删，并返回数据的副本。

# 创建DataFrame对象df1，以dates[0:4]为索引，在df的基础上再加一个新的列'E'（初始均为NaN）
df1 = df.reindex(index=dates[0:4], columns=list(df.columns) + ['E'])

# 将'E'列的前两个行设为1
df1.loc[dates[0]:dates[1],'E'] = 1

print(df1)

处理缺失数据

# 剔除df1中含NaN的行（只要任一一列为NaN就算）
df1.dropna(how='any')

# 用5填充df1里的缺失值
df1.fillna(value=5)

# 判断df1中的值是否为缺失数据，返回True/False
pd.isnull(df1)