Python之Pandas库

Series 一组数据与之相关的数据索引组成,索引从0开始

pd.Series([9,8,7,6])

从标量值创建
pd.Series(25,index=[‘a’,’b’])//index不能省略,每一项都是25

从字典类型创建
pd.Series({‘a’:9,’b’:1}) pd.Series({‘a’:9,’b’:1},index=[‘c’,’a’])//这里index只是从字典中进行选择，没有的显示NaN，比如索引c对应NaN

从ndarray创建

pd.Series(np.arange(5),index=np.arange(9,4,-1))//数据从0到5，index省略时为0-5，这里索引是9到5，步长1

排序

a=pd.DataFrame(np.arange(20).reshape(4,5),index=[‘a’,’b’,’c’,’d’])

a.sort_values(2,ascending=False)//第2轴，就是第三列，降序 NaN统一放到末尾

基本的统计分析函数

a.describe()

数据的累积分析

.cummsum()//每个元素都是此位置加上上一行同位置元素之和
.cumprod()//每个元素都是此位置与上一行同位置元素之乘积
.cummin()//每个元素都是此列最小值
.cummiax()//每个元素都是此列最大值

滚动计算

.rolling(w).sum() //依次计算相邻w个元素（纵着看）的和

.rolling(w).mean()

.rolling(w).var()//方差

.rolling(w).std()//标准差

.rolling(w).min()

.rolling(w).max()

数据的相关分析 (两个事物正相关、负相关、不相关)

可以用协方差来判断

Pearson相关系数，【-1，1】

.cov()//计算协方差矩阵

.corr()//计算相关系数矩阵，Pearson等系数

例如，a.corr(b)就可以得到一个[-1,1]范围的Pearson系数值