Python 数据分析包:pandas 基础
2017-01-10 15:08
357 查看
Python 数据分析包:pandas 基础
pandas 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包类似于 Numpy 的核心是 ndarray,pandas 也是围绕着 Series 和 DataFrame 两个核心数据结构展开的 。Series 和 DataFrame 分别对应于一维的序列和二维的表结构。pandas 约定俗成的导入方法如下:
Series
Series 可以看做一个定长的有序字典。基本任意的一维数据都可以用来构造 Series 对象:dtype:object可以包含多种基本数据类型,但总感觉会影响性能的样子,最好还是保持单纯的 dtype。
Series 对象包含两个主要的属性:index 和 values,分别为上例中左右两列。因为传给构造器的是一个列表,所以 index 的值是从 0 起递增的整数,如果传入的是一个类字典的键值对结构,就会生成 index-value 对应的 Series;或者在初始化的时候以关键字参数显式指定一个 index 对象:
注意 Series 的 index 和 values 的元素之间虽然存在对应关系,但这与字典的映射不同。index 和 values 实际仍为互相独立的 ndarray 数组,因此 Series 对象的性能完全 ok。
Series 这种使用键值对的数据结构最大的好处在于,Series 间进行算术运算时,index 会自动对齐。
另外,Series 对象和它的 index 都含有一个
name属性:
9 |
DataFrame
DataFrame 是一个表格型的数据结构,它含有一组有序的列(类似于 index),每列可以是不同的值类型(不像 ndarray 只能有一个 dtype)。基本上可以把 DataFrame 看成是共享同一个 index 的 Series 的集合。DataFrame 的构造方法与 Series 类似,只不过可以同时接受多条一维数据源,每一条都会成为单独的一列:
较完整的 DataFrame 构造器参数为:
DataFrame(data=None,index=None,coloumns=None),columns 即 “name”:
对象属性
重新索引
Series 对象的重新索引通过其.reindex(index=None,**kwargs)方法实现。
**kwargs中常用的参数有俩:
method=None,fill_value=np.NaN:
.reindex()方法会返回一个新对象,其 index 严格遵循给出的参数,
method:{'backfill', 'bfill', 'pad', 'ffill', None}参数用于指定插值(填充)方式,当没有给出时,自动用
fill_value填充,默认为 NaN(ffill = pad,bfill = back fill,分别指插值时向前还是向后取值)
DataFrame 对象的重新索引方法为:
.reindex(index=None,columns=None,**kwargs)。仅比 Series 多了一个可选的 columns 参数,用于给列索引。用法与上例类似,只不过插值方法
method参数只能应用于行,即轴 0。
fill_value依然对有效。聪明的小伙伴可能已经想到了,可不可以通过
df.T.reindex(index,method='**').T这样的方式来实现在列上的插值呢,答案是可行的。另外要注意,使用
reindex(index,method='**')的时候,index 必须是单调的,否则就会引发一个
ValueError: Must be monotonic for forward fill,比如上例中的最后一次调用,如果使用
index=['a','b','d','c']的话就不行。
删除指定轴上的项
即删除 Series 的元素或 DataFrame 的某一行(列)的意思,通过对象的.drop(labels, axis=0)方法:
.drop()返回的是一个新对象,元对象不会被改变。
索引和切片
就像 Numpy,pandas 也支持通过obj[::]的方式进行索引和切片,以及通过布尔型数组进行过滤。
不过须要注意,因为 pandas 对象的 index 不限于整数,所以当使用非整数作为切片索引时,它是末端包含的。
'c'这样的字符串索引时,结果就包含了这个边界元素。
另外一个特别之处在于 DataFrame 对象的索引方式,因为他有两个轴向(双重索引)。
可以这么理解:DataFrame 对象的标准切片语法为:
.ix[::,::]。ix 对象可以接受两套切片,分别为行(axis=0)和列(axis=1)的方向:
索引时,选取的是列
切片时,选取的是行
这看起来有点不合逻辑,但作者解释说 “这种语法设定来源于实践”,我们信他。
:不能省):
算术运算和数据对齐
pandas 最重要的一个功能是,它可以对不同索引的对象进行算术运算。在将对象相加时,结果的索引取索引对的并集。自动的数据对齐在不重叠的索引处引入空值,默认为 NaN。当不希望在运算结果中出现 NA 值时,可以使用前面 reindex 中提到过
fill_value参数,不过为了传递这个参数,就需要使用对象的方法,而不是操作符:
df1.add(df2,fill_value=0)。其他算术方法还有:
sub(), div(), mul()。
Series 和 DataFrame 之间的算术运算涉及广播,暂时先不讲。
函数应用和映射
Numpy 的 ufuncs(元素级数组方法)也可用于操作 pandas 对象。当希望将函数应用到 DataFrame 对象的某一行或列时,可以使用
.apply(func, axis=0, args=(), **kwds)方法。
排序和排名
Series 的sort_index(ascending=True)方法可以对 index 进行排序操作,ascending 参数用于控制升序或降序,默认为升序。
若要按值对 Series 进行排序,当使用
.order()方法,任何缺失值默认都会被放到 Series 的末尾。
在 DataFrame 上,
.sort_index(axis=0, by=None, ascending=True)方法多了一个轴向的选择参数与一个 by 参数,by 参数的作用是针对某一(些)列进行排序(不能对行使用 by 参数):
Series.rank(method='average', ascending=True))的作用与排序的不同之处在于,他会把对象的 values 替换成名次(从 1 到 n)。这时唯一的问题在于如何处理平级项,方法里的
method参数就是起这个作用的,他有四个值可选:
average, min, max, first。
DataFrame 的
.rank(axis=0, method='average', ascending=True)方法多了个 axis 参数,可选择按行或列分别进行排名,暂时好像没有针对全部元素的排名方法。
统计方法
pandas 对象有一些统计方法。它们大部分都属于约简和汇总统计,用于从 Series 中提取单个值,或从 DataFrame 的行或列中提取一个 Series。比如
DataFrame.mean(axis=0,skipna=True)方法,当数据集中存在 NA 值时,这些值会被简单跳过,除非整个切片(行或列)全是 NA,如果不想这样,则可以通过
skipna=False来禁用此功能:
######################## | ****************************************** |
count | 非 NA 值的数量 |
describe | 针对 Series 或 DF 的列计算汇总统计 |
min , max | 最小值和最大值 |
argmin , argmax | 最小值和最大值的索引位置(整数) |
idxmin , idxmax | 最小值和最大值的索引值 |
quantile | 样本分位数(0 到 1) |
sum | 求和 |
mean | 均值 |
median | 中位数 |
mad | 根据均值计算平均绝对离差 |
var | 方差 |
std | 标准差 |
skew | 样本值的偏度(三阶矩) |
kurt | 样本值的峰度(四阶矩) |
cumsum | 样本值的累计和 |
cummin , cummax | 样本值的累计最大值和累计最小值 |
cumprod | 样本值的累计积 |
diff | 计算一阶差分(对时间序列很有用) |
pct_change | 计算百分数变化 |
处理缺失数据
pandas 中 NA 的主要表现为 np.nan,另外 Python 内建的 None 也会被当做 NA 处理。处理 NA 的方法有四种:
dropna , fillna , isnull , notnull。
is(not)null
这一对方法对对象做元素级应用,然后返回一个布尔型数组,一般可用于布尔型索引。dropna
对于一个 Series,dropna 返回一个仅含非空数据和索引值的 Series。问题在于对 DataFrame 的处理方式,因为一旦 drop 的话,至少要丢掉一行(列)。这里的解决方式与前面类似,还是通过一个额外的参数:
dropna(axis=0, how='any', thresh=None),how 参数可选的值为 any 或者 all。all 仅在切片元素全为 NA 时才抛弃该行(列)。另外一个有趣的参数是 thresh,该参数的类型为整数,它的作用是,比如 thresh=3,会在一行中至少有 3 个非 NA 值时将其保留。
fillna
fillna(value=None, method=None, axis=0)中的 value 参数除了基本类型外,还可以使用字典,这样可以实现对不同的列填充不同的值。method 的用法与前面
.reindex()方法相同,这里不再赘述。
inplace 参数
前面有个点一直没讲,结果整篇示例写下来发现还挺重要的。就是 Series 和 DataFrame 对象的方法中,凡是会对数组作出修改并返回一个新数组的,往往都有一个replace=False的可选参数。如果手动设定为 True,那么原数组就可以被替换。
原文地址:http://www.cnblogs.com/sumuncle/p/5719006.html
相关文章推荐
- 利用Python进行数据分析(14) pandas基础: 数据转换
- python基础数据分析--pandas(一)
- 利用Python进行数据分析(7) pandas基础: Series和DataFrame的简单介绍
- Python 数据分析包:pandas 基础
- Python 数据分析包:pandas 基础
- Python数据分析入门之pandas基础总结
- 利用Python进行数据分析(7) pandas基础: Series和DataFrame的简单介绍
- 利用Python进行数据分析(13) pandas基础: 数据重塑/轴向旋转
- 利用Python进行数据分析(9) pandas基础: 汇总统计和计算
- 利用Python进行数据分析(11) pandas基础: 层次化索引
- 利用Python进行数据分析(13) pandas基础: 数据重塑/轴向旋转
- Python 数据分析包:pandas 基础
- Python 数据分析-pandas 基础
- Python 数据分析包:pandas 基础
- 利用Python进行数据分析(11) pandas基础: 层次化索引
- Python数据分析包:pandas 基础
- Python 数据分析(一) 本实验将学习 pandas 基础,数据加载、存储与文件格式,数据规整化,绘图和可视化的知识
- Python 数据分析(一) 本实验将学习 pandas 基础,数据加载、存储与文件格式,数据规整化,绘图和可视化的知识
- 利用Python进行数据分析(12) pandas基础: 数据合并
- 利用Python进行数据分析(8) pandas基础: Series和DataFrame的基本操作