pandas入门学习六

本文是学习《利用Python进行数据分析》的部分笔记，在这里感谢作者

1,使用DataFrame的列：

DataFrame的set_index函数会将其一个或者多个列转换为行索引，并创建一个新的DataFrame：

frame=DataFrame({'a':range(7),'b':range(7,0,-1),'c':['one','one','one','two','two','two','two'],'d':[0,1,2,0,1,2,3]})

frame
Out[70]:
a b c d
0 0 7 one 0
1 1 6 one 1
2 2 5 one 2
3 3 4 two 0
4 4 3 two 1
5 5 2 two 2
6 6 1 two 3

frame2=frame.set_index(['c','d'])

frame2
Out[72]:
a b
c d
one 0 0 7
1 1 6
2 2 5
two 0 3 4
1 4 3
2 5 2
3 6 1默认情况下，那些列会从DataFrame中移除，但也可以将其保留下来：
frame.set_index(['c','d'],drop=False)
Out[74]:
a b c d
c d
one 0 0 7 one 0
1 1 6 one 1
2 2 5 one 2
two 0 3 4 two 0
1 4 3 two 1
2 5 2 two 2
3 6 1 two 3reset_index的功能与set_index刚好相反，层次化索引的级别会被转移到列里面：
frame2.reset_index()
Out[75]:
c d a b
0 one 0 0 7
1 one 1 1 6
2 one 2 2 5
3 two 0 3 4
4 two 1 4 3
5 two 2 5 2
6 two 3 6 1轴向连接：
s1=Series([0,1],index=['a','b'])

s2=Series([2,3,4],index=['c','d','e'])

s3=Series([5,6],index=['f','g'])

pd.concat([s1,s2,s3])
Out[79]:
a 0
b 1
c 2
d 3
e 4
f 5
g 6
dtype: int64默认情况下，concat是在axis=0上进行工作的，最终产生一个新的Series，如果传入axis=1，则结果就会变成一个DataFrame(axis=1是列）
pd.concat([s1,s2,s3],axis=1)
Out[80]:
0 1 2
a 0.0 NaN NaN
b 1.0 NaN NaN
c NaN 2.0 NaN
d NaN 3.0 NaN
e NaN 4.0 NaN
f NaN NaN 5.0
g NaN NaN 6.0传入join=‘inner’即可得到他们的交集：
s4=pd.concat([s1*5,s3])

s4
Out[82]:
a 0
b 5
f 5
g 6
dtype: int64

pd.concat([s1,s4],axis=1,join='inner')
Out[83]:
0 1
a 0 0
b 1 5stack：将数据的列旋转为行
unstack：将数据的行旋转为列

替换值：

replace函数提供了一种实现替换功能的方法：

data=Series([1,-999,2,-999,-1000,3])

data.replace(-999,np.nan)
Out[86]:
0       1.0
1       NaN
2       2.0
3       NaN
4   -1000.0
5       3.0
dtype: float64

如果希望进行不同的替换，则传入的是两个替换关系组成的列表：
data.replace([-999,1000],[np.nan,0])
Out[88]:
0 1.0
1 NaN
2 2.0
3 NaN
4 -1000.0
5 3.0
dtype: float64哑编码：
df=DataFrame({'key':['b','b','a','c','a','b'],'data1':range(6)})

df
Out[93]:
data1 key
0 0 b
1 1 b
2 2 a
3 3 c
4 4 a
5 5 b

pd.get_dummies(df['key'],prefix='key')
Out[95]:
key_a  key_b  key_c
0    0.0    1.0    0.0
1    0.0    1.0    0.0
2    1.0    0.0    0.0
3    0.0    0.0    1.0
4    1.0    0.0    0.0
5    0.0    1.0    0.0