利用python进行数据分析（三）：pandas--处理数据的工具

在使用之前，首先

from pandas import Series,DataFrame
import pandas as pd

pandas对象包括 Series,DataFrame两种

（1） Series的创建：

1）只输入一个列表，自动创建索引。

a=[1,2,3,4,5]
In [3]:

Series(a)
Out[3]:
0    1
1    2
2    3
3    4
4    5
dtype: int64

2）在输入列表的时候输入索引。

a=[1,2,3,4,5]
In [3]:

b=Series(a)
Out[3]:
0    1
1    2
2    3
3    4
4    5
dtype: int64

3）也可以传入一个字典来创建。

可以直接通过 b*2 b[b>0] 这种形式来改变Series里面的数值或者做切片，这和数组是一样的。

pd中的isnull和notnull函数可以用于检测缺失数据。也可以作为Series的实例方法来使用。

b.notnull()
Out[11]:
7     True
8     True
9     True
10    True
11    True
dtype: bool

索引可以通过赋值的方式直接修改。比如

b.index=['q','w','e','r','t']

（2）DataFrame的创建

DataFrame是一个表格型的数据结构。

构建DataFrame的方法：

1）传入由 等长列表或numpy数组 组成的字典data，然后frame=DataFrame(data) 系统会自动加上索引（行名）。

字典的key作为列名，每个values 是每一列。

2）可以调整columns中它们的顺序来调整列的顺序。

frame=DataFrame(data，columns=['year','state','pop'])

‘year’,’state’,’pop’均是字典data中的键，

3） 指定索引

frame=DataFrame(data，columns=['year','state','pop']，index=['a','b','c','d','e'])

（3）选取列和行

对于DataFrame,选取某一列：

frame['year']

选取某一行：

.loc用于基于标签的索引或

.iloc进行位置索引

.ix已经弃用

frame.iloc['2']
frame.loc['c']

Series对象也适用。

（4）调取值和索引

DataFrame和Series对象 （obj） 都可以通过 .values 返回值，分别返回一个二维数组和一个一维数组。

frame.T 转置

obj.index 返回索引

（5）删除行和列

obj=Series(np.arange(5),index=['a','b','c','d','e'])

In [84]: obj
Out[84]:
a    0
b    1
c    2
d    3
e    4
dtype: int64

In [85]: obj.drop(['b','c'])
Out[85]:
a    0
d    3
e    4
dtype: int64

drop默认删除axis=0也就是行，如果想要删除列的化话，需要加参数axis=1。

（6）索引、选取和过滤

DataFrame（frame）可以像数组那样

frame[:2]  #提取前两行
frame[frame['c']>0]  #提取'c'>0的几行
frame[frame<5]=0

要选取成块区域的话，可以利用.loc或者.iloc

.loc用于基于标签的索引或

.iloc进行位置索引

.ix已经弃用

data.loc['b':'d',:'state']

这样就和数组的切片变得非常像。

（7）函数的映射

对每个元素做操作：

对于Series对象obj，使用的是map方法。

obj.map(f)    #对obj里的每一个元素执行函数f，返回结果

对于DataFrame对象，使用的是applymap方法。

frame.applymap(f)    #对data里的每一个元素执行函数f，返回结果

如果要对每一列或者每一行的数据数组做映射：

frame.apply(f)
frame.apply(f，axis=1)

（8）pandas对象的排序

对于DataFrame对象，使用的是sort_index方法。

frame.sort_index()  #按照行索引（行名）进行升序排序
frame.sort_index(axis=1)  #按照列索引（列名）进行升序排序
frame.sort_index(ascending=False)  #按照行索引（行名）进行降序排序
frame.sort_index(by='a')  #按照列名'a'所在的这一列进行升序排序

对于Series对象，要按照值排序的话，使用的是order方法。

obj.order()

（9）汇总和计算描述统计

计算pandas对象(data)的和的方法和数组类似。

frame.sum()
frame.sum(axis=1)
frame.
b651
cumsum()
frame.idxmax() #返回最大值的索引

这些方法对Series对象同样适用。

data.describe() 产生汇总统计

（10）唯一值和值技术

data.unique()  #得到唯一值数组
data.value_counts()  #统计每个值的频率

（11）处理缺失数据

data.fillna(0)   #用0填充缺失值
data.dropna()    #如果是Series对象，丢弃NaN,如果是DataFrame对象，丢弃含有NaN的这一行

也可以对不同的列填充不同的值。

（12）层次化索引

data=Series(np.random.randn(10),index=[['a','a','a','b','b','b','c','c','d','d'],[1,2,3,1,2,3,1,2,2,3]])

data
Out[186]:
a  1   -0.354439
2    2.521583
3   -0.219593
b  1   -0.069102
2    0.381834
3    0.623784
c  1    0.742525
2   -1.916756
d  2   -0.364809
3    0.970749
dtype: float64

unstack()放法重新安排到一个DataFrame中，也可以再使用stack()方法恢复。

data=data.unstack()
data=data.stack()

（13）使用DataFrame的列

frame.set_index(['c','d'])    #设置'c'  'd'两列为索引（层次化），同时在数据中删掉这两列
frame.set_index(['c'],drop=False)  #不在数据中删掉这两列
frame.reset_index()           #把索引还原回去

（14）DateFrame行名、列名

frame.columns    #返回列名
frame.index      #返回行名（索引）