閱讀目錄
重新索引刪除指定軸上的項(xiàng)索引和切片算術(shù)運(yùn)算和數(shù)據(jù)對(duì)齊函數(shù)應(yīng)用和映射排序和排名統(tǒng)計(jì)方法is(not)nulldropnafillnapandas 是基于 Numpy 構(gòu)建的含有更高級(jí)數(shù)據(jù)結(jié)構(gòu)和工具的數(shù)據(jù)分析包類似于 Numpy 的核心是 ndarray，pandas 也是圍繞著 Series 和 DataFrame 兩個(gè)核心數(shù)據(jù)結(jié)構(gòu)展開的 。Series 和 DataFrame 分別對(duì)應(yīng)于一維的序列和二維的表結(jié)構(gòu)。pandas 約定俗成的導(dǎo)入方法如下：
1
2
from pandas import Series,DataFrame
import pandas as pd
Series
Series 可以看做一個(gè)定長的有序字典。基本任意的一維數(shù)據(jù)都可以用來構(gòu)造 Series 對(duì)象：
1
2
3
4
5
6
7
>>> s = Series([1,2,3.0,'abc'])
>>> s
0 1
1 2
2 3
3 abc
dtype: object
雖然 dtype:object 可以包含多種基本數(shù)據(jù)類型，但總感覺會(huì)影響性能的樣子，最好還是保持單純的 dtype。
Series 對(duì)象包含兩個(gè)主要的屬性：index 和 values，分別為上例中左右兩列。因?yàn)閭鹘o構(gòu)造器的是一個(gè)列表，所以 index 的值是從 0 起遞增的整數(shù)，如果傳入的是一個(gè)類字典的鍵值對(duì)結(jié)構(gòu)，就會(huì)生成 index-value 對(duì)應(yīng)的 Series；或者在初始化的時(shí)候以關(guān)鍵字參數(shù)顯式指定一個(gè) index 對(duì)象：
1
2
3
4
5
6
7
8
9
10
11
>>> s = Series(data=[1,3,5,7],index = ['a','b','x','y'])
>>> s
a 1
b 3
x 5
y 7
dtype: int64
>>> s.index
Index(['a', 'b', 'x', 'y'], dtype='object')
>>> s.values
array([1, 3, 5, 7], dtype=int64)
Series 對(duì)象的元素會(huì)嚴(yán)格依照給出的 index 構(gòu)建，這意味著：如果 data 參數(shù)是有鍵值對(duì)的，那么只有 index 中含有的鍵會(huì)被使用；以及如果 data 中缺少響應(yīng)的鍵，即使給出 NaN 值，這個(gè)鍵也會(huì)被添加。
注意 Series 的 index 和 values 的元素之間雖然存在對(duì)應(yīng)關(guān)系，但這與字典的映射不同。index 和 values 實(shí)際仍為互相獨(dú)立的 ndarray 數(shù)組，因此 Series 對(duì)象的性能完全 ok。
Series 這種使用鍵值對(duì)的數(shù)據(jù)結(jié)構(gòu)最大的好處在于，Series 間進(jìn)行算術(shù)運(yùn)算時(shí)，index 會(huì)自動(dòng)對(duì)齊。
另外，Series 對(duì)象和它的 index 都含有一個(gè) name 屬性：
1
2
3
4
5
6
7
8
9
>>> s.name = 'a_series'
>>> s.index.name = 'the_index'
>>> s
the_index
a 1
b 3
x 5
y 7
Name: a_series, dtype: int64
DataFrame
DataFrame 是一個(gè)表格型的數(shù)據(jù)結(jié)構(gòu)，它含有一組有序的列（類似于 index），每列可以是不同的值類型（不像 ndarray 只能有一個(gè) dtype）?；旧峡梢园?DataFrame 看成是共享同一個(gè) index 的 Series 的集合。
DataFrame 的構(gòu)造方法與 Series 類似，只不過可以同時(shí)接受多條一維數(shù)據(jù)源，每一條都會(huì)成為單獨(dú)的一列：
1
2
3
4
5
6
7
8
9
10
11
12
13
>>> data = {'state':['Ohino','Ohino','Ohino','Nevada','Nevada'],
'year':[2000,2001,2002,2001,2002],
'pop':[1.5,1.7,3.6,2.4,2.9]}
>>> df = DataFrame(data)
>>> df
pop state year
0 1.5 Ohino 2000
1 1.7 Ohino 2001
2 3.6 Ohino 2002
3 2.4 Nevada 2001
4 2.9 Nevada 2002
[5 rows x 3 columns]
雖然參數(shù) data 看起來是個(gè)字典，但字典的鍵并非充當(dāng) DataFrame 的 index 的角色，而是 Series 的 “name” 屬性。這里生成的 index 仍是 “01234”。
較完整的 DataFrame 構(gòu)造器參數(shù)為：DataFrame(data=None,index=None,coloumns=None)，columns 即 “name”：
1
2
3
4
5
6
7
8
9
10
11
>>> df = DataFrame(data,index=['one','two','three','four','five'],
columns=['year','state','pop','debt'])
>>> df
year state pop debt
one 2000 Ohino 1.5 NaN
two 2001 Ohino 1.7 NaN
three 2002 Ohino 3.6 NaN
four 2001 Nevada 2.4 NaN
five 2002 Nevada 2.9 NaN
[5 rows x 4 columns]
同樣缺失值由 NaN 補(bǔ)上。看一下 index、columns 和 索引的類型：
1
2
3
4
5
6
>>> df.index
Index(['one', 'two', 'three', 'four', 'five'], dtype='object')
>>> df.columns
Index(['year', 'state', 'pop', 'debt'], dtype='object')
>>> type(df['debt'])
<class 'pandas.core.series.Series'>
DataFrame 面向行和面向列的操作基本是平衡的，任意抽出一列都是 Series。
對(duì)象屬性
重新索引
Series 對(duì)象的重新索引通過其 .reindex(index=None,**kwargs) 方法實(shí)現(xiàn)。**kwargs 中常用的參數(shù)有倆：method=None,fill_value=np.NaN：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
ser = Series([4.5,7.2,-5.3,3.6],index=['d','b','a','c'])
>>> a = ['a','b','c','d','e']
>>> ser.reindex(a)
a -5.3
b 7.2
c 3.6
d 4.5
e NaN
dtype: float64
>>> ser.reindex(a,fill_value=0)
a -5.3
b 7.2
c 3.6
d 4.5
e 0.0
dtype: float64
>>> ser.reindex(a,method='ffill')
a -5.3
b 7.2
c 3.6
d 4.5
e 4.5
dtype: float64
>>> ser.reindex(a,fill_value=0,method='ffill')
a -5.3
b 7.2
c 3.6
d 4.5
e 4.5
dtype: float64
.reindex() 方法會(huì)返回一個(gè)新對(duì)象，其 index 嚴(yán)格遵循給出的參數(shù)，method:{'backfill', 'bfill', 'pad', 'ffill', None} 參數(shù)用于指定插值（填充）方式，當(dāng)沒有給出時(shí)，自動(dòng)用fill_value 填充，默認(rèn)為 NaN（ffill = pad，bfill = back fill，分別指插值時(shí)向前還是向后取值）
DataFrame 對(duì)象的重新索引方法為：.reindex(index=None,columns=None,**kwargs)。僅比 Series 多了一個(gè)可選的 columns 參數(shù)，用于給列索引。用法與上例類似，只不過插值方法 method 參數(shù)只能應(yīng)用于行，即軸 0。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
>>> state = ['Texas','Utha','California']
>>> df.reindex(columns=state,method='ffill')
Texas Utha California
a 1 NaN 2
c 4 NaN 5
d 7 NaN 8
[3 rows x 3 columns]
>>> df.reindex(index=['a','b','c','d'],columns=state,method='ffill')
Texas Utha California
a 1 NaN 2
b 1 NaN 2
c 4 NaN 5
d 7 NaN 8
[4 rows x 3 columns]
不過 fill_value 依然對(duì)有效。聰明的小伙伴可能已經(jīng)想到了，可不可以通過 df.T.reindex(index,method='**').T 這樣的方式來實(shí)現(xiàn)在列上的插值呢，答案是可行的。另外要注意，使用 reindex(index,method='**') 的時(shí)候，index 必須是單調(diào)的，否則就會(huì)引發(fā)一個(gè) ValueError: Must be monotonic for forward fill，比如上例中的最后一次調(diào)用，如果使用 index=['a','b','d','c'] 的話就不行。
回到頂部刪除指定軸上的項(xiàng)
即刪除 Series 的元素或 DataFrame 的某一行（列）的意思，通過對(duì)象的 .drop(labels, axis=0) 方法：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
>>> ser
d 4.5
b 7.2
a -5.3
c 3.6
dtype: float64
>>> df
Ohio Texas California
a 0 1 2
c 3 4 5
d 6 7 8
[3 rows x 3 columns]
>>> ser.drop('c')
d 4.5
b 7.2
a -5.3
dtype: float64
>>> df.drop('a')
Ohio Texas California
c 3 4 5
d 6 7 8
[2 rows x 3 columns]
>>> df.drop(['Ohio','Texas'],axis=1)
California
a 2
c 5
d 8
[3 rows x 1 columns]
.drop() 返回的是一個(gè)新對(duì)象，元對(duì)象不會(huì)被改變。
回到頂部索引和切片
就像 Numpy，pandas 也支持通過 obj[::] 的方式進(jìn)行索引和切片，以及通過布爾型數(shù)組進(jìn)行過濾。
不過須要注意，因?yàn)?pandas 對(duì)象的 index 不限于整數(shù)，所以當(dāng)使用非整數(shù)作為切片索引時(shí)，它是末端包含的。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
>>> foo
a 4.5
b 7.2
c -5.3
d 3.6
dtype: float64
>>> bar
0 4.5
1 7.2
2 -5.3
3 3.6
dtype: float64
>>> foo[:2]
a 4.5
b 7.2
dtype: float64
>>> bar[:2]
0 4.5
1 7.2
dtype: float64
>>> foo[:'c']
a 4.5
b 7.2
c -5.3
dtype: float64
這里 foo 和 bar 只有 index 不同——bar 的 index 是整數(shù)序列?？梢姰?dāng)使用整數(shù)索引切片時(shí)，結(jié)果與 Python 列表或 Numpy 的默認(rèn)狀況相同；換成 'c' 這樣的字符串索引時(shí)，結(jié)果就包含了這個(gè)邊界元素。
另外一個(gè)特別之處在于 DataFrame 對(duì)象的索引方式，因?yàn)樗袃蓚€(gè)軸向（雙重索引）。
可以這么理解：DataFrame 對(duì)象的標(biāo)準(zhǔn)切片語法為：.ix[::,::]。ix 對(duì)象可以接受兩套切片，分別為行（axis=0）和列（axis=1）的方向：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
>>> df
Ohio Texas California
a 0 1 2
c 3 4 5
d 6 7 8
[3 rows x 3 columns]
>>> df.ix[:2,:2]
Ohio Texas
a 0 1
c 3 4
[2 rows x 2 columns]
>>> df.ix['a','Ohio']
0
而不使用 ix ，直接切的情況就特殊了：
索引時(shí)，選取的是列
切片時(shí)，選取的是行
這看起來有點(diǎn)不合邏輯，但作者解釋說 “這種語法設(shè)定來源于實(shí)踐”，我們信他。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
>>> df['Ohio']
a 0
c 3
d 6
Name: Ohio, dtype: int32
>>> df[:'c']
Ohio Texas California
a 0 1 2
c 3 4 5
[2 rows x 3 columns]
>>> df[:2]
Ohio Texas California
a 0 1 2
c 3 4 5
[2 rows x 3 columns]
使用布爾型數(shù)組的情況，注意行與列的不同切法（列切法的 : 不能?。?div style="height:15px;">
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
>>> df['Texas']>=4
a False
c True
d True
Name: Texas, dtype: bool
>>> df[df['Texas']>=4]
Ohio Texas California
c 3 4 5
d 6 7 8
[2 rows x 3 columns]
>>> df.ix[:,df.ix['c']>=4]
Texas California
a 1 2
c 4 5
d 7 8
[3 rows x 2 columns]
回到頂部算術(shù)運(yùn)算和數(shù)據(jù)對(duì)齊
pandas 最重要的一個(gè)功能是，它可以對(duì)不同索引的對(duì)象進(jìn)行算術(shù)運(yùn)算。在將對(duì)象相加時(shí)，結(jié)果的索引取索引對(duì)的并集。自動(dòng)的數(shù)據(jù)對(duì)齊在不重疊的索引處引入空值，默認(rèn)為 NaN。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
>>> foo = Series({'a':1,'b':2})
>>> foo
a 1
b 2
dtype: int64
>>> bar = Series({'b':3,'d':4})
>>> bar
b 3
d 4
dtype: int64
>>> foo + bar
a NaN
b 5
d NaN
dtype: float64
DataFrame 的對(duì)齊操作會(huì)同時(shí)發(fā)生在行和列上。
當(dāng)不希望在運(yùn)算結(jié)果中出現(xiàn) NA 值時(shí)，可以使用前面 reindex 中提到過 fill_value 參數(shù)，不過為了傳遞這個(gè)參數(shù)，就需要使用對(duì)象的方法，而不是操作符：df1.add(df2,fill_value=0)。其他算術(shù)方法還有：sub(), div(), mul()。
Series 和 DataFrame 之間的算術(shù)運(yùn)算涉及廣播，暫時(shí)先不講。
回到頂部函數(shù)應(yīng)用和映射
Numpy 的 ufuncs（元素級(jí)數(shù)組方法）也可用于操作 pandas 對(duì)象。
當(dāng)希望將函數(shù)應(yīng)用到 DataFrame 對(duì)象的某一行或列時(shí)，可以使用 .apply(func, axis=0, args=(), **kwds) 方法。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
f = lambda x:x.max()-x.min()
>>> df
Ohio Texas California
a 0 1 2
c 3 4 5
d 6 7 8
[3 rows x 3 columns]
>>> df.apply(f)
Ohio 6
Texas 6
California 6
dtype: int64
>>> df.apply(f,axis=1)
a 2
c 2
d 2
dtype: int64
回到頂部排序和排名
Series 的 sort_index(ascending=True) 方法可以對(duì) index 進(jìn)行排序操作，ascending 參數(shù)用于控制升序或降序，默認(rèn)為升序。
若要按值對(duì) Series 進(jìn)行排序，當(dāng)使用 .order() 方法，任何缺失值默認(rèn)都會(huì)被放到 Series 的末尾。
在 DataFrame 上，.sort_index(axis=0, by=None, ascending=True) 方法多了一個(gè)軸向的選擇參數(shù)與一個(gè) by 參數(shù)，by 參數(shù)的作用是針對(duì)某一（些）列進(jìn)行排序（不能對(duì)行使用 by 參數(shù)）：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
>>> df.sort_index(by='Ohio')
Ohio Texas California
a 0 1 2
c 3 4 5
d 6 7 8
[3 rows x 3 columns]
>>> df.sort_index(by=['California','Texas'])
Ohio Texas California
a 0 1 2
c 3 4 5
d 6 7 8
[3 rows x 3 columns]
>>> df.sort_index(axis=1)
California Ohio Texas
a 2 0 1
c 5 3 4
d 8 6 7
[3 rows x 3 columns]
排名（Series.rank(method='average', ascending=True)）的作用與排序的不同之處在于，他會(huì)把對(duì)象的 values 替換成名次（從 1 到 n）。這時(shí)唯一的問題在于如何處理平級(jí)項(xiàng)，方法里的 method 參數(shù)就是起這個(gè)作用的，他有四個(gè)值可選：average, min, max, first。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
>>> ser=Series([3,2,0,3],index=list('abcd'))
>>> ser
a 3
b 2
c 0
d 3
dtype: int64
>>> ser.rank()
a 3.5
b 2.0
c 1.0
d 3.5
dtype: float64
>>> ser.rank(method='min')
a 3
b 2
c 1
d 3
dtype: float64
>>> ser.rank(method='max')
a 4
b 2
c 1
d 4
dtype: float64
>>> ser.rank(method='first')
a 3
b 2
c 1
d 4
dtype: float64
注意在 ser[0]=ser[3] 這對(duì)平級(jí)項(xiàng)上，不同 method 參數(shù)表現(xiàn)出的不同名次。
DataFrame 的 .rank(axis=0, method='average', ascending=True) 方法多了個(gè) axis 參數(shù)，可選擇按行或列分別進(jìn)行排名，暫時(shí)好像沒有針對(duì)全部元素的排名方法。
回到頂部統(tǒng)計(jì)方法
pandas 對(duì)象有一些統(tǒng)計(jì)方法。它們大部分都屬于約簡和匯總統(tǒng)計(jì)，用于從 Series 中提取單個(gè)值，或從 DataFrame 的行或列中提取一個(gè) Series。
比如 DataFrame.mean(axis=0,skipna=True) 方法，當(dāng)數(shù)據(jù)集中存在 NA 值時(shí)，這些值會(huì)被簡單跳過，除非整個(gè)切片（行或列）全是 NA，如果不想這樣，則可以通過 skipna=False 來禁用此功能：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
>>> df
one two
a 1.40 NaN
b 7.10 -4.5
c NaN NaN
d 0.75 -1.3
[4 rows x 2 columns]
>>> df.mean()
one 3.083333
two -2.900000
dtype: float64
>>> df.mean(axis=1)
a 1.400
b 1.300
c NaN
d -0.275
dtype: float64
>>> df.mean(axis=1,skipna=False)
a NaN
b 1.300
c NaN
d -0.275
dtype: float64
其他常用的統(tǒng)計(jì)方法有：
########################******************************************
count非 NA 值的數(shù)量
describe針對(duì) Series 或 DF 的列計(jì)算匯總統(tǒng)計(jì)
min , max最小值和最大值
argmin , argmax最小值和最大值的索引位置（整數(shù)）
idxmin , idxmax最小值和最大值的索引值
quantile樣本分位數(shù)（0 到 1）
sum求和
mean均值
median中位數(shù)
mad根據(jù)均值計(jì)算平均絕對(duì)離差
var方差
std標(biāo)準(zhǔn)差
skew樣本值的偏度（三階矩）
kurt樣本值的峰度（四階矩）
cumsum樣本值的累計(jì)和
cummin , cummax樣本值的累計(jì)最大值和累計(jì)最小值
cumprod樣本值的累計(jì)積
diff計(jì)算一階差分（對(duì)時(shí)間序列很有用）
pct_change計(jì)算百分?jǐn)?shù)變化
處理缺失數(shù)據(jù)
pandas 中 NA 的主要表現(xiàn)為 np.nan，另外 Python 內(nèi)建的 None 也會(huì)被當(dāng)做 NA 處理。
處理 NA 的方法有四種：dropna , fillna , isnull , notnull 。
回到頂部is(not)null
這一對(duì)方法對(duì)對(duì)象做元素級(jí)應(yīng)用，然后返回一個(gè)布爾型數(shù)組，一般可用于布爾型索引。
回到頂部dropna
對(duì)于一個(gè) Series，dropna 返回一個(gè)僅含非空數(shù)據(jù)和索引值的 Series。
問題在于對(duì) DataFrame 的處理方式，因?yàn)橐坏?drop 的話，至少要丟掉一行（列）。這里的解決方式與前面類似，還是通過一個(gè)額外的參數(shù)：dropna(axis=0, how='any', thresh=None) ，how 參數(shù)可選的值為 any 或者 all。all 僅在切片元素全為 NA 時(shí)才拋棄該行(列)。另外一個(gè)有趣的參數(shù)是 thresh，該參數(shù)的類型為整數(shù)，它的作用是，比如 thresh=3，會(huì)在一行中至少有 3 個(gè)非 NA 值時(shí)將其保留。
回到頂部fillna
fillna(value=None, method=None, axis=0) 中的 value 參數(shù)除了基本類型外，還可以使用字典，這樣可以實(shí)現(xiàn)對(duì)不同的列填充不同的值。method 的用法與前面 .reindex() 方法相同，這里不再贅述。
inplace 參數(shù)
前面有個(gè)點(diǎn)一直沒講，結(jié)果整篇示例寫下來發(fā)現(xiàn)還挺重要的。就是 Series 和 DataFrame 對(duì)象的方法中，凡是會(huì)對(duì)數(shù)組作出修改并返回一個(gè)新數(shù)組的，往往都有一個(gè) replace=False 的可選參數(shù)。如果手動(dòng)設(shè)定為 True，那么原數(shù)組就可以被替換。
轉(zhuǎn)載：http://www.open-open.com/lib/view/open1402477162868.html
