pandas：数据分析

pandas是一个强大的Python数据分析的工具包。
pandas是基于NumPy构建的。

pandas的主要功能
具备对其功能的数据结构DataFrame、Series
集成时间序列功能
提供丰富的数学运算和操作
灵活处理缺失数据

安装方法：pip install pandas
引用方法：import pandas as pd

pandas：Series

Series是一种类似于一位数组的对象，由一组数据和一组与之相关的数据标签（索引）组成。

创建方式：

pd.Series([4,7,-5,3])
pd.Series([4,7,-5,3],index=[‘a’,’b’,’c’,’d’])
pd.Series({‘a’:1, ‘b’:2})
pd.Series(0, index=[‘a’,’b’,’c’,’d’])

获取值数组和索引数组：values属性和index属性
Series比较像列表（数组）和字典的结合体。
Series支持数组的特性：
从ndarray创建Series：Series(arr)
与标量运算：sr*2
两个Series运算：sr1+sr2
索引：sr[0], sr[[1,2,4]]
切片：sr[0:2]（切片依然是视图形式）
通用函数：np.abs(sr)
布尔值过滤：sr[sr>0]
统计函数：mean() sum() cumsum()
Series支持字典的特性（标签）：
从字典创建Series：Series(dic),
in运算：’a’ in sr、for x in sr
键索引：sr[‘a’], sr[[‘a’, ‘b’, ‘d’]]
键切片：sr[‘a’:’c’]
其他函数：get(‘a’, default=0)等
pandas：Series数据对齐
pandas在运算时，会按索引进行对齐然后计算。如果存在不同的索引，则结果的索引是两个操作数索引的并集。

例：
sr1 = pd.Series([12,23,34], index=[‘c’,’a’,’d’])
sr2 = pd.Series([11,20,10], index=[‘d’,’c’,’a’,])
sr1+sr2
sr3 = pd.Series([11,20,10,14], index=[‘d’,’c’,’a’,’b’])
sr1+sr3

如何在两个Series对象相加时将缺失值设为0？
sr1.add(sr2, fill_value=0)
灵活的算术方法：add, sub, div, mul

缺失数据：使用NaN（Not a Number）来表示缺失数据。其值等于np.nan。内置的None值也会被当做NaN处理。
处理缺失数据的相关方法：
dropna() 过滤掉值为NaN的行
fillna() 填充缺失数据
isnull() 返回布尔数组，缺失值对应为True
notnull() 返回布尔数组，缺失值对应为False

过滤缺失数据：sr.dropna() 或 sr[data.notnull()]
填充缺失数据：fillna(0)

pandas：整数索引

整数索引的pandas对象往往会使新手抓狂。
例：
sr = np.Series(np.arange(4.))
sr[-1]

如果索引是整数类型，则根据整数进行数据操作时总是面向标签的。
loc属性 以标签解释
iloc属性 以下标解释

pandas：DataFrame

查看数据常用属性及方法：
index 获取索引
T 转置
columns 获取列索引
values 获取值数组
describe() 获取快速统计

DataFrame各列name属性：列名
rename(columns={})
查看数据常用属性及方法：
index 获取索引
T 转置
columns 获取列索引
values 获取值数组
describe() 获取快速统计

DataFrame各列name属性：列名
rename(columns={})

DataFrame有行索引和列索引。

DataFrame同样可以通过标签和位置两种方法进行索引和切片。

DataFrame使用索引切片：
方法1：两个中括号，先取列再取行。 df[‘A’][0]
方法2（推荐）：使用loc/iloc属性，一个中括号，逗号隔开，先取行再取列。
loc属性：解释为标签
iloc属性：解释为下标
向DataFrame对象中写入值时只使用方法2
行/列索引部分可以是常规索引、切片、布尔值索引、花式索引任意搭配。（注意：两部分都是花式索引时结果可能与预料的不同）
通过标签获取：
df[‘A’]
df[[‘A’, ‘B’]]
df[‘A’][0]
df[0:10][[‘A’, ‘C’]]
df.loc[:,[‘A’,’B’]]
df.loc[:,’A’:’C’]
df.loc[0,’A’]
df.loc[0:10,[‘A’,’C’]]
通过位置获取：
df.iloc[3]
df.iloc[3,3]
df.iloc[0:3,4:6]
df.iloc[1:5,:]
df.iloc[[1,2,4],[0,3]]

通过布尔值过滤：
df[df[‘A’]>0]
df[df[‘A’].isin([1,3,5])]
df[df<0] = 0
DataFrame对象在运算时，同样会进行数据对齐，行索引与列索引分别对齐。
结果的行索引与列索引分别为两个操作数的行索引与列索引的并集。

DataFrame处理缺失数据的相关方法：

dropna(axis=0,where=’any’,…)
fillna()
isnull()
notnull()

pandas：其他常用方法

pandas常用方法（适用Series和DataFrame）：
mean(axis=0,skipna=False)
sum(axis=1)
sort_index(axis, …, ascending) 按行或列索引排序
sort_values(by, axis, ascending) 按值排序
NumPy的通用函数同样适用于pandas

apply(func, axis=0) 将自定义函数应用在各行或者各列上 ，func可返回标量或者Series
applymap(func) 将函数应用在DataFrame各个元素上
map(func) 将函数应用在Series各个元素上

pandas：时间对象处理

时间序列类型：
时间戳：特定时刻
固定时期：如2017年7月
时间间隔：起始时间-结束时间
Python标准库：datetime
date time datetime timedelta
dt.strftime()
strptime()
灵活处理时间对象：dateutil包
dateutil.parser.parse()
成组处理时间对象：pandas
pd.to_datetime([‘2001-01-01’, ‘2002-02-02’])
产生时间对象数组：date_range
start 开始时间
end 结束时间
periods 时间长度
freq 时间频率，默认为’D’，可选H(our),W(eek),B(usiness),S(emi-)M(onth),(min)T(es), S(econd), A(year),…

pandas：时间序列

时间序列就是以时间对象为索引的Series或DataFrame。

datetime对象作为索引时是存储在DatetimeIndex对象中的。

时间序列特殊功能：

传入“年”或“年月”作为切片方式
传入日期范围作为切片方式
丰富的函数支持：resample(), strftime(), ……
批量转换为datetime对象：to_pydatetime()

pandas：从文件读取

读取文件：从文件名、URL、文件对象中加载数据
read_csv 默认分隔符为csv
read_table 默认分隔符为\t
read_excel 读取excel文件
读取文件函数主要参数：
sep 指定分隔符，可用正则表达式如’\s+’
header=None 指定文件无列名
name 指定列名
index_col 指定某列作为索引
skip_row 指定跳过某些行
na_values 指定某些字符串表示缺失值
parse_dates 指定某些列是否被解析为日期，布尔值或列表

pandas：写入到文件

• 写入到文件：

• to_csv

• 写入文件函数的主要参数：

• sep

• na_rep 指定缺失值转换的字符串，默认为空字符串

• header=False 不输出列名一行

• index=False 不输出行索引一列

• cols 指定输出的列，传入列表

• 其他文件类型：json, XML, HTML, 数据库

• pandas转换为二进制文件格式（pickle）:

• save

• load