pandas 入门

pandas 入门概念

series 和 dataframe 这是pandas 中最为基本的两个概念，series 类似于一维数组，可以近似当成普通的数组进行操作，对于series 默认会有行索引为它索引，但特殊的同时与普通的一维数组不同 列表只能有从0开始的整数索引，而series则可以自定义标签索引，这一点来看，跟字典又比较相似，因此series又可以拥有类似字典的操作方式，series 的标签索引可以随时更新修改替换。series 提供有很多方便的方法，用于判断值为空的 isnull, notnull，sort_index(), sort_values() 用于排序的方法等。

而DataFrame是一种表格型数据结构，它含有一组有序的列，每列可以是不同的值。DataFrame既有行索引，也有列索引，它可以看作是由Series组成的字典，不过这些Series公用一个索引。DataFrame的创建有多种方式，不过最重要的还是根据dict进行创建，以及读取csv或者txt文件来创建。

series 相关基本操作

1. 访问series 元素的方式

money_series = pd.Series([200, 300, 10, 5], name="money")
money_series[0] # 根据索引获取具体的值，0对应的依旧是200，等价于 money_series.loc[0]
# 200
money_series.iloc[0] # 根据序号获取具体的值
# 5

注意点：
通过series[x] 索引访问时需要注意自定义的sertes标签索引 和 series默认的position 类型是否一致，当都为int64时，默认的position会被定义的索引覆盖，此时在通过series[x] 访问需要注意不能使用默认的position来访问。

补充：loc 和 iloc 的区别，
loc 通过标签(也就是series的索引)访问元素，接受整数索引和非整数索引(因为是标签)
iloc 通过整数索引访问元素，并且只能接受整数索引，这一点来看，跟列表的默认整数索引又很相似，允许-1 这样的从后访问元素。

loc 用法(Dataframe)：

• loc([这里是行标识], [这里是列标识])

示例：

data.loc[:,'列一'] #取出所有行第一列，loc可以理解为传入两个参数一个是关于行的，一个是关于列的。
data.loc[:,['列一','列四','列三']] #取出所有行多列，就把列名包裹成列表的形式。
data.loc[0:5,['列一','列四','列三']] #取出某几行某几列，把行索引和列名传入。
data.loc[data['列四']==138,['列二','列三','列四']] #loc的条件筛选

可以看出行列 的索引访问支持 切片，添加逻辑判断等操作。

iloc 用法(Dataframe)

• iloc([这里是行标识], [这里是列标识])

语法与loc 看上去比较类似，但功能更为单一

示例：

data.iloc[:,1:4] # 返回全部行，索引为1到4的列
data.iloc[3,[1,5]] #返回索引为3的行，索引为1和5的列。
data.iloc[1:8,[1,5]] #取出索引为1到7的行，索引为1和5的列。
data.loc[0:3] #按照名称取数据
data.iloc[0:3] #按照位置取数据 

总结：

一般访问series 可以有三种方式，一是loc，通过标签索引访问，这种方式只能接受标签作为参数，不能接受其他的参数类型，可以添加过滤条件。
一是通过iloc 索引访问，只能接受整数索引，也不能添加逻辑判断的过滤条件，但它不受标签值的影响可以一直通过整数索引访问，在对series排序后如果想获取首个元素，就可以通过iloc 来访问，因为此时标签的顺序已经改变。
或是直接通过series[] 访问，他同时支持标签访问和整数索引(序号，跟普通列表的默认索引一致)，所以在一般情况下通过series[] 访问即可。

切片 和 取值 使用

切片，取出元素

money_series.loc['c':'a':-1] # 从c取到 a，倒序
"""
c     10
b    300
a    200
Name: money, dtype: int64
"""

上面的访问方式等同于series[‘c’:‘a’:-1]
同理，也支持整数索引（position）进行切片。

取值，根据需要

money_series.iloc[[3, 0]] # 取第四个值和第一个值
"""
d      5
a    200
Name: money, dtype: int64
"""

上面是根据序号进行取值，跟列表的默认索引原理一致即从0开始
同理，对标签索引也支持这样取值。

根据需要进行取值，即自定义条件

money_series[money_series > 50] # 选取大于50的值
"""
c    300
d    200
Name: money, dtype: int64
"""
money_series[lambda x: x ** 2 > 50] # 选取值平方大于50的值
"""
b     10
c    300
d    200
Name: money, dtype: int64
"""

如上，既支持自定义的逻辑判断表达式，也支持lambda表达式。

2. 对series 元素操作的方式

# 基本的，通过索引获取数据进行修改
s['test'] = 100
s[0] = 1
# 当然也可以通过iloc，at，iat等方式访问元素

# 添加元素
idx = "hello the cruel world".split()
val = range(10, 14)
s = pd.Series(val, index = idx)
# 通过append 方法添加，传入一个新的series 对象即可
s = s.append(pd.Series({"this":9}))
s = s.append(pd.Series({"this":10}))
# 或者通过set_value 方法添加数据，比较append 方法set_value更便捷
s.set_value("this", 8)

# 删除数据
# 一般删除使用不多，更多是数据进行布尔筛选或mask ，提取出符合条件和所需数据即可
t = s[s > 5]


dataframe 相关基本操作

1. 访问dataframe 元素的方式

# 获取dataframe 一列的数据
df['日期']
# 获取dataframe 几列的数据
df[['x', 'y']]
# 同样的也可以使用loc 按标签取 或者 iloc 按行号取
df.loc['T001'] # 按行标签获取，返回Series
df.iloc[0] # 按位置信息获取，返回Series

# 使用at和iat 获取具体某个数据
df.at['a', 'c']	# 按标签信息，传入行列标签索引信息 获取具体某个数据
df.iat[1, 2] # 按位置信息，传入行列位置信息，获取具体某个数据

# 新版本中pandas中 df 似乎不能使用ix，1.x 后被移除了
# ix 可以同时接受标签索引和位置信息作为参数
df.ix['a', 2] 
df.ix[['a', 'b'], ['', 2]] 

# 基本的可以通过head 和 tail 方法获取数据
df.head(3) # 前三行
df.tail(3) # 后三行


切片 取值
df.loc["b" : "e", "bx" : "ex"]	# 传入行列的标签索引值进行切片
df1.iloc[2 : 6, 2 : 4]	# 传入行列的位置信息进行切片

# df 的布尔选择
val = np.arange(10, 60).reshape(10, 5)
col = ["ax", "bx", "cx", "dx", "ex"]
idx = list("abcdefghij")
df1 = pd.DataFrame(val, columns = col, index = idx)
# 设定逻辑条件
bs = df1["bx"] > 30
# 通过df[筛选条件] 获取筛选后的结果，
print df1[bs]
# 返回同样是df 对象，同样可以进行各种操作
print df1[bs][["ax", "ex"]]
print df1[bs]["e": "h"]

一般情况下，以上几种访问方式基本能够满足使用。需要注意的是，在访问dataframe时，访问df中某一个具体元素时需要先传入行表索引再确定列索引。

2. 对dataframe 元素进行操作的方式

对元素进行操作的前提就是先读取到数据，因此能正常读取到数据，修改也就是顺理成章了。

# 最基本的 通过标签直接访问并进行操作
df['单价'] *= 2
# 但借助apply 函数可以完成更强大的功能
# apply支持传入修改函数，能处理更复杂的场景
# 等价于， df['单价'] = df.apply(lambda x: x['单价'] * 2, axis=1)
# 更新df 的列数值，可通过赋值的方式更新
df['q'] = pd.Series([1, 2, 3, 4, 5])
# 更新df 的 行数值，可通过loc赋值的方式更新
df.loc['行label'] = pd.Series([1, 2, 3])

# 添加一个新列，直接使用= 进行赋值
df['运费'] = pd.Series({'2018_T001': 10, '2018_T005': 12})
# 或者使用insert 方法，可以在指定位置添加一个新列
nval = np.arange(100, 110).reshape(10, 1)
df.insert(1, "gx", nval)
# 也可以通过loc 添加
nval = val = np.arange(100, 110).reshape(10, 1)
df1.loc[:, "ix"] = nval # 传入行列索引信息，确定新列标签名
# 添加新行
df.append(df2)	# 添加新行，使用append 方法即可

# concat 多列连接
# concat函数可以连接多个dataframe数据组成一个更大的dataframe数据
df3 = pd.concat([df1, df2[5:], df1[:5],df2], axis = 1)
# concat 多行连接 与多列连接的方式仅在于axis 参数指定，axis=0按行操作即多行连接，否则按列连接

# 删除一列，在原有的dataframe上进行操作
del df['日期']
或是使用 pop 方法，返回被删除的数据列(只能是某一列)
df.pop('cx')
# 通过 drop 方法，可以指定删除多列
df.drop(['a', 'b'], axis=0,1)	# axis 指定按行执行或是按列执行

# 删除行 也可以通过drop 操作
df.drop(['a', 'b'])	# 可以指定多行
# 通过切片，布尔判断 也可以实现

以上只是基本的修改，删除新增的方式，更复杂的 过滤 筛选 计数 排序 等功能未记录

3. 获取到dataframe 数据的方式

# 目前一般而言，获取到最多的方式就是 读取文件获取
# read_csv, read_excel等方法 可以从 csv等文本文件 或 excel 文件读取数据

# 读取excel 文件，指定sheetname 表名
df = pd.read_excel("path/demo.xlsx", sheetname=0)
# 指定 sheetname
df = pd.read_excel("path/demo.xlsx", sheetname='销售记录')

# 读取文本文件，传入文件路径，delimiter或seq 指定以什么为分隔符，index_col 可以选择以哪一列为标签索引
df = pd.read_csv('demo.dat', delimiter='|', index_col='编号') # index_col指定行标签为索引

目前而言，使用最多的应该会是读取文本文件的方式，读取到文件后就是一个dataframe 对象，之后的操作都是基于dataframe和series 来。

4. dataframe 相关算术运算

1).如果其中一个是数值，那么这个数值会和DataFrame的每个位置上的数据进行相应的运算。
2).参与运算的如果是两个DataFrame，有可能所有的行、列是一致的，那么运算时对应行列的位置进行相应的算术运算，若行列没有对齐，那么填值NaN。
3). 如果参与运算的一个是DataFrame，另一个是Series，那么pandas会对Series进行行方向的广播，然后做相应的运算。
4). 参与运算的两个DataFrame并非完全一样，即行列个数和行列名有可能都不同，那么有对应上的就做运算，无填充NaN。
5). 列方向也有相应的计算处理方式。如果是列方向的运算，一个是dataFrame，另一个是Series，首先将Series沿列方向广播，然后运算。

dataframe 的常用属性

1. columns 属性

获取df 的列标签(列索引)值

2. shape 属性

获取df 的形状，即几行几列

3. size 属性

获取df 的value的个数

4. values 属性

返回当前df 的数据 和 index，columns 相对应

5. dtypes 属性

返回df 的每列值的数据类型

6. ndim 属性

ndim 获取df 的 阶数，可以看成是维度数

7. T 属性

对df 进行转置，即列和行颠倒。

pandas 常用函数

pandas中的函数 一般会有两种结果，一是copy，即返回一个修改后的副本，原有的不变，二是inplace，即在原有基础上直接进行修改。
而且，这个一般会有一个inplace 的参数值指明是否是在原有基础上修改。

series 中的常用函数

1. get() 和 get_value() 方法

因为series 具有字典的一些特征，所以允许使用get 方法来获取数值，如果没有则返回默认值，而get_value 功能类似，但如果没有对应key则会抛出异常。

2. add() 和 append() 方法

add 类似+ 运算，将两个series 相加得到结果，append 则是将一个series 连接在前一个series的后面，类似列表的相加。

3. count() 方法

统计series中非nan 的值，即非空值计数。

4. sort_index() 和 sort_values() 方法

按索引排序 或 按数值排序，默认升序排列。

5. reset_index() 方法

重置series 的index索引，同时有drop 参数可以选择是否删除索引。

6. reindex() 方法

reindex函数可以将series的index换成其他的index。新的series保留原serie的values值，如果新的index和原series的index不同，则不同的填充NaN值，或者使用fill_value参数指定填充值。

series 中的统计函数

1. sum() 方法 和 mean() 方法

sum 求和函数。mean 求均值，同时有skipnan参数可选是否忽略nan 空值。

2. describe() 方法

可获取一系列的统计信息，包含最大最小值，标准差，计数等统计信息。

3. max() 和 idmax() 方法

max 获取series中最大值，idmax 获取最大值的标签或索引。

4. var() 和 std() 以及 mad() 方法

var 获取series 的方差，std 获取标准差是对var 的求算术平方根，mad 平均绝对离差，是用样本数据相对于其平均值的绝对距离来度量数据的离散程度

注意：dataframe 中的统计函数与series中的相关统计函数基本一致，使用方法基本没有区别。

补充：

divmod(x, y)
divmod() 函数返回当参数 1 除以参数 2 时包含商和余数的元组。